基于多通道的分层特征提取的图像识别

摘要

图像识别在模式匹配、计算机视觉、机器学习等研究领域都是一个热门的研究课题。经过多年的研究发展，图像识别领域已经形成了许多成熟的技术并且被广泛应用到遥感、航拍、车牌识别及监控等各个领域。在复杂的现实世界中，人们拍摄的许多图像都包含着多种维度的信息，比如轮廓，大小，视角，光照条件，场景布局等。如果图像识别主要关注的是对图像中对象的识别，那么图像中的光照、场景等信息就变成了干扰信息。当这些干扰信息太多的情况下，提取图像中的所需的有效特征就变的尤为困难。因此如何才能在提取图像的有效特征时不受干扰信息的影响，就变成了计算机视觉中是一个非常重要的问题。
　　针对上述问题，本文提出了一种多通道下的分层特征提取算法，减轻了干扰信息对图像特征提取的影响，提高了算法识别率。本文的主要工作包括:
　　(1)研究发现现有的字典学习算法K-SVD容易出现过拟合的现象，因此在K-SVD算法中引入相干性参数，降低了学习得到的字典中原子的相关程度，提升了字典的表述能力。实验结果表明，识别率比优化前提高2％-4％，Matlab和C-MEX混合编程的效率是Matlab版的23倍以上。
　　(2)分析了当前图像特征提取过程中比较主流的稀疏编码算法，对比匹配追踪算法和正交匹配追踪算法的优劣。然后将卷积网络中的空间金字塔池化应用到稀疏编码中，以降低了计算复杂度。
　　(3)设计了多种通道对图像进行特征提取，即将图像按照不同的尺寸进行分割，每种分割方案（通道）在经过多层的特征提取后得到图像的特征向量。然后对不同通道的特征向量使用线性SVM训练模型，用于识别。实验结果表明，增加多通道并稀疏编码后的结果比别的特征提取算法识别率至少高出4％。

目录

声明

摘要

中英文对照表

第一章 绪论

1．1 研究背景和意义

1．1．1 图像识别过程

1．1．2 图像识别的意义

1．2 图像识别的国内外研究现状

1．3 本文的研究内容

1．4 本文的组织结构

第二章 图像识别技术

2．1 SIFT

2．1．1 尺度空间

2．1．2 SIFT算子

2．1．3 关键点位置确定与不稳定点剔除

2．2 编码算法

2．2．1 Bag-of-Words模型

2．2．2 空间金字塔匹配

2．3 K-SVD

2．3．1 矢量量化的K-均值算法

2．3．2 K-SVD广义的K-均值

2．3．3 K-SVD算法

2．4 深度学习

2．5 本章小结

第三章 分层特征提取设计

3．1 基础概念

3．1．1 分层特征提取

3．1．2 多通道

3．2 图像识别框架

3．3 特征提取设计

3．3．1 预处理

3．3．2 字典学习

3．3．3 稀疏编码

3．3．4 Pooling技术

3．3．5 归一化

3．4 特征分层

3．5 多通道稀疏编码

3．6 本章小结

第四章 实验与结果分析

4．1 实验数据集

4．2 实验平台

4．3 实验内容

4．4 实验结果

4．4．1 实验一：K-SVD对比优化后的K-SVD码本学习算法

4．4．2 实验二：MP算法对比OMP算法

4．4．3 实验三：对单通道的分层特征提取算法进行试验

4．4．4 实验四：合并单通道，进行多通道实验，对比其他算法

4．4．5 算法效率对比

4．5 本章小结

第五章 总结与展望

5．1 总结

5．2 后续工作

参考文献

致谢

在读期间发表的学术论文与参与的科研项目