基于不變矩和支持向量機的圖像識別方法研究.pdf

1、隨著信息技術的發(fā)展，目標識別技術成為了現代軍事科技的研究熱點之一。從目標的發(fā)現到根據不同的目標圖像進行識別直到最后對目標進行跟蹤并發(fā)起打擊，都是自動目標識別系統的工作任務。其中，對圖像目標識別效果的好壞直接關系到后續(xù)打擊精度，所以圖像識別是目標識別系統的重要環(huán)節(jié)。對每幅圖像的特征提取是目標圖像能夠區(qū)別于其他圖像的關鍵，將圖像的特征值提取出來后，根據不同的特點進行分類，可最終完成識別目的。經過數十年的發(fā)展，目標圖像識別系統已經成為融合不變

2、矩提取、統計學理論、小波分析等知識為一體的研究課題，其算法可以推廣到天文觀測、粒子碰撞、森林預警、遙感、病變細胞檢測、道路自動導航以及車牌識別等民用領域，具有很強的實用價值，同時對國民經濟發(fā)展也具有非常重要的意義。
　　 本文主要研究了基于不變矩的特征提取和支持向量機理論在圖像分類識別方面的應用。在特征提取方面，重點研究了能夠描述目標圖像全局特性的Hu矩、Zernike矩以及能夠描述目標局部特征的小波矩的特征提取效果。仿真比較了

3、小波矩、Hu矩和Zernike矩的特征提取效果，證明了用小波矩對圖像提取的離散特征在抗噪性和識別能力上較Hu矩和Zernike矩更優(yōu)。在目標圖像識別方面，針對傳統神經網絡算法以經驗風險最小化作為期望風險最小化的估計基礎，這樣會導致在神經網絡的學習過程中出現過學習現象，使神經網絡在分類時的誤分風險增加，影響最終識別的準確性。本文應用統計學中的支持向量機理論，采用結構風險最小化原則,在固定經驗風險的條件下,通過最小化分類函數的VC維,運用核