場景分類與道路場景異常識別算法研究.pdf

1、作為模式識別的一個重要分支，場景理解一直備受國內(nèi)外研究人員的廣泛關(guān)注。目前，學術(shù)界的研究對象主要集中于正常場景圖像，對場景異常識別方面的研究比較少。然而，在現(xiàn)實生活中，往往是場景中出現(xiàn)的異常現(xiàn)象會對人類的活動產(chǎn)生不利的影響甚至對公共安全構(gòu)成潛在的威脅，故場景分類預測和異常場景識別均有研究價值。
　　本文分別對場景理解中的目標識別和場景分類進行探討分析，在改進既有的分類算法和識別算法同時，對給定的道路場景的異常區(qū)域進行識別，主要工作

2、如下:
　　改進了基于深度學習的場景分類算法。使用深度學習提取場景圖像的代表性特征，結(jié)合交叉驗證的思想對訓練集進行分離重組，并以此訓練多個SVM分類器，然后通過設(shè)計投票機制，訓練多級SVM分類器對輸入場景進行預測。實驗表明，該方法具有很高的分類精度。
　　給出了一種基于SIFT-Flow的異常場景圖像檢測算法。在給定的場景中，可能出現(xiàn)的物體的范圍存在一定的界限。當場景中出現(xiàn)正常范圍之外的物體時，便定義場景中發(fā)生了異常。為了更

3、加有效地檢測場景中的物體，本文提出利用改進后的SIFT-Flow算法對圖像的局部特征進行描述。通過利用已標注的圖像對SVM分類器進行訓練，最終實現(xiàn)對輸入場景圖片的異常檢測。實驗表明，SIFT-Flow算法不僅能實現(xiàn)對相近場景的分類預測，還可以有效地識別異常場景，而且具有很高的識別率。
　　應用Selective Search算法對場景中的異常區(qū)域進行分割。通過對場景中的感興趣區(qū)域進行分割，利用各窗口的特征訓練異常檢測分類器，最終實