基于局部特征的圖像分類研究.pdf

1、基于內(nèi)容的圖像分類是指根據(jù)圖像中所包含的信息判定圖像屬于哪個(gè)類別，這個(gè)問題一直是模式識別領(lǐng)域的研究重點(diǎn)，對視頻跟蹤和目標(biāo)識別有著非常重要的意義。許多的研究人員針對該問題提出了很多方法，目前比較通用的方法是基于局部特征的圖像分類方法?；诰植刻卣鞯姆椒ㄖ兄饕蠦OW方法及其推廣方法，BOW方法簡單易理解，并且其分類效果比較好。BOW方法包括特征提取、碼本訓(xùn)練、特征編碼和分類器訓(xùn)練等主要四個(gè)步驟。本文主要針對特征提取、碼本訓(xùn)練和編碼方法進(jìn)行

2、研究。
　?。?）首先，提出了一種基于Gist信息檢測的特征提取方法，相比于傳統(tǒng)的基于興趣點(diǎn)采樣和密集采樣的方法，本文提出的方法更加具有針對性。通過信息檢測，可以大概地確定目標(biāo)區(qū)域，因此可以在目標(biāo)區(qū)域中進(jìn)行更加密集的采樣，而在背景區(qū)域進(jìn)行比較稀疏的采樣，這樣獲得的特征中就會(huì)有更多特征來自目標(biāo)區(qū)域，訓(xùn)練的碼本區(qū)分性也更強(qiáng)。在數(shù)據(jù)庫Caltech-101和Caltech-256上的實(shí)驗(yàn)表明，改進(jìn)之后的方法在分類效果上要比原始的方法效果

3、好1％左右。
　?。?）其次，提出了一種稀疏化的Fisher核編碼方法，通過對原始的Fisher核編碼的研究發(fā)現(xiàn)，相比與BOW方法來說，F(xiàn)isher核方法在分類準(zhǔn)確率上有其優(yōu)勢，但是在計(jì)算復(fù)雜度上要比 BOW方法復(fù)雜得多，這也限制了Fisher核方法的使用，為了降低Fisher核方法的計(jì)算復(fù)雜度，本文提出了k近鄰的編碼方式，對流形結(jié)構(gòu)而言，在k近鄰區(qū)域，可以使用歐氏距離來近似測地距離，在數(shù)據(jù)庫 PASCAL VOC2007上的實(shí)驗(yàn)

4、證明，改進(jìn)后的Fisher-KNN的方法要比原始的Fisher核方法復(fù)雜度降低很多，而且分類精度保持不變，這樣就使得 Fisher核方法不但在分類精度上優(yōu)于BOW方法，而且在計(jì)算復(fù)雜度上也低于BOW方法。
　?。?）最后，提出了一種多核多特征的聯(lián)合方法，在對Fisher核方法的研究過程中發(fā)現(xiàn)，F(xiàn)isher核方法獲得的編碼具有很高的信息冗余度。為了充分利用局部特征的區(qū)分性信息，本文提出將 SPM方法和Fisher核方法獲得的編碼使用