支持向量機(jī)在嵌入式圖像識(shí)別中的研究.pdf

1、傳統(tǒng)圖像識(shí)別技術(shù)主要是利用數(shù)字圖像處理技術(shù)和統(tǒng)計(jì)學(xué)原理，提取圖像的特征，利用分類器對圖像進(jìn)行識(shí)別，算法計(jì)算量大，識(shí)別效果易受圖像質(zhì)量的影響。近年來發(fā)展起來的人工神經(jīng)網(wǎng)絡(luò)雖然在圖像識(shí)別方面有很多優(yōu)勢（如并行處理），但是由于其自身的缺陷（局部極小值、過學(xué)習(xí)和欠學(xué)習(xí)等）限制了其應(yīng)用。和神經(jīng)網(wǎng)絡(luò)、決策樹不同，本文采用支持向量機(jī)（Support Vector Machine，SVM）對數(shù)字圖像進(jìn)行識(shí)別，它是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化，具有更堅(jiān)實(shí)的理論基礎(chǔ)

2、、更強(qiáng)的泛化能力，性能也更加優(yōu)異。
　　隨著集成電子技術(shù)的發(fā)展，嵌入式系統(tǒng)逐漸向低功耗、小體積、高性能方向發(fā)展，圖像識(shí)別技術(shù)在各種嵌入式系統(tǒng)的使用越來越廣泛。當(dāng)在嵌入式系統(tǒng)中用支持向量機(jī)進(jìn)行圖像識(shí)別時(shí)，由于SVM在訓(xùn)練過程中需要消耗較大的存儲(chǔ)資源，特別是在訓(xùn)練樣本數(shù)量較多時(shí)，其訓(xùn)練速度往往成為實(shí)際應(yīng)用的瓶頸，這在一定程度上制約了該算法的推廣和應(yīng)用。另外支持向量機(jī)訓(xùn)練和分類的過程涉及到大量的浮點(diǎn)數(shù)運(yùn)算，程序執(zhí)行時(shí)間長，無法滿足系統(tǒng)的

3、實(shí)時(shí)性要求，必須對其加以改進(jìn)。
　　本文采用的嵌入式系統(tǒng)是三星公司的S3C2440，采用離線訓(xùn)練的SVM參數(shù)，即在PC機(jī)上用浮點(diǎn)運(yùn)算訓(xùn)練好支持向量機(jī)，然后在嵌入式系統(tǒng)上將浮點(diǎn)運(yùn)算轉(zhuǎn)化為定點(diǎn)整數(shù)運(yùn)算，降低了運(yùn)算的復(fù)雜性，提高了運(yùn)算速度，以一定的精度損失帶來訓(xùn)練過程數(shù)據(jù)計(jì)算的快捷性。另外采用整型參數(shù)對支持向量機(jī)進(jìn)行訓(xùn)練，由于本文所用到的支持向量機(jī)的輸入向量是數(shù)字圖像的像素值，因此不必對訓(xùn)練樣本進(jìn)行整型化處理，只需對標(biāo)準(zhǔn)SVM算法中的拉