多特征融合的場景分類方法研究.pdf

1、由于多媒體技術(shù)和互聯(lián)網(wǎng)網(wǎng)絡(luò)技術(shù)的快速發(fā)展，產(chǎn)生大量數(shù)字圖像。依靠傳統(tǒng)人工方法進行分類，及其繁瑣且耗時。針對這一現(xiàn)象，智能圖像分類成為一個研究熱點。目前，研究人員已經(jīng)提出很多圖像場景分類算法。由于圖像中包含的各種物體信息非常豐富，彼此之間的空間分布錯綜復雜，基于單一特征的描述方法不能完全描述圖像的信息。針對單一特征描述的不足，本文提出了基于多特征融合的圖像場景分類算法。
　　本文首先分析了圖像場景分類的研究背景、國內(nèi)外研究現(xiàn)狀及相關(guān)

2、應用。接著介紹了本文用到的模型和技術(shù)，包括概率潛在語義分析(PLSA)、局部約束線性編碼(LLC)和支持向量機(SVM)的工作原理。接著在已有的模型和算法上加入多種底層融合特征，進行場景分類實驗，并對結(jié)果進行分析和對比。主要研究內(nèi)容如下:
　　一方面，提出了一種基于PLSA的多特征融合圖像場景分類方法。該方法分別提取圖像的LBP特征和SIFT特征，兩者組合起來描述圖像場景能夠提供更豐富的信息，特征之間能夠達到優(yōu)勢互補。將兩種特征使

3、用詞袋模型進行量化，生成對應特征的詞袋表示。然后將兩種特征的詞袋表示直接連接，得到圖像的詞袋表示。再將圖像的詞袋表示結(jié)合PLSA模型來學習，得到圖像集的視覺主題分布和潛在主題分布。最后將圖像的潛在主題分布結(jié)合SVM分類器進行分類判別，得到最終的實驗結(jié)果。實驗部分，首先最優(yōu)化PLSA模型的參數(shù)，然后將該算法與單一特征場景分類算法以及其它場景分類算法做對比，實驗結(jié)果表明該算法提高了分類準確率，驗證了基于PLSA模型的多特征融合框架的可行性。

4、
　　另一方面，提出一種基于稀疏編碼的多特征融合場景分類方法，有效緩解了單一特征在描述圖像特征時的局限性。該方法首先分別提取圖像的GIST特征、SIFT特征和PHOG特征，然后使用局部約束線性編碼的方法對SIFT特征進行稀疏編碼，得到SIFT特征的稀疏向量表示。接著將SIFT特征稀疏向量表示、GIST特征和PHOG特征進行串聯(lián)融合，得到圖像的特征表示。然后將圖像的特征向量表示結(jié)合多類線性SVM分類器進行分類，得到最后的分類結(jié)果。<