基于主成分分析的多傳感器目標(biāo)識別技術(shù)研究.pdf

1、目標(biāo)識別是一個(gè)綜合了圖像處理、機(jī)器學(xué)習(xí)和模式識別等領(lǐng)域的課題，是近幾年的一個(gè)研究熱點(diǎn)。本文主要是對基于主成分分析的多傳感器目標(biāo)識別技術(shù)進(jìn)行研究，為了提高多傳感器的目標(biāo)識別率，提出了一種基于LBP-PCA的多傳感器目標(biāo)識別算法。主要研究內(nèi)容如下：
　　首先，本文對目標(biāo)識別中的圖像預(yù)處理以及圖像描述進(jìn)行了研究。圖像預(yù)處理相關(guān)方法中重點(diǎn)研究了圖像濾波、增強(qiáng)以及分割等相關(guān)環(huán)節(jié)。在圖像濾波及增強(qiáng)環(huán)節(jié)中本文選擇的是中值濾波和直方圖均值化算法，

2、并用實(shí)驗(yàn)檢驗(yàn)了這兩種算法對本文采集到的圖像的適用性；圖像分割環(huán)節(jié)主要包括一階微分算子以及閾值分割算法，本文對多種分割算法進(jìn)行分析和研究，通過實(shí)驗(yàn)效果的比較選取 Otsu閾值分割作為本文的分割算法。圖像描述部分主要研究了各種特征提取算法，并分析了各種算法的優(yōu)缺點(diǎn)，其中主要包括了圖像的顏色、形狀、紋理等特征提取方法。其中，對本文研究的LBP紋理特征進(jìn)行了簡要說明，具體研究過程放在后面的章節(jié)。對本文后續(xù)對比實(shí)驗(yàn)用到的SIFT描述子進(jìn)行研究，證

3、明其適用于本文提出的算法，能夠有效的進(jìn)行特征描述。
　　其次，本文選取支持向量機(jī)用于決策判斷。比較了幾種分類器的優(yōu)缺點(diǎn)。主要研究了支持向量機(jī)的分類原理，包括線性可分支持向量機(jī)、線性不可分支持向量機(jī)、非線性支持向量機(jī)及其核函數(shù)的選擇和支持向量機(jī)的應(yīng)用與拓展。
　　再次，對基于主成分分析的異類傳感器融合算法進(jìn)行研究。分析了三種融合方式，對三種融合方式的優(yōu)缺點(diǎn)進(jìn)行比較并結(jié)合本文算法的要求，選取出特征級信息融合方式。在傳感器類型的選

4、擇上，結(jié)合實(shí)際情況以及對各種傳感器的適用范圍選取紅外傳感器和可見光傳感器作為本文研究對象。重點(diǎn)對提出的主成分分析融合算法的各個(gè)方面進(jìn)行研究，主要包括PCA的定義、基本原理以及推導(dǎo)過程。并且通過與傳統(tǒng)串聯(lián)法以及單一傳感器的目標(biāo)識別實(shí)驗(yàn)進(jìn)行對比，可以驗(yàn)證出PCA算法可以有效地降低特征向量的維度，減少運(yùn)算量的同時(shí)保留原始數(shù)據(jù)的主要信息。
　　最后，本文提出了一種基于LBP-PCA的多傳感器目標(biāo)識別算法，并進(jìn)行了實(shí)驗(yàn)驗(yàn)證，首先將紅外以及可

5、見光圖像分別通過相應(yīng)的預(yù)處理算法從圖像中提取出目標(biāo)，然后提取目標(biāo)的LBP特征點(diǎn)向量，再利用PCA算法降低提取出的LBP特征向量的維數(shù)從而得出融合后的特征向量，最后利用SVM進(jìn)行識別與分類用以獲取識別率。實(shí)驗(yàn)仿真結(jié)果表明LBP特征提取方法具有良好的旋轉(zhuǎn)不變性和灰度不變性，同時(shí)主成分分析可以從一個(gè)高維空間中的提取主要的特征，利用LBP-PCA多傳感器目標(biāo)識別算法可以克服傳統(tǒng)圖像融合中數(shù)據(jù)過大、運(yùn)行時(shí)間過長等問題，在實(shí)現(xiàn)實(shí)時(shí)檢測的同時(shí)提高了目