基于多特征融合的軍裝圖片識別技術研究.pdf

1、隨著信息社會的不斷發(fā)展,軍人接觸互聯網的機會已大大增加,軍人在網絡上的活動日益頻繁。部分現役和退伍軍人喜歡在一些網絡論壇和社交網站(如QQ,人人網等)中上傳自己的軍裝照片,這為軍隊的保密工作和形象維護帶來了新的挑戰(zhàn)。為此,我軍出臺了一系列規(guī)定規(guī)范軍人在互聯網上的行為。為了加強對軍人網絡違規(guī)行為的檢測,本文圍繞網絡空間中的軍裝圖片識別問題進行研究并提出一種基于多特征融合的軍裝圖片識別方法,通過對軍裝圖片的識別可以有效檢測軍人上網行為。該方

2、法首先提取人體圖像上部區(qū)域的顏色、紋理和局部特征,然后利用多核學習方法對多特征進行融合并分類。
　　本文主要工作如下:
　　(1)提出了基于稀疏SIFT和稠密SIFT描述子的混合SIFT-BOW特征表達方式。將一幅圖像中的局部顯著區(qū)域作為前景區(qū)域用稀疏SIFT描述,其余區(qū)域作為背景區(qū)域用稠密SIFT描述。在生成BOW特征時將稀疏SIFT作為主描述子,將稠密SIFT作為輔助描述子進行加權融合得到混合SIFT-BOW特征。混合S

3、IFT-BOW特征表達方法結合了稀疏SIFT描述局部顯著區(qū)域的優(yōu)點和稠密SIFT描述平滑一致區(qū)域的優(yōu)點,能夠更準確地表達軍裝圖像局部特征。
　　(2)提出了一種改進的BOW模型ESWM-BOW來提取軍裝圖片的局部區(qū)域特征,該模型基于一種新的視覺單詞加權方法——熵空間加權圖 ESWM(Entropy Spatial Weight Map)?？臻g加權圖SWM根據視覺單詞在圖像中不同局部區(qū)域出現的頻率計算而得。由于每個視覺單詞在不同圖片

4、類中出現的概率可能不同,根據信息理論可以用熵來描述視覺單詞的這種分類信息。因而在計算視覺單詞權重分布時除了考慮該視覺單詞在局部區(qū)域出現的概率大小外,再融入視覺單詞在該區(qū)域的分類信息,得到熵空間加權圖ESWM,ESWM可以進一步提升視覺單詞的區(qū)分能力。
　　(3)利用多核學習方法對多特征進行融合,提升軍裝圖片分類器性能。首先為每種特征選擇最適合的核函數,然后通過多核學習優(yōu)化各核函數權重。與單一核函數的支持向量機相比,基于多核學習的支