基于深度學習的圖像目標識別研究.pdf

1、圖像目標識別是圖像理解和計算機視覺領(lǐng)域的重要研究內(nèi)容，以其廣泛的應用需求，受到學者們的廣泛關(guān)注。近年來，受到人類視覺系統(tǒng)研究的啟示，人們提出了深度學習技術(shù)，并迅速成為熱點。深度學習模型具有多層網(wǎng)絡(luò)結(jié)構(gòu)，可以有限克服傳統(tǒng)圖像目標識別方法存在的缺點，但是由于深度學習所學習出的特征是純數(shù)據(jù)特征，不具有物理意義，所以深度學習普遍具有模型抽象，難以理解的特點。HMAX模型是一種四層次深度網(wǎng)絡(luò)，可以實現(xiàn)對特定類的分類。它的結(jié)構(gòu)與卷積神經(jīng)網(wǎng)絡(luò)相同，又

2、因為Gabor函數(shù)的特性和人類視覺神經(jīng)元細胞的感受野相似，所以被認為是一種加入了人類視覺系統(tǒng)先驗信息的深度學習方法。本文主要研究深度學習技術(shù)，并具體對深度學習的HMAX模型進行研究改進。
　　論文的主要工作和研究成果有：
　　1、針對HMAX模型存在的生成卷積層耗時問題，研究了Gabor濾波器的方向特性，并提出了基于切向方向場的卷積層稀疏化方法。Gabor函數(shù)是具有方向選擇性的，當圖像邊緣的切線方向與濾波器朝向平行時，濾波器

3、將輸出最大響應?；诖耍诋a(chǎn)生卷積層時，使濾波器只與切線方向與其朝向相同的像素濾波。實驗證明，這樣的操作在產(chǎn)生采樣層時并不會丟失圖像信息，而且能事半功倍。
　　2、針對HMAX模型存在的采樣層特征塊冗余情況明顯問題，研究了點特征提取技術(shù)，并提出了一種基于梯度場的可去冗余的SIFT特征點提取方法。HMAX模型的采樣層特征塊提取問題可以歸結(jié)為特征點提取問題。根據(jù)SIFT偽特征點的特性，本文基于梯度場生成了一種周邊掩膜，旨在剔除這些偽特

4、征點。實驗證明，該法提取得到的特征點更多的處在目標區(qū)域中，冗余比較小。
　　3、針對HMAX模型輸出特征矢量龐大的問題，研究了特征選擇技術(shù)，并提出了一種基于Relief算法和SVM-RFE算法的特征選擇新算法。其中，Relief算法和SVM-RFE算法是特征選擇算法中常用的兩種方法，算法的目的是為了能消去原有特征矢量中可能存在的冗余特征、不相關(guān)特征和噪聲特征。實驗證明，新算法有助于提高分類器的準確率，且比Relief算法和SVM-