基于物體檢測的場景分類方法研究.pdf

1、隨著網(wǎng)絡和計算機技術的飛速發(fā)展,數(shù)字圖像在人們的日常生活中占據(jù)著越來越重要的地位,如何高效地分類管理這些數(shù)字圖像就變得非常有意義。傳統(tǒng)的場景分類方法大多使用低層的圖像特征,如顏色、紋理等。對于各種視覺識別任務,如目標識別和場景分類,這些魯棒性的低層圖像特征已經(jīng)被證明是有效的圖像表征。但是這些低層的圖像特征幾乎不包含語義信息,因此對于高層的視覺任務低層的圖像表征就顯得不是很充分。一種叫做目標庫(ObjectBank,OB)的高層圖像表征包

2、含了高層的語義信息,使其更適合高層的視覺識別任務。本文在研究OB方法的基礎上,針對其一些缺陷進行了相應的改進。
　　首先,針對OB方法使用了過高維數(shù)的特征向量這一缺點,提出了一種基于Fisher權重的改進方法。高維特征向量的使用大大影響OB方法的分類效率,而使用低維特征向量又會降低其分類的準確率。Fisher權重的改進方法對沒有經(jīng)過空間金字塔處理的OB方法中的低維特征向量加以Fisher權重,使得新得到的特征向量具有極大化類間數(shù)據(jù)

3、差異并且極小化類內(nèi)數(shù)據(jù)差異的性質。從而使其在提高分類準確率的同時,大大提高了分類的效率。
　　其次,針對OB方法對不同物體對于分類的貢獻作相同對待的缺點,提出了一種基于類內(nèi)類間散布權重的改進方法。不同物體對于分類的貢獻程度是不盡相同的,類內(nèi)散布小類間散布大的物體更有利于分類,應該給予較大的權重;反之,則給予較小的權重。結果表明,本文提出的方法有效地提高了分類的性能。
　　再次,提出一種基于高維空間坐標的高層圖像表征方法。該方

4、法首先利用K-means聚類算法計算得到不同類別的聚類中心,然后分別計算特征向量與不同聚類中心之間的距離,最后用這些距離替換原來的特征向量來表征圖像。新得到的特征向量更直接的表征了其與各個類別之間的關系,從而更有利于分類。實驗結果說明,該方法提高了分類的性能。
　　最后,提出一種基于O2C距離的高層圖像表征方法。與基于高維空間坐標的高層圖像表征方法相比,該方法選取特征向量與不同聚類中心之間的距離的最小值作為O2C距離來表征圖像,大