不變性子空間識別方法研究.pdf

1、計算機視覺系統(tǒng)的目標是解釋已有的“視覺”數(shù)據(jù)，并使用這些解釋去完成任務。出于機器人工件抓取任務、自動導航、自動檢測、裝配任務與醫(yī)學圖像的分析等等大量現(xiàn)實應用的需要，如今目標識別已成為一個很活躍的研究領域。現(xiàn)有的很多目標識別方法主要是基于模板匹配和幾何形狀特征點提取分類等方法，這些識別方法存在很多缺點。比如基于圖像匹配的方法直接比較兩幅圖像相應象素灰度級之間相似性的總和，這種方法并不具備方向、尺度、幾何畸變等不變性，這就需要目標圖像和樣本

2、圖像之間的相關性很強。采用合適的目標識別方法來盡量克服目標和背景產(chǎn)生的畸變，這是目標識別領域的一個難點所在。特征抽取是模式識別中的關鍵問題之一。原始特征的數(shù)量可能很大，樣本可能是處于一個高維空間中，通過映射或變換等方法可以用低維空間來表示樣本。我們的目的就是為了能夠在低維空間中更好地進行分類識別。本文主要研究在目標和背景在發(fā)生姿態(tài)變化﹑噪聲干擾﹑部分遮擋﹑光照變化等不同畸變情況下，盡可能地從目標樣本中抽取有益于識別的信息特征，提高分類識

3、別率同時加快識別速度。本文首先深入研究了特征空間的原理，并對識別過程中的特征表達和相似性度量這兩個關鍵步驟做了深入的研究工作和實驗，實現(xiàn)了基于特征空間的目標識別系統(tǒng)，其中采用了幾種有效的改進方法，有效地解決了識別過程中存在的諸如光照以及3D目標姿態(tài)估計等問題，提高了識別的魯棒性。完成子空間目標識別算法以后，為了有效地抽取模式的分類信息，繼續(xù)研究了基于Fisher鑒別準則的線性鑒別分析方法。Fisher最佳鑒別矢量方法的基本思想是將原來高

4、維的模式樣本投影到最佳鑒別矢量空間中以達到減少特征空間維數(shù)的目的。投影后的模式樣本在新的子空間中有最大的類間距離和最小的類內(nèi)距離，即模式在該空間中有最佳的可分離性。對于高維模式識別問題，原來的Fisher鑒別準則具有一定的缺陷，會經(jīng)常碰到“維數(shù)災難”的問題。最后，本文討論了基于流形學習的局部線性嵌入方法，它是針對非線性數(shù)據(jù)的一種新的降維技術，它不僅可以對數(shù)據(jù)降維，并且能夠使降維后的數(shù)據(jù)保持原有的拓撲結(jié)構(gòu)。LLE作為一種新的降維方法，既有