基于單層稀疏自編碼和支持向量機的場景分類.pdf

1、隨著“全民造圖”時代的到來，使得讓計算機自動給圖像進行標注成為越來越迫切的需求，作為圖像分類的重要研究內容，場景分類識別得到了廣泛關注，是目前計算機視覺領域的研究熱點和難點。場景分類在許多方面有著重要應用，比如基于內容的圖像檢索、目標識別、智能視頻監(jiān)控系統(tǒng)、數(shù)碼沖印、移動機器人等。經過幾十年的發(fā)展，研究者們在場景分類問題上取得了令人鼓舞的成果，但由于場景分類問題較大的類內差異性和較小的類間距離，使得其仍是一個極具挑戰(zhàn)性的研究課題。

2、>　　本文針對場景分類識別問題，重點研究了提取場景圖像的充分有效特征、場景圖像表示的降維方法和分類器的參數(shù)優(yōu)化算法，本文的主要工作主要有：
　　首先，研究了提取場景圖像的充分有效特征的方法。首先分析了場景圖像分類的難點所在，在此基礎上，總結了現(xiàn)有的場景分類方法，分析了各類場景分類方法的優(yōu)缺點，進一步分析了目前場景分類正確率遇到瓶頸的原因。突破傳統(tǒng)的基于人工設計特征的思路，本文使用單層SAE網絡在不使用先驗知識的情況下提取場景圖像的

3、充分有效特征。隨機從場景圖像中獲取大量圖像塊，進行預處理操作之后的圖像塊對單層SAE網絡進行訓練，確定SAE模型的結構和參數(shù)。將圖像卷積特征提取引入到了場景圖像表示的過程，通過圖像卷積構造局部連接的單層SAE網絡完成圖像表示。與現(xiàn)有的特征提取方法相比，SAE模型不需要構建“碼書”，以相對較小的計算量為分類器提供充分有效特征。
　　其次，對場景圖像表示的降維方法進行了研究。由SAE網絡得到的圖像表示維數(shù)十分龐大，將會導致分類器產生過

4、擬合問題。本文提出一種基于均值池化操作的圖像表示降維方法，將圖像表示從高維空間映射到低維空間的同時實現(xiàn)去噪。均值池化本質上是一種均值濾波技術，能有效降維和去噪，得到場景圖像的特征向量。
　　再次，對多分類SVM分類器的參數(shù)優(yōu)化方法進行了研究。重點研究了基于PSO的SVM參數(shù)優(yōu)化方法，引入PCA算法，提取特征向量的主要信息，使特征向量進一步降維，提高SVM參數(shù)優(yōu)化過程的效率。
　　最后，對本文的場景分類方法在有關數(shù)據(jù)庫上進行仿