支持向量機算法研究及其在目標(biāo)檢測中的應(yīng)用.pdf

1、機器學(xué)習(xí)(ME)是計算機科學(xué)的一項重要分支。 ArthurSamuel將其定義為無需精確編程而能夠具有學(xué)習(xí)能力的機器，也就是機器學(xué)習(xí)在一定程度上賦予了計算機一種“思考”能力。機器學(xué)習(xí)與計算統(tǒng)計學(xué)、數(shù)學(xué)優(yōu)化和數(shù)據(jù)挖掘有著密切的關(guān)系，但也有一定的差異。根據(jù)學(xué)習(xí)過程中是否有反饋信息，機器學(xué)習(xí)可以分為監(jiān)督式學(xué)習(xí)、無監(jiān)督式學(xué)習(xí)和增強學(xué)習(xí)三大類。支持向量機(SVM)是一種監(jiān)督式學(xué)習(xí)算法，可以用于解決分類、回歸問題等。支持向量機是通過在特征空間構(gòu)建超

2、平面對分類或回歸問題進行處理，通過核技巧將線性模型擴展到非線性情況。支持向量機是機器學(xué)習(xí)領(lǐng)域最優(yōu)秀的算法之一，可以用于解決實際應(yīng)用中的許多問題。支持向量機在文本和超文本分類、圖像分類、手寫識別、生物識別等多個方面取得廣泛的應(yīng)用。
　　本研究提出使用粒子群算法和人工蜂群算法對支持向量機參數(shù)的選擇進行優(yōu)化。相比其他SVM參數(shù)選擇方法，由于群智能優(yōu)化算法具有不要求參數(shù)連續(xù)、能夠跳出局部極值等優(yōu)點，因而基于群智能優(yōu)化算法參數(shù)選擇的SVM模

3、型能夠表現(xiàn)出更好的泛化性能。十幾年前，使用機器對圖像或視頻中的目標(biāo)識別和目標(biāo)檢索還是一件不可能實現(xiàn)的任務(wù)。但是隨著近年來互聯(lián)網(wǎng)的普及，越來越多的圖像出現(xiàn)在互聯(lián)網(wǎng)上，海量的圖像數(shù)據(jù)使得人工圖像處理和識別變得越來越不可能實現(xiàn)。研究人員一直致力于計算機視覺技術(shù)的研究，使得機器能夠代替人工完成對圖像的識別、分類、檢索等任務(wù)。支持向量機算法在處理圖像識別、分類、檢索等多種計算機視覺方面的任務(wù)上表現(xiàn)出優(yōu)異的性能。E-SVM(Exemplar-SVM

4、)是近期提出的一種使用單一正樣本與一個負(fù)樣本集訓(xùn)練出的線性SVM模型。該算法已經(jīng)在目標(biāo)檢測、基于內(nèi)容的圖像檢索(CBIR)等領(lǐng)域取得了很好的應(yīng)用。該算法針對每一個正樣本訓(xùn)練一個相應(yīng)的線性SVM分類器，最終得到一個單樣本線性SVM模型的集合。在PASCAL VOC2007目標(biāo)識別數(shù)據(jù)集的測試表明，E-SVM方法能夠取得與當(dāng)前最優(yōu)的目標(biāo)檢測算法LDPM相匹敵的識別率。由于E-SVM模型是對每一個樣本進行訓(xùn)練最后得到多個特異性較強的檢測器，本