论文部分内容阅读
图像中目标识别的研究至今已有五十多年的历史。2012年及之前,目标识别多使用手工特征加分类器的方法。2012年以后,端到端训练的CNN(Convolutional Neural Networks)模型,成为研究热点。鉴于深度学习的高精度,此时一部分学者在尝试使用单一深度学习特征在各方面取代传统特征。考虑到单模型的泛化性能以及深度学习本身的可解释性差的特点,另有一部分学者也在探索各种融合算法。目前在学术界比较公认的融合算法按层次划分为:数据级、特征级和决策级融合。数据级融合方案多用在多传感器信息融合中;早期的研究由于计算机计算能力的限制,主要关注于决策级融合;近年来,随着计算能力的提升,特征级融合成为研究热点,而目前仍多在探索传统特征间融合算法,而随着CNN的发展,融合多种传统特征以及融合传统和深度学习特征是一个值得研究的方向。本文研究了三种特征融合方式:(1)传统特征间的特征融合。在五种较典型的特征:颜色直方图、LBP(Local Binary Pattern)统计直方图、HOG(Histogram of Oriented Gradient)特征、Gabor响应均值、基于稠密 SIFT(scale-invariant feature transform)的 BoW(Bag of words),中选择不同的组合串行连接,之后连接一个神经网络。(2)传统特征直接和深度学习特征融合。选用五种较典型的传统特征:颜色直方图、LBP统计直方图、HOG特征、Gabor响应均值、基于稠密SIFT的BoW,以及训练好的CNN抽取的特征进行直接串行连接,然后送入神经网络中。(3)传统特征间接和深度学习特征融合。选用四种较典型的特征:Canny边缘特征、LBP纹理特征、Gabor纹理特征、稠密SIFT点特征。将传统特征以不同方式间接与深度学习特征融合。融合结果在Cifar10标准数据集上进行测试分析。其中传统特征间融合结果相较单一传统特征效果更优,但仍低于单一深度学习特征的识别精度;传统特征直接和深度学习特征融合以及传统特征间接和深度学习特征融合相较于单一深度学习特征也取得一定提升。改进传统 SPM(Spatial Pyramid Matching)算法。使用 SLIC(simple linear iterative cluster)算法改进基于稠密SIFT的SPM模型。使得识别精度取得一定提升。最后,采集建立颐和园数据集,并以此数据集训练模型,在安卓平台实现基于图像识别算法的景点导游接口。