第五章--光电信息处理技术知识----目标识别技术知识.ppt

;目标识别技术;背景 研究对象 实现原理方案 复杂背景下的识别 实验;1 背景;基本原理;2 研究对象;光电联合变换相关;单臂光电联合变换相关;3实现方案; ;光电联合变换相关识别的原理框图 ;;;4 目标在复杂背景下的识别 ———功率谱优化技术;;经典联合变换相关器的缺点;优化算法 ;优化前后比较;4.1功率谱优化技术;;;4.2去零级像与对数滤波;（a）SDF优化前;尺寸畸变识别优化;（b）SDF优化后;复杂背景优化;（a）SDF优化前;相似目标优化;（a）SDF优化前;5 单臂光电联合变换系统;5.1实验结果与分析 ;黑栅效应;相关、匹配识别举例;基本概念原理 模式识别系统构成 模式识别方法 模式识别的应用 ;1、 模式识别概念人类认识事物;具有某些属性的实体的集合;模式识别(Pattern Recognition)：确定一个样本的类别属性（模式类）的过程，即把某一样本归属于多个类型中的某个类型。;美国邮政数字识别数据库(USPS)： 7300个训练样本，2000个测试样本，16X16图像;模式识别可以看成是从模式向类别所作的映射 ;对象空间;为什么研究它？;1929年 G. Tauschek发明阅读机 ，能够阅读0-9的数字。 30年代 Fisher提出统计分类理论，奠定了统计模式识别的基础。 50年代 Noam Chemsky 提出形式语言理论——傅京荪 提出句法结构模式识别。 60年代 L.A.Zadeh提出了模糊集理论，模糊模式识别方法得以发展和应用。 80年代以Hopfield网、BP网为代表的神经网络模型导致人工神经元网络复活，并在模式识别得到较广泛的应用。 90年代小样本学习理论，支持向量机也受到了很大的重视。 ;2 模式识别系统;模式识别关注的内容;基本问题-分类;相似与分类： 相似与分类问题远不像集合表达那样简单明确。 用各种距离表示相似性： 已知两个样本 xi=(xi1, xi2 , xi3,…,xin)T xj=(xj1, xj2 , xj3,…,xjn)T ;② 欧几里德距离 ;模式类的紧致性;3 模式识别的方法;模版匹配;模板与原图;匹配结果;统计方法;句法方法;神经网络;统计模式识别基本原理;统计模式识别基本方法;Fisher方法;误差纠正规则：梯度下降法;统计分类器;;Ⅲ ;识别过程 举例;特征提取和选择：对单个鱼的信息进行特征选择，从而通过测量某些特征来减少信息量 长度 亮度 宽度 鱼翅的数量和形状 嘴的位置，等等 … 分类决策：把特征送入决策分类器;识别过程 ; ;; ;存在问题;人工神经网络用于模式识别;; BP神经网络是最基本的也是应用最广泛的神经网络; Rumelhart Hinton和Williams于1986年发表文章，提出了误差逆向传播神经网络，也称BP神经网络。;BP学习算法;一个三层、三输入、一输出bp网络的例子：;;;通过例子可知，BP神经网络的关键是寻找这么一个函数;;;;改变f （误差）之后，网络学习能力增强！;;与;BP算法的基本流程;神经网络在目标识别中做分类器;目的：在智能交通管理方面的应用——车型的识别。 步骤： （1）汽车图像的获得以及预处理方面，主要涉及汽车图像的自动摄取，图像去噪及增强，边缘检测等。 （2）汽车的特征提取，采用填充图像、不同形状区域标注、直线检测等方法，以提取更有效、明显的特征。 （3）神经网络分类器的设计。基于神经网络并行分类的特点有效的处理汽车的不同特征以完成识别。采用BP网络。;（一）目标图像的获取及预处理 ;图像的分割;图像分割 方法 图像阈值的图像减影技术 ;;图像的平滑（去噪） ;;（二） 特征提取;实际目标轮廓并不容易计算，通常是计算物体二值化后在水平和垂直两个方向的跨度。;2 形心、质心（重心、矩心）;3 形状分析;　　图像几何特征的提取;*;*;4. 不变矩;∫ ∫ f(x,y) dxdy 是该物体的面积。;不变矩;高阶矩;中心矩的计算;七个尺度、位移和旋转不变的矩度量：由归一化的二阶和三阶中心矩得到;不变矩计算实例;应用时将所选不变矩作为一组特征;车牌识别;４　神经网络与目标图像识别;(2)对图像进行分割;;对图像进行二值化及腐蚀进一步去背景干扰： ;BP神经网络识别;奥迪A4的7个不变矩：;识别结果;4 模式识别应用;生物特征识别;遥感图像地表分类;医学图像分析;车牌识别;信函分拣;作业：;回顾;目标检测;;光电联合变换相关;3实现方案;