对目标识别的一些算法的.pptVIP

优点： (1)图像数据、初始估计、目标轮廓以及基于知识的约束统一于一个特征提取过程中； （2）经适当初始化后，它能自主地收敛于能量极小值状态。 （3）尺度空间中由粗到精的极小化能量可以极大地扩展捕获区域和降低计算复杂性。 缺陷： （1）对初始位置敏感，需要依赖其他机制将蛇放置到感兴趣的图像特征附近； （2）由于蛇模型的非凸性，它有可能收敛到局部极值点，甚至发散。 （3）无法收敛到轮廓的深度凹陷部分。 （4）不具备自动拓扑变换能力。 对蛇模型的改进： Balloon模型 GVF蛇模型 基于动态规划的蛇模型 具有拓扑变化的蛇模型 这些模型都是对基本蛇模型某一方面缺陷作出的一些改进，仍未从根本上解决蛇模型存在的困难 对一段目标跟踪视频算法的思考 对鼠标圈定的任何物体的跟踪是如何实现的？ 我感觉是不是可以充分利用视频的连续性去实现 视频和图片的最大不同是一个是连续的，一个是静止的。 即视频一秒有许多帧，这一帧和下一帧的变化会非常小，可以利用被鼠标圈定的部分作为模板去匹配下一帧图像，然后把下一帧识别出来的图像作为新的模板去匹配再下一帧的图像。 不断进行远近、旋转变化的过程可能是让系统不断学习新的图像的过程。 圈定的目标消失后，再次出现如何识别？ 学习的方法：可能是神经网络将所有模板存储提取相应特征，然后不断的学习；也可能是直接利用所有的模板全图扫描（可能性不大）。使得当目标再次出现能够识别跟踪。 视频让我很好奇，所以看完视频后产生了一点小想法，希望老师同学多多批评指正。 对目标识别的一些算法的 学习与思考 对BP人工神经网络的详细介绍 对蛇模型的简要介绍 对一个目标跟踪视频的思考 人工神经网络 人工神经网络简介：人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。 人工神经网络是目标识别的重要方法 神经网络有上百种，世界各地专许多专家、教授都在研究，但目前神经网络发展依然是初级阶段 BP神经网络是最基本的也是应用最广泛的神经网络 一个三层、三输入、一输出bp网络的例子： 颜色 纹理 形状 2 1 3 1 颜色2 代表：肉色 纹理1代表：皮肤纹理 形状3代表： 椭圆形 输出1代表：人脸 物体类别 理想状态 如果第一次输入 3 2 1 4 如何使系统自动从4调节到1？ 4代表猴子的脸 权值 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网络思路：利用实际输出与理想输出的差值（称为误差）反馈到前面的网络，从而改变各层权值，权值改变后，使误差减小。通过不断输入同样的输入值（学习），使输出值逼近理想值。 例子中 误差是4-1=3 利用 3 去改变各层权值 使误差减小。 假设输入一次“2、1、3”，误差减小1 那么 第二次输入 输出为3 第三次输入 输出为2 第四次输入 输出为1 达到目标，不再输入。 共四次输入 通过例子可知，BP神经网络的关键是寻找这么一个函数 权值 = f（误差） 如果改变上述函数使得，每次输入，输出减少1.5 则如图 颜色 纹理 形状 2 1 3 4 第一次输入 颜色 纹理 形状 2 1 3 2.5 第二次输入 颜色 纹理 形状 2 1 3 1 第三次输入 共三次输入 改变f （误差）之后，网络学习能力增强！ 如何选取函数f ？ 网络如何后向反馈的？ 定义E为误差函数 定义： 利用以上公式，推导出重要公式： 输出y改变最外层E,最外层E改变最外层 是前向传播时已经得到的 最外层 改变次一层 ，以此类推，网络中的 全部被改变 与 如何建立联系？ 梯度下降法思路：沿误差E下降最快的方向将权向量移动一个很小的距离。重复这一过程，将产生一系列权重向量 为学习速率参数 直接引用梯度下降法的结论： 公式意义：权值改变量为 时，E减小的最快 通过前向传播确定每层的 和误差E E改变各层 各层 改变各层 使E减小 学习完成 学习完成后的神经网络能做什么？ 神经网络在目标识别中做分类器 颜色 纹理 形状 2 1 3 1 假如神经网络学习100次后 第101次输入： 是 人脸 4 5 6 50 不是 简介参数活动轮廓模型 参数活动轮廓模型又称为蛇模型，最初由Kass等于1987年提出。经典的蛇模型是在内力、图像力和外部约束力共同作用下移动的变形轮廓线C(s)=(x(s),y（s）），其中s [0,1]为曲线参数，它通过最小化如下能量函数来达到锁定图像特征的目的： 调节内力参数 图像力参数 外部约束力