第三章 贝叶斯决.pptVIP

随机模式 对样本属性进行观测时，同样条件下，每一次观测结果具有不确定性； 大量样本的观测值呈现出某种规律性，即具有统计特性； 模式中各类特征向量为随机向量，特征向量中各个特征分量为随机变量 贝叶斯决策理论 用概率统计方法研究随机模式的决策问题 统计模式识别的一种基本方法 概率知识 概率知识（续） 概率知识（续） 概率知识（续） 贝叶斯决策理论的三个概念 不同性质的分类错误会引起不同程度的损失，从而引入风险概念 考虑作出某种分类决策所承担的风险，按风险大小作出决策； 因此引入损失函数 ，表明将状态x属于 决策为 时所造成的损失。 策略1：垃圾邮件过滤模式 策略2：电邮分身 使用者可以制造多个E-mail Addresses当作分身信箱； 这些分身都是指向同一个E-mail位置； 当某个分身遭到垃圾攻击，使用者就可以将该分身删除，以杜绝垃圾邮件。 贝氏过滤理论是依据电子邮件的内容，计算出为垃圾邮件可能性的几率，其计算依据不止是垃圾邮件，还有一般合法的邮件，成为反垃圾电子邮件解决方案的过滤算法的一种选择。 如有“致富”两字在邮件上出现的话，它80%是垃圾邮件，而“请问”则只会出现在5%的垃圾邮件中。 研究内容： 二、目标分类技术研究 技术 分类 目标 智能 视觉 监控 智能视觉监控研究中的中级处理部分 以目标检测与跟踪技术为前提 是目标行为理解的前提 简介 获取视频图像序列 目标检测与跟踪 输入视频数据 目标分类器的设计 对前景目标的特征提取与选择 分类结果 背景建模 目标分类技术流程： 特征提取\选择： 首先从检测到的运动目标前景图中提取出有效前景区域，然后对目标的多维特征进行提取并选择出较合适的特征量组成分类器的输入特征空间 工作重点： 分类器的设计： 根据目标特性并结合对目标所选取的特征向量来选择合适的分类算法，并构造相应的分类器以对输入的目标特征向量做出准确的决策分类 工作重点： 行 人 汽 车 自行车 三、基于形状特性的特征提取 常用形状特征 面积 周长 圆形度 长宽比 占空比 图像矩 提取到的目标前景区域： 面积 1.定义前景图中目标区域内的总像素个数为目标面积A，它具有简单、直观的特点 2.面积特征不具备缩放不变性的特点 周长 1.定义前景图中目标轮廓图像内的总像素个数为目标的周长P，简单、直观的特点 2.也不具备缩放不变性的特点 A/P2 1.A/P2为目标面积与周长的平方比，它是为了 克服目标面积和周长不具备缩放性而定义的一 种特征 2.该特征具备平移、旋转、缩放不变性 选用的目标形状特征： 占空比 1.定义为前景图中目标区域的面积与目标外接矩形的面积之比 2.该特征具备平移和旋转不变性 长宽比 1.定义目标外接矩形的长跟宽的比为该目标的长宽比 2.虽然此特征能很好的描述目标的形状信息，但当目标旋 转时该特征值将发生变化，从而影响对目标描述的准确 性 惯性主 轴方向 1.惯性主轴方向被定义为最小惯性轴与X轴的夹角，它用 来描述目标的延伸方向 2.此特征和长宽比一样不具备选择不变性，但对目标的平 移和缩放却有一定鲁棒性 1.基于最小错误率的最小贝叶斯决策 2.假设目标的类条件概率是符合正态分 布的 3.假设目标的每个特征之间是不相关的 智能 视觉 监控 前 提 一 前 提 二 决策规则 决策分类的类别数是一定的 各类别特征量的概率分布是已知的 贝叶斯理论 四、基于贝叶斯理论的分类器设计 基于最小错误率的贝叶斯决策 利用下面的贝叶斯公式便可以确定状态的后验概率： ：类条件概率 后验概率： 贝叶斯公式： 目标特征的类条件概率分布： 基于最小错误率的贝叶斯决策： 决策规则为： 此决策的错误率为： 上式错误率用图形表示即为右图所示： 正态分布下的决策式： 样本特征不相关时的表达式： 多维正态分布表达式为： 当输入某一目标的特征量 后，将其分别带入 、….. 中，选择所得结果最大的相应的类即为该目标的类别。 ：多维正态分布 此时的决策规则： 不相关时： §3-4 类概率密度估计 正态分布时的统计决策 参数估计 非参数估计 注：以下提到的概率 事实上代表 正态分布时的统计决策 对许多实际的数据集，正态分布通常是合理的近似。如果在特征空间中的某一类样本，较多地分布在这一类均值附近，远离均值点的样本比较少，此时用正态分布作为这一类的概率模型是合理的。另外，正态分布概率模型有许多好的性质，有利于作数学分析。概括起