计算机视觉教程 教学课件 作者 章毓晋 CCV12.ppt

* 12-* 第12章 计算机视觉教程 章毓晋 第12章 景物识别 12.1 统计模式分类 12.2 感知机 12.3 支持向量机 12.4 结构模式识别 12.1 统计模式分类 12.1.1 模式分类原理 12.1.2 最小距离分类器 12.1.3 最优统计分类器 12.1.1 模式分类原理 一个n维的模式矢量可写成 如果一个模式x属于类si，那么有 对一个未知模式x来说，如果将它代入所有决策函数算得di(x)值最大，则x属于第i类。如果对x的值，有di(x) = dj(x)，则得到将类i与类j分开的决策边界 12.1.2 最小距离分类器 每个模式类用一个均值矢量表示 计算 并且在dj(x)给出最大值时将x赋给类sj 类si和sj之间的决策边界 12.1.3 最优统计分类器 1.　最优统计分类原理 在平均意义上产生最小可能分类误差 条件平均风险损失 贝叶斯分类器 12.1.3 最优统计分类器 1.　最优统计分类原理 损失函数 贝叶斯分类器在满足下面的条件时将x赋给类si 对0-1损失函数，贝叶斯分类器相当于实现了如下的判决函数 12.1.3 最优统计分类器 2.　用于高斯模式类的贝叶斯分类器 贝叶斯决策函数 对类sj的贝叶斯决策函数是dj(x) = p(x | sj)P(sj) 采用自然对数形式来表达决策函数 12.1.3 最优统计分类器 例12.1.2　模式在3-D空间的分布 12.2 感知机 两个模式类的感知机模型 12.2 感知机 感知机的决策边界 系统的输出 12.2 感知机 1.　线性可分类 由两个线性可分训练集获取权矢量的迭代算法 校正增量c设为正的 如果机器正确地划分了模式，给它的奖励就是不改变w；但如果机器错误地划分了模式，给它的惩罚就是改变w。根据感知机训练定理 12.2 感知机 2.　线性不可分类 准则函数 梯度下降算法 12.2 感知机 2.　线性不可分类 如将权矢量的变化，即德尔塔写成如下的形式 德尔塔（Delta）校正算法 当模式y(k)出现时，权矢量w(k)的误差为 12.3 支持向量机 1.　线性可分类 设计目的就是要获得一个超平面 其中，w = [w1, w2, …, wl]T 为权向量，w0为阈值 12.3 支持向量机 1.　线性可分类 朝向A为所求，而朝向B给出了一个其他朝向 从一个点到一个超 平面的距离 12.3 支持向量机 1.　线性可分类 用拉格朗日乘数法来解 最优解的向量参数w是Ns个（Ns ≤ N）与li ? 0相关的特征向量的线性组合 这些向量就称为支持向量，而最优的超平面分类器就称为支持向量机 12.3 支持向量机 2.　线性不可分类 (1)　向量落在分类带之外且被正确地分了类 (2)　向量落在分类带之内且被正确地分了类 (3)　向量被错误地分了类 12.3 支持向量机 2.　线性不可分类 此时的目标是在保持具有ri 0的点数尽可能小的条件下，使最近点到超平面的距离尽可能小。此时要最小化的代价函数为 12.4 结构模式识别 12.4.1 字符串结构识别 12.4.2 树结构识别 12.4.1 字符串结构识别 1.　字符串文法 文法是一组句法规则，它们能控制字符集中符号产生句子的过程 由一个文法G所产生的一组句子称为语言，并记为L(G)。所以句子是符号的串，这些串代表了模 式，而语言对应模式类 12.4.1 字符串结构识别 1.　字符串文法 例12.4.1　字符串结构示例 考虑文法G = (N, T, P, S)，其中N = {A, B, C}，T = {a, b, c}，P = {S ? aA, A ? bA, A ? bB, B ? c} 12.4.1 字符串结构识别 2.　语义应用 句法确定目标结构，语义主要与其正确性有关 12.4.1 字符串结构识别 3.　用自动机作为字符串识别器 如何识别一个模式是否属于由文法G产生的语言L(G)。结构识别法的基本概念可借助称为自动机 （计算机器）的数学模型来解释 有限自动机是由规则语法产生的语言识别器，可定义为一个五元组 12.4.1 字符串结构识别 3.　用自动机作为字符串识别器 Q = {q0, q1, q2}，T = {a, b}，F = {q0}。映射规则是d (q0, a) = {q2}，d (q0, b) = {q1}，d (q1, a) = {q2}，d (q1, b) = {q0}，d (q2, a) = {q0}，d (q2, b) = {q1}