第十二章:目标识别 1、 根据识别任务的不同,选择合适的描绘子的组合,就也就是模式,进行图像的模式识别或目标识别; 2、 目标识别的算法主要分为:使用定量描绘子的决策理论方法和使用定性描绘子的结构方法。 3、 决策理论方法有:最小距离分类器、相关匹配、贝叶斯分类器和神经网络等算法。 4、 结构方法是运用模式形状中的结构关系来实现模式识别,有匹配形状数、串匹配等算法 |
引言
区域识别:目标或模式;
分类:决策理论方法和结构方法;
- 决策理论方法:定量描绘子描述各种模式;
- 结构方法;定型描绘子描述各种模式;
模式:描绘子(如特征)的组合;
模式类:具有某些共同属性的一族模式,ω1、ω2...ωn, W:模式类数;
常用的三种模式组合:向量(用于定量描述)、串、数(用于结构描述);
1.模式向量:粗体小写字母x、y、z
- x = (x1,x2,...xn)T
- 模式向量中每个分量的描绘子的选择对基于模式向量方法的目标识别性能有很大的影响。
•类型可分离的程度的高低很大程度上取决于应用的描绘子的选择2. 串:适于生成其结构是基于基元的较简单的连接,通常是和边界形状有关系的目标模式。
3. 树:多数层次结构
两大模式识别方法领域:决策理论和结构方法
12.2基于决策理论判别方法
决策函数:模式x属于类wi
di(x) > dj(x) j=1,2,…,W; ji
一个未知的模式x被称为属于第i个模式类,只有当把x代入所有判别函数后能得到di(x)的最大值时才成立。
•决策边界:区分类wi和类wj:di(x)- dj(x)=0
12.2.1 匹配:
最小距离分类器
使用原型模式向量表示每个类
• 计算未知量和每个原型向量间的距离,选择其中最小距离来决策,距离用欧式距离接近。
最小距离分离器
• 每个模式类的原型定义为该类模式的均值向量
• 将未知模式向量分配给与它最接近的原型类
实际上,当均值间的距离与每个类的分散度或者随机性相比较大时,它工作的很好。
相关匹配
f(x,y) 和w(x,y)相关定义如下:
• 当c(x,y)最大时,在f中找到与w(待匹配对象)最匹配
的部分。
实际中,归一化相关系数更好用,其取值范围在【-1,1】内,1表示匹配。
关于相关,http://blog.csdn.net/scuthanman/article/details/5588138
12.2.2最佳统计分类器
经由公式推导出的贝叶斯分类器,需要假设对各种密度函数有一个解析表达式,且来自每个类的样本模式有一个必须的参数估计,最通用的假设形式是高斯概率密度函数,这种假设越是与真实近似,就越是接近最小平均损失。对于总体为高斯分布的贝叶斯分类器完全由梅格雷的均值向量和协方差矩阵决定。
12.2.3 神经网络
实际上,模式类中的统计参数通常是未知的,或者是无法估计的,所以最佳统计分类器,匹配等决策理论判别不在使用。此类决策理论问题最好直接由训练生产所需决策函数的方法来处理。然后就没有必要再做关于基本的概率密度函数或者关于所考虑模式类的其他概率信息的假设。通过神经网络工具,对模式的训练集的逐次描述,自适应的到处判别函数的系数。
由于事先不知道神经网络中的层数,通常确定第一层和输出层,中间层由试验确定,然后追踪该网络误差以及各个模式相关联的误差。在成功的训练会话中,网络误差会随迭代次数的增加而减小,并且该过程会收敛到一个稳定的权重集合,对于附加的训练,这些权重仅表现为较小的波动。
12.3结构方法
主要是根据有精确模式描绘子的结构关系,实现模式识别,例如匹配形状数,即在边界的形状数上有相似度。另外,边界的串描绘子,也可以做匹配。对于这种类型的匹配,都有一种解析表达式,讨论其匹配程度。
12.3.1 匹配形状数
两个区域边界(现形状)之间的相似度k可以定义为它们的形状数仍保持一致的最大阶。a,b为形状数。
D(a,b)=1/k
D(a,b)>=0;
D(a,b)=0,iff a=b;
D(a,b)<=max[(D(a,b),D(b,C))];
相似度k越大,形状就越相似(相同形状k为无穷大)。距离度量D(a,b)刚好相反。
12.3.2 串匹配
将区域边界a和b编码为串;
相似性度量:
R=α/β=α/max(|a|,|b|)-α
完美匹配:R为无限大;没有任何相似则:R=0;