几种常见模式识别算法整理和总结

最新推荐文章于 2024-03-07 19:04:06 发布
最新推荐文章于 2024-03-07 19:04:06 发布
阅读量6.2k 收藏 11
点赞数
分类专栏： 人工智能 文章标签： 模式识别 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Octal_H/article/details/82386576
版权

这学期选了门模式识别的课。发现最常见的一种情况就是，书上写的老师ppt上写的都看不懂，然后绕了一大圈去自己查资料理解，回头看看发现，Ah-ha，原来本质的原理那么简单，自己一开始只不过被那些看似formidable的细节吓到了。所以在这里把自己所学的一些点记录下来，供备忘，也供参考。

 

 

1. K-Nearest Neighbor

K-NN可以说是一种最直接的用来分类未知数据的方法。基本通过下面这张图跟文字说明就可以明白K-NN是干什么的

 

knn

简单来说，K-NN可以看成：有那么一堆你已经知道分类的数据，然后当一个新数据进入的时候，就开始跟训练数据里的每个点求距离，然后挑离这个训练数据最近的K个点看看这几个点属于什么类型，然后用少数服从多数的原则，给新数据归类。一个比较好的介绍k-NN的课件可以见下面链接，图文并茂，我当时一看就懂了

http://courses.cs.tamu.edu/rgutier/cs790_w02/l8.pdf

 

实际上K-NN本身的运算量是相当大的，因为数据的维数往往不止2维，而且训练数据库越大，所求的样本间距离就越多。就拿我们course project的人脸检测来说，输入向量的维数是1024维(32x32的图，当然我觉得这种方法比较silly)，训练数据有上千个，所以每次求距离(这里用的是欧式距离，就是我们最常用的平方和开根号求距法) 这样每个点的归类都要花上上百万次的计算。所以现在比较常用的一种方法就是kd-tree。也就是把整个输入空间划分成很多很多小子区域，然后根据临近的原则把它们组织为树形结构。然后搜索最近K个点的时候就不用全盘比较而只要比较临近几个子区域的训练数据就行了。kd-tree的一个比较好的课件可以见下面链接：

http://www.inf.ed.ac.uk/teaching/courses/inf2b/learnnotes/inf2b-learn06-lec.pdf

当然，kd-tree有一个问题就是当输入维数跟训练数据数量很接近时就很难优化了。所以用PCA(稍后会介绍)降维大多数情况下是很有必要的

 

 

2. Bayes Classifier

贝叶斯方法一篇比较科普的中文介绍可以见pongba的平凡而神奇的贝叶斯方法: http://mindhacks.cn/2008/09/21/the-magical-bayesian-method/，实际实现一个贝叶斯分类器之后再回头看这篇文章，感觉就很不一样。

在模式识别的实际应用中，贝叶斯方法绝非就是post正比于prior*likelihood这个公式这么简单，一般而言我们都会用正态分布拟合likelihood来实现。

用正态分布拟合是什么意思呢？贝叶斯方法式子的右边有两个量，一个是prior先验概率，这个求起来很简单，就是一大堆数据中求某一类数据占的百分比就可以了，比如300个一堆的数据中A类数据占100个，那么A的先验概率就是1/3。第二个就是likelihood，likelihood可以这么理解：对于每一类的训练数据，我们都用一个multivariate正态分布来拟合它们(即通过求得某一分类训练数据的平均值和协方差矩阵来拟合出一个正态分布)，然后当进入一个新的测试数据之后，就分别求取这个数据点在每个类别的正态分布中的大小，然后用这个值乘以原先的prior便是所要求得的后验概率post了。

贝叶斯公式中还有一个evidence，对于初学者来说，可能会一下没法理解为什么在实际运算中它不见了。实则上，evidence只是一个让最后post归一化的东西，而在模式分类中，我们只需要比较不同类别间post的大小，归一化反而增加了它的运算量。当然，在有的地方，这个evidence绝对不能省，比如后文提到的GMM中，需要用到EM迭代，这时候如果不用evidence将post归一化，后果就会很可怕。

Bayes方法一个不错的参考网页可见下面链接：

http://www.cs.mcgill.ca/~mcleish/644/main.html


 

3. Principle Component Analysis

PCA，译为主元分析或者主成份分析，是一种很好的简化数据的方法，也是PR中常见到不能再常见的算法之一。CSDN上有一篇很不错的中文博客介绍PCA，《主元分析(PCA)理论分析及应用》，可以见下面链接：

http://blog.csdn.net/ayw_hehe/archive/2010/07/16/5736659.aspx

对于我而言，主元分析最大的意义就是让我明白了线性代数中特征值跟特征向量究竟代表什么，从而让我进一步感受到了线性代数的博大精深魅力无穷。- -|||

 

PCA简而言之就是根据输入数据的分布给输入数据重新找到更能描述这组数据的正交的坐标轴，比如下面一幅图，对于那个椭圆状的分布，最方便表示这个分布的坐标轴肯定是椭圆的长轴短轴而不是原来的x y。

PCA

那么如何求出这个长轴和短轴呢？于是线性代数就来了：我们求出这堆数据的协方差矩阵(关于什么是协方差矩阵，详见本节最后附的链接)，然后再求出这个协方差矩阵的特征值和特征向量，对应最大特征值的那个特征向量的方向就是长轴(也就是主元)的方向，次大特征值的就是第二主元的方向，以此类推。

 

关于PCA，推荐两个不错的tutorial:

(1) A tutorial on Principle Component Analysis从最基本的数学原理到应用都有，让我在被老师的讲课弄晕之后瞬间开悟的tutorial:

 http://www.cs.otago.ac.nz/cosc453/student_tutorials/principal_components.pdf

(2) 里面有一个很生动的实现PCA的例子，还有告诉你PCA跟SVD是什么关系的，对编程实现的帮助很大(当然大多数情况下都不用自己编了):

 http://www.math.ucsd.edu/~gptesler/283/pca_07-handout.pdf

 

 


 

 

 

4. Linear Discriminant Analysis

LDA，基本和PCA是一对双生子，它们之间的区别就是PCA是一种unsupervised的映射方法而LDA是一种supervised映射方法，这一点可以从下图中一个2D的例子简单看出

lda

图的左边是PCA，它所作的只是将整组数据整体映射到最方便表示这组数据的坐标轴上，映射时没有利用任何数据内部的分类信息。因此，虽然做了PCA后，整组数据在表示上更加方便(降低了维数并将信息损失降到最低)，但在分类上也许会变得更加困难；图的右边是LDA，可以明显看出，在增加了分类信息之后，两组输入映射到了另外一个坐标轴上，有了这样一个映射，两组数据之间的就变得更易区分了(在低维上就可以区分，减少了很大的运算量)。

 

在实际应用中，最常用的一种LDA方法叫作Fisher Linear Discriminant，其简要原理就是求取一个线性变换，是的样本数据中“between classes scatter matrix”(不同类数据间的协方差矩阵)和“within classes scatter matrix”(同一类数据内部的各个数据间协方差矩阵)之比的达到最大。关于Fisher LDA更具体的内容可以见下面课件，写的很不错~

http://www.csd.uwo.ca/~olga/Courses//CS434a_541a//Lecture8.pdf 

 

 

 

5. Non-negative Matrix Factorization

NMF，中文译为非负矩阵分解。一篇比较不错的NMF中文介绍文可以见下面一篇博文的链接，《非负矩阵分解：数学的奇妙力量》

http://chnfyn.blog.163.com/blog/static/26954632200751625243295/

 

这篇博文很大概地介绍了一下NMF的来龙去脉(当然里面那幅图是错的。。。)，当然如果你想更深入地了解NMF的话，可以参考Lee和Seung当年发表在Nature上面的NMF原文，"Learning the parts of objects by non-negative matrix factorization"

http://www.seas.upenn.edu/~ddlee/Papers/nmf.pdf

读了这篇论文，基本其他任何介绍NMF基本方法的材料都是浮云了。

 

NMF，简而言之，就是给定一个非负矩阵V，我们寻找另外两个非负矩阵W和H来分解它，使得后W和H的乘积是V。论文中所提到的最简单的方法，就是根据最小化||V-WH||的要求，通过Gradient Discent推导出一个update rule，然后再对其中的每个元素进行迭代，最后得到最小值，具体的update rule见下图，注意其中Wia等带下标的符号表示的是矩阵里的元素，而非代表整个矩阵，当年在这个上面绕了好久。。

nmf

当然上面所提的方法只是其中一种而已，在http://spinner.cofc.edu/~langvillea/NISS-NMF.pdf中有更多详细方法的介绍。

相比于PCA、LDA，NMF有个明显的好处就是它的非负，因为为在很多情况下带有负号的运算算起来都不这么方便，但是它也有一个问题就是NMF分解出来的结果不像PCA和LDA一样是恒定的。

 


 

 

 

6. Gaussian Mixture Model

GMM高斯混合模型粗看上去跟上文所提的贝叶斯分类器有点类似，但两者的方法有很大的不同。在贝叶斯分类器中，我们已经事先知道了训练数据(training set)的分类信息，因此只要根据对应的均值和协方差矩阵拟合一个高斯分布即可。而在GMM中，我们除了数据的信息，对数据的分类一无所知，因此，在运算时我们不仅需要估算每个数据的分类，还要估算这些估算后数据分类的均值和协方差矩阵。。。也就是说如果有1000个训练数据10租分类的话，需要求的未知数是1000+10+10(用未知数表示未必确切，确切的说是1000个1x10标志向量,10个与训练数据同维的平均向量，10个与训练数据同维的方阵)。。。反正想想都是很头大的事情。。。那么这个问题是怎么解决的呢？

这里用的是一种叫EM迭代的方法。

 

具体使用方法可以参考http://neural.cs.nthu.edu.tw/jang/books/dcpr/doc/08gmm.pdf 这份台湾清华大学的课件，写的真是相当的赞，实现代码的话可以参考：

1. 倩倩的博客http://www.cnblogs.com/jill_new/archive/2010/12/01/1893851.html 和

2. http://www.cs.ru.nl/~ali/EM.m

 

当然 Matlab里一般也会自带GMM工具箱，其用法可以参考下面链接：

http://www.mathworks.com/help/toolbox/stats/gmdistribution.fit.html

我叫八进制
关注
  • 0
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
数据分析.doc
12-23
数据分析 定义：是指用适当的统计分析方法对收集来的大量数据进行分析，将它们加以汇总和理 解并消化，以求最大化地开发数据的功能，发挥数据的作用。数据分析是为了提取有用 信息和形成结论而对数据加以详细研究和概括总结的过程。 目的：把隐藏在一大批看似杂乱无章的数据背后的信息集中和提炼出来，总结出所研究 对象的内在规律，帮助管理者进行判断和决策。 作用：现状分析、原因分析和预测分析 步骤：明确分析目的与框架、数据收集、数据处理、数据分析、数据展现和撰写报告等 6个阶段。 1、明确分析目的与框架 一个分析项目，你的数据对象是谁？分析目的是什么？要解决什么业务问题？目的明确 之后，就可以梳理分析思路整理分析框架。不同的项目对数据的要求，使用的分析手段 是不一样的。所以这些是进行数据分析的方向和前提。 2、数据收集 数据收集是按照确定的数据分析目的和框架内容，有目的的收集、整合相关数据的一个 过程，它是数据分析的一个基础。 3、数据处理 数据处理是指对收集到的数据进行加工、整理，以便开展数据分析，它是数据分析前必 不可少的阶段。这个过程是数据分析整个过程中最占据时间的，也在一定程度上取决于 数据仓库的搭建和数据质量的保证。数据处理主要包括数据清洗、数据转化、数据提取 和数据计算等处理方法。 4、数据分析 数据分析是指通过分析手段、方法和技巧对处理过好的数据进行探索、分析，提取有价 值的信息，从中发现因果关系、内部联系和业务规律。 这个阶段就要涉及到工具和方法的使用。其一要熟悉常规数据分析方法，如方差、回归 、因子、聚类、分类、时间序列等，这些我在学校可以学习。其二是熟悉数据分析工具 ，Excel最常见，还有专业的分析软件，如数据分析工具SPSS/SAS/R/Matlab等，便于进 行一些专业的统计分析、数据建模等。 5、数据展现 一般情况下，数据分析的结果都是通过图、表的方式来呈现，借助数据展现手段，能更 直观的让数据分析师表述想要呈现的信息、观点和建议。 常用的图表包括饼图、折线图、柱形图/条形图、散点图、雷达图等、金字塔图、矩阵图 、漏斗图、帕雷托图等。 6、撰写报告 最后阶段，就是撰写数据分析报告，这是对整个数据分析成果的一个呈现。通过分析报 告，把数据分析的目的、过程、结果及方案完整呈现出来，以供商业目的提供参考。 一份好的数据分析报告，首先需要有一个好的分析框架，并且图文并茂，层次明晰，能 够让阅读者一目了然。另外，数据分析报告需要有明确的结论、建议和解决方案，不仅 仅是找出问题，后者是更重要的，否则称不上好的分析，同时也失去了报告的意义。 数据挖掘（Data Mining） 数据挖掘是知识发现（KDD）的一个关键步骤。一般是指从数据库的海量数据中通过算法 揭示出隐含的、先前未知的并有潜在价值的信息的过程。它是一种决策支持过程，主要 基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等。 数据挖掘的定义分为技术上的定义和商业定义： 1.技术上的定义及含义 数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提 取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。这个定义 包括好几层含义：数据源必须是真实的、大量的、含噪声的；发现的是用户感兴趣的知 识；发现的知识要可接受、可理解、可运用；并不要求发现放之四海皆准的知识，仅支 持特定的发现问题。 2.商业角度的定义 按企业既定业务目标，对大量的企业数据进行探索和分析，揭示隐藏的、未知的或验 证已知的规律性，并进一步将其模型化的先进有效的方法。 数据挖掘任务有两类： 一：描述性挖掘任务：刻画数据库中数据的一般特性； 二：预测性挖掘任务：在当前数据的基础上进行推断，以进行预测。 数据挖掘常用的方法： 利用数据挖掘进行数据分析常用的方法主要有分类、回归分析、聚类、关联规则、特征 、变化和偏差分析、Web页挖掘等， 它们分别从不同的角度对数据进行挖掘。 1、分类 分类是找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其 目的是通过分类模型，将数据库中的数据项映射到某个给定的类别。它可以应用到客户 的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等，如一个汽 车零售商将客户按照对汽车的喜好划分成不同的类，这样营销人员就可以将新型汽车的 广告手册直接邮寄到有这种喜好的客户手中，从而大大增加了商业机会。 2、回归分析 回归分析方法反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到 一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序 列的趋势特征、数据序列的预测以及数据间的相关关系等。它可以应用到市场营销的各 个方面，如客户寻求、保持和预防客户流失活动、产品生命周期分析、销售趋势
数字图像处理车牌定位开题报告
04-25
南京工程学院 车辆工程系 本科毕业设计（论文）开题报告 题 目：基于数字图像处理的车牌定位和分割的研究 专 业： 自动化（车辆电子电气） 班 级： K车电气051 学 号：240061443 学生姓名： 朱培诚 指导教师： 顾新艳 讲 师 2010年3月 说 明 1．根据南京工程学院《毕业设计(论文)工作管理规定》，学生必须撰写《毕业设计（论文）开题报告》，由指导教师签署意见、教研室审查，系教学主任批准后实施。 2．开题报告是毕业设计（论文）答辩委员会对学生答辩资格审查的依据材料之一。学生应当在毕业设计（论文）工作前期内完成，开题报告不合格者不得参加答辩。 3．毕业设计开题报告各项内容要实事求是，逐条认真填写。其中的文字表达要明确、严谨，语言通顺，外来语要同时用原文和中文表达。第一次出现缩写词，须注出全称。 4．本报告中，由学生本人撰写的对课题和研究工作的分析及描述，应不少于2000字，没有经过整理归纳，缺乏个人见解仅仅从网上下载材料拼凑而成的开题报告按不合格论。 5．开题报告检查原则上在第2～4周完成，各系完成毕业设计开题检查后，应写一份开题情况总结报告。 本科毕业设计(论文)开题报告 学生姓名 朱培诚 学 号 240061443 专 业 自动化（车辆电子电气） 指导教师 顾新艳 职 称 讲 师 所在院系 车辆工程 课题来源 自拟课题 课题性质 工程技术研究 课题名称 基于数字图像处理的车牌定位和分割的研究 毕业设计的内容和意义 采用数字图像处理的原理和技术，进行车牌区域的准确定位和分割的研究，给出相应的算法，并通过VC编程实现。 毕业设计的具体内容： 1．熟悉和了解数字图像处理的原理和技术。 2．熟悉VC的编程和调试方法。 3．掌握数字图像处理的常规算法，尤其对图像的几何校正，边缘检测、区域定位和图像分割原理和算法要有深入的了解。 4. 完成车牌区域的准确定位和分割的设计方案，给出相应的算法，并通过编程实现。 本课题研究的意义： 在交通路口的违章监视，在高速公路收费入口，在涵洞、桥梁的入口以及在停车场和加油站的管理中，都需要对汽车牌照进行记录，而目前这些工作大多数都是由人工完成的，工作量很大，有时也难免会出现错误，如果改用智能系统进行自动的检测和识别，则会大大提高工作的速度，降低管理人员的工作量，提高服务的效率与质量。 在国内现有技术的基础之上进一步研究汽车牌照智能识别技术实现对实时采集到的汽车牌照图像进行分析，准确定位分割、提取出图像中的汽车牌照，并快速自动智能地识别出汽车牌照，还可以全面消除人为因素，因而对车牌识别技术的研究和应用系统开发具有重要的现实意义。 文 献 综 述 车牌自动识别系统从上一世纪80年代开始进入应用研究阶段、这个阶段的研究没有形成完整的系统体系，而是就某一具体的问题进行研究，通常采用简单的图像处理方法来解决。进入20世纪90年代后，随着计算机视觉的发展和计算机性能的提高，开始出现车牌识别的系统化研究。中国、美国、日本、法国等国家相继投入大量的人力、物力进行应用研究，随着社会的进一步发展，交通状况急需更快的发展来适应经济发展需要，各国更加关注对该系统的研究和应用。 文献[1]中阐述了智能交通系统的概念于1990年由美国智能交通学会(ITS America，当时名称为IVHS America)提出，并在世界各国大力推广。经过10多年的推广、试行和发展，智能交通系统目前己在世界上经济发达国家和经济较为发达国家的一些都市及高速公路系统中实施。实践证明，迄今为止，在美国、欧洲、亚洲都已有成功应用的范例。在国外，以色列Hi-Tech公司的See/Car System系列，香港Asia VisionTechnology公司的VECON产品，新加坡Optasia公司的VLPRS系列都是比较成熟的产品。虽然国外汽车牌照识别系统研究工作己有一定进展，但并不适合我国汽车牌照识别，其原因主要有我国车牌本身的特点决定的。我国车辆牌照缺乏统一的标准，根据不同汽车、车型、用途，规定了多种牌照格式(例如分为军车、警车、普通车等)；悬挂位置随机，使得车牌识别过程中缺乏规律，使车牌定位分割、字符切分难度增加，准确性降低；车牌长期暴露易受污损，使得车牌区域模糊不清，易发生粘连、断裂等现象，在国外发达国家不允许由于环境、道路或人为因素造成汽车牌照污染严重的车辆上路行驶；我国车辆牌照由汉字、字母和数字组成，汉字的识别与字母和数字的识别有很大的不同，从而增加了识别的难度；其他国家汽车牌照的底色和字符颜色统一，只有对比度较强的两种颜色，而我国汽车牌照底色和字符有蓝/白、黑/红、黑/白等多种颜色组合；还有设置的营运牌照及张贴的广告信息，容易在车牌定位时产生干扰、误定位；车牌附近环境恶劣，往往有复杂的外形及安全杠等，不利于快速定位。 文献[2]中阐述了国内在90年代也开始了车牌识别的研究。由于中国车牌与国外的差异，加上车牌上汉字的存在。所以照搬国外的技术并不完全可行。对于国内的己应用系统中较成功的有浙江大学开发的基于web模式的LPR系统，中科院自动化研究所汉王科技公司开发的“汉王眼车牌识别系统”。另外，亚洲视觉科技有限公司、深圳吉通电子有限公司、中国信息产业部下属的中智交通电子有限公司等也有自己的产品，另外西安交通大学的图像处理和识别研究室、上海交通大学的计算机科学和工程系、清华大学人工智能国家重点实验室等也做过类似的研究。目前这些系统普遍存在的问题有：全天候识别率并不稳定， 文 献 综 述 特别是在夜间，或不良天气下识别率会降低到50%左右。还有许多其它问题需要解决，如国内许多论文谈及已实现的系统，都是在对近似理想条件下的汽车图像识别，对于车牌倾斜角度很大，车牌上字符模糊等情况提出的解决办法甚少。因此这样的系统即使识别率较高，也是建立在苛刻的特定的拍照环境下的。车牌自动识别系统产品中还存在一些不足，因而LPR技术的研究还有许多工作要做：从目前一些产品的性能指标可以看出，LPR系统的识别率和识别速度有待提高。研究高速、准确的定位与识别算法是当前的主要任务。上述产品中所使用的汽车图像均为灰度图像，而车牌本身是彩色物体，其底色和字符颜色为有限的几种，具有明显的颜色特征，车牌定位及字符的分割和识别没有用到颜色特征，采用彩色图像模式，目前的算法也很少涉及颜色特征，这在一定程度上影响了系统的性能。对于车牌彩色信息的利用有待于深入研究。另外目前只能处理单个车牌的汽车图像，对于一幅图像中多个车牌的识别则无能为力。这使得目前对多个车道进行监控时，需要多套摄像设备和车牌识别所需的计算机。如能深入研究一幅图像中多个车牌的识别问题，则可降低系统成本，提高工作效率。 所以从技术上对牌照自动识别系统进行进一步的改进完善是很有必要的。在软件上这主要要求提高字符识别率，同时提高软件的运行速度，提高实时性。相信随着研究的深入，LPR技术定会走向成熟。 文献[3]中阐述了目前国内外汽车牌照定位与识别技术主要采用软硬结合方式和软件方式两种技术方案。所谓软硬结合方式，就是首先通过专用的图像抓拍设备获取一幅适合于计算机识别汽车牌照的高质量图像，然后用软件和硬件结合的方式对所获取的专用图像进行牌照识别，它的最大优点就是识别率高，能够全天候工作。所谓软件方式，就是通过识别软件对普通的车辆图像进行牌照识别，它的最大优点就是成本低，通用性好。车牌自动识别系统主要有摄像装置、视频采集接口、计算机和辅助照明装置组成。计算机通过视频采集接口采集摄像装置摄入的视频图像，经处理和识别得到车牌号。在自然光较暗影响识别效果时，由辅助照明装置提供摄像光源。硬件部分包括车辆感应器，高速摄影装置等。车辆感应器的功能是感应车辆的到来，触发高速摄影装置在一定时间内动作抓拍图像。如在高速公路上，通常在收费处前方公路两侧埋置电磁感应圈，当车辆驶入感应区内，电磁感应圈产生电流，触发摄影头工作。除此之外，还有激光红外线车辆感应器等。埋置电磁感应线圈的缺点是工程量大，而激光红外线车辆感应器容易引起二次触发，即脱车引起的触发拍照。动态车牌图像捕捉系统主要由高分辨率摄像机，多光谱照明灯，图像处理器及控制器组成。它根据亮度变化，即可完成车牌的抓拍。相比而言，动态车牌图像捕捉 文 献 综 述 系统可以在白天和夜间等多种情况下工作，清楚捕捉高速运动中的汽车牌照图像，其效果不受日光，车灯等环境因素的影响。大量实验表明该方案是最理想的解决可靠性的方案。 图像输入通常由硬件完成，牌照定位与字符识别通常由软件完成。 文献[4][5][6]中阐述了日前存在的大量的车牌定位算法，选择一个好的定位算法成为车牌识别的一个关键问题。文中针对基于投影法的车牌定位算法。在VC平台上对车牌图像进行预处理后，再通过找点和标出矩形即可实现车牌的定位。通过大量的试验得出，本算法可以解决车牌定位时遇到的绝大部分问题，具有较高的研究价值和社会经济效益。 文献[7]中对智能交通系统的核心技术——汽车牌照识别技术进行了研究，在图像处理技术的基础上，着重研究了车牌区域定位技术，析了日前有代表性的车牌定位方法，介绍了利用粒子图像测速关联PIV(Particle Image Velocimeter)算法原理，提出了一种采用车牌字符笔画2个边缘互相关值最大的方法进行车牌定位的算法，准确而快速地检出了车牌区域，为后续车牌字符识别打下了很好的基础。 文献[8][9][10][11]中阐述了针对不同尺寸车牌图像的定位问题，提出了一种新的自适应车牌定位方法。该方法首先根据车牌区域的共性来提取图像的纵向边缘；然后由车牌区纵向纹理和边缘密度等特征，采用一系列步骤自适应去除干扰边缘来保留类车牌特征区域；最后通过横向形态学运算使类车牌区闭合，以有效地克服以往形态学结构元素难以随车牌尺寸变化自适应选取的问题；同时提出了根据场景实际情况，选用灰度调整和颜色来判别模块的观点。通过实际场景中大量车牌样本的验证结果表明，该算法不仅准确率较高，而且自适应性良好，具有实用价值。 参考文献： [1] 刘允才.智能交通国际发展概况和国内优先考虑的课题[J].公路,2001,11(11):26-34. [2] Liu Jilin,Ma Hongqing.A High Performance License Plate Recognition System Basedon the Web Technique[D]. [3] 郑南宁,张西宁,戴莹,朱海安.行驶车辆牌照自动识别系统[J].西安交通大学学报,1991,l:43-53. [4] 张俭鸽,李娜.车牌定位在VC中的实现[J].中国科技信息,2009, (13):123-124. [5] 郑影.基于VC++的汽车牌照定位与识别系统的设计[D].吉林大学硕士学位论文,2009. [6] 张宏林.精通Visual C++数字图像模式识别技术及工程实践[M]:第2版.北 文 献 综 述 京:人民邮电出版社,2008. [7] 张丽伟,张晶.基于图像处理的车牌定位方法的研究[J].长春工程学院学报(自然科学版),2009,10(2):100-103. [8] 李宇成,阴亮.基于图像的运动车辆速度测量[J].北方工业大学学报,2008(3):32—36. [9] 王广宇.汽车牌照识别系统综述[J].郑州轻工业学院学报(自然科学报),2001,16(2):47-50. [10] 李波,曾致远,周建中.一种自适应车牌图像定位新方法[J].中国图象图形学报,2009,14(10):1978-1984. [11]Kenneth.R.Castleman.Digital Image Processing,Prentice Hall.1998,4. 研 究 内 容 本课题主要利用数字图像处理的原理和技术，完成车牌区域的准确定位和分割的设计方案，研究相应的算法，并通过编程实现。 其具体内容如下： 1、理解和掌握数字图像处理的原理和技术，能熟练运用数字图像处理的常规算法。 2、深入研究预处理中的灰度化、二值化、背景削弱、中值滤波等原理，以及图像的灰度变换空间滤波处理等，探索车牌定位常用的方法，研究现在流行的一些算法，总结出其优点和缺点，能够继承传统方法的优点，并加以改进和提高。 3、掌握算法实现的编程语言，熟练运用设计实现的平台Visual C++ 6.0，提高查阅资料的能力，并通过编程实现车牌的定位。 4、研究一种新型的车牌定位方法，本课题采用多层次分割的思想，每次分割都尽可能地减少分析范围，经过多次分割后最终定位出车牌区域。 研 究 计 划 第1－2周 收集资料，熟悉课题，确定系统总体研究方案。 第3周 熟悉资料，写出开题报告。 第4—5周 熟悉数字图像处理的主要内容。 第6—7周 熟悉VC语言的编程和调试方法。 第8—9周 熟悉并掌握数字图像的常规算法，重点研究边缘检测和区域分割等算法。 第10－11周 用VC编程实现并调试各个处理模块。 第12－13周 对整个系统进行软件联调，整理设计成果。 第14周 撰写论文。 第15周 修改论文，准备答辩。 第16周 毕业答辩。 特 色 与 创 新 在车辆识别系统中，牌照区域定位是影响车牌识别系统性能的重要因素之一车牌定位准确与否直接影响字符识别的准确率，以往的拍照定位重要包括：J.Barroso等基于提出的基于水平线搜索的定位方法；R.Parisi提出的机遇TFC变换的频域分析法；Charl Coeitzee等提出的基于Niblack二值化算法及自适应边界搜索算法的定位方法。这些方法或者对背景比较复及光照条件比较敏感，或者定位速度比较慢，为了克服这些缺陷，本课题提出了基于特征的车辆牌照实时定位算法和多层次分割算法，能够更高效地实现车牌的准确定位和分割，充分体现了该系统的实时性。 指导教师 意 见 指导教师签名： 年 月 日 教研室意见 主任签名： 年 月 日 系部意见 教学主任签名： 年 月 日
系统辨识 Identification Algorithm（基础篇）
最新发布
什么都沾点，什么都不会
03-07 77
转载自https://blog.csdn.net/FallyJ/article/details/115910813
GNU-Makefile中文手册-Ver3.8.pdf
05-27
对“info make”的翻译整理，不是一个纯粹的语言翻译版本，其中对GNU make的一些语法和用法进行了一些详细分析和说明，也加入了一些个人的观点和实践总结。 本书的所有的例子都可以在支持V3.8版本的GNU make的系统中正确执行。 中文于册 伪目标 强制目标(没有命令或依赖的规则) 空目标文件 的特殊目标 多目标 多规则目标 静态模式 静态模式规则的语法 静态模式和隐含规则 双冒号规则 自动产生依赖 第五章:规则的命令 为规则书写命令 命令回显 命令的执行 并发执行命令 命令执行的错误 中断的执行 的递归执行 变量 变量和递归 命令行选项和递归 选项 定义命令包 第六章 中的变量 使用变量 变量的引用 两种变量定义(赋值) 归展开式变量 直接展开式变量 定义一个空格 ”操作符 变量的高级用法 变量的替换引用 变量的套嵌引用 变量取值 如何设置变量 追加变量值 指示符 多行定义 系统环境变量 目标指定变量 模式指定变量 第七章 的条件执行 的条件判断 个例子 条件判断的基本语法 标记测试的条件语句 笫八章:的内嵌函数 的函数 年月日 中文于册 函数的调用语法 文本夂理函数 文件名处理函数 函数 函数 西数 函数 函数 函数 西数 的控制函数 第九章:执行 执行 指定 文件 指定终极日标 替代命令的执行 防止特定文件重建 替换变量定义 使用 进行编译测试 的命令行选项 第十章: 的隐含规则 使用隐含规则 隐含规则的使用 的隐含规则一览 隐含变量 代表命令的变量 命令参数的变量 隐含规则链 模式规 模式规则介绍 模式规则示例 自动化变量 年月日 中文于册 模式的匹配 万用规则 重建内嵌隐含规则 缺省规则 后缀规则 隐含规则搜索算法 笫十一章:使用更新静态库文件 更新静态库文件 库成员作为目标 静态库的更新 更新静态庠的符号索引表 静态库的注意享项 静态库的后缀规则 第十二章: 的特点 的一些特点 源自 的特点 源自其他版本的特点 自身的特点 第十三章和其它版本的兼容 不兼容性 第十四章 的约定 书写约定 基本的约定 规则命令行的约定 代表命令变量 安装目录变量 的标准目标名 安装命令分类 第十五章的常见错误信息 产生的错误信息 附录:关键字索引 可识别的指示符 函数 的自动化变量 环境变量 后序 年月日 中文于册 关于本书 本文瑾献给所有热爱 的程序员!本中文文档版权所有 本文比较完整的讲述 工具,涵盖 的用法、语法。同时重 讨论如何为一个工程编写 作为一个程序员, 工具的使用以及编 写 是必嚅的。系统、详细讲述的中文资料比较少,出于对广大中文 的支持,本人在工作之余,花了个多月时间完成对“ 的翻译整理,完成 这个中文版手册。夲书不是一个纯粹的语言翻译版本,其中对 的一些语法 和用法根据我个人的工作经验进行了一些详细分析和说明,也加入了一些个人的观点和 实践总结。本书的所有的例子都可以在支持版本的 的系统中正确执行。 由于个人水平限制,本文在一些地方存在描述不准确之处。恳请大家在阅读过程中 提出您宝贵的意见,也是对我个人的帮助。我的个人电子邯箱地址: 非常愿意和大家交流!共同学习 阅读本书之前,读者应该对 的工具链和 的一些常用编程工具有一定的 了解。诸如: 等;同时在书写 时,需要能够进行一些 基本的编程。这些工具是维护一个工程的基础。如果大家对这些工具的用法不是 很熟悉,可参考项目资料 阅读本文的几点建议: 如果之前你对 没有了解、当前也不想深入的学习 的读 者。可只阅读本文各章节前半部分的内容(作为各章节的基础知识) 如果你已经对 比较熟悉,你更霄要关心此版本的新增特点、功能、 和之前版本不兼容之处;也可以作为开发过程过程的参考手册。 之前你对 没有概念、或者刚开始接触,本身又想成为一个 下 的专业程序员,那么建议:完整学习本文的各个章节,包括了基础知识和高级 用法、技巧。它会为你在 下的工程开发、工程管理提供非常有用的帮助。 此中文文档当前版本 本文的所有勘误和最新版本可在主 页 上获取!! 谢谢! 徐海兵 年月日 中文于册 第一章:概述 概既述 环境下的程序员如果不会侠用 来构建和管理自己的工程,应该 不能算是一个合柊的专业程序员,至少不能称得上是程序员。在 )环 境下侠用 的 工具能够比较容易的构建一个属于你自己的工程,整个工程的 编译只需要一个命令就可以完成编译、连接以至于最后的执行。不过这需要我们投入 些时间去完成一个或者多个称之为 文件的编写。此文件正是 正常工作 的基础 所要完成的 文件描述了整个工程的编译、连接等规则。其中包括:工程 中的哪些源文件需要编译以及如何编译、需要创建那些库文件以及如何创建这些库文 件、如何最后产生我们想要得可执行文件。尽管看起来可能是很复杂的事情,但是为工 程编写
人脸识别各算法详解
热门推荐
weixin_42713739的博客
04-11 8万+
人脸识别各算法详解 最近，由于工作需要，为了找到一款高效的认识识别算法，对各种人脸识别算法都研究了一番，以下记录的是各算法的理论基础。 一.MTCNN 本文章主要介绍MTCNN算法的流程，MTCNN主要由三个框架组成，分别是PNet，RNet，ONet。下面将分别介绍这三个部分。 理论基础： PNet Proposal Network (P-Net)：该网络结构主要获得了人脸区域的候选窗口和边界...
模式识别概念
weixin_44734502的博客
09-03 5450
模式识别概念、目的、方法、基本构成、性能测试
模式识别的几种基本算法
woshiliulei0的专栏
06-10 6574
本学期选了模式识别的课程，该期末考试了， 将本课程的几种基本算法整理一下。  1.最近邻算法 （1）最近邻算法：为了判定未知样本的类别，以全部训练样本作为代表点，计算未知样本与所有训练样本的距离，并以最近邻者的类别作为决策未知样本类别的唯一依据。  （2）公式表达：对于S类别问题，每类有Ni个样本，则第i类的识别函数是(i=1,2,…S) 2.
模式识别
知识搬运工的博客
07-08 2036
对于时间和空间中可观察的物体，如果我们可以区分它们是否相同或相似，都可以称之为“模式”（或“模式类”）。模式所指的不是事物本身，而是从事物中获得的信息。因此，模式常常表现为具有时间和空间分布的信息。模式的直观特性包括：可观察性，可区分性，相似性。 模式识别就是对模式的区分和认识，把对象根据其特征归到若干类别中的适当一类。 模式识别并不是根据物体本身来判断的，而是根...
什么是模式识别，模式识别主要识别什么？
数智集的博客
03-20 6万+
模式识别诞生于20实际20年代，随着40年代计算机的出现，50年代人工智能的兴起，模式识别在60年代初迅速发展成为一门学科。简单点说，模式识别是根据输入的原始数据对齐进行各种分析判断，从而得到其类别属性，特征判断的过程。为了具备这种能力，人类在过去的几千万年里，通过对大量事物的认知和理解，逐步进化出了高度复杂的神经和认知系统。举例来说，我们能够轻易的判别出哪个是钥匙、哪个是锁，哪个是自行车、哪个是...
模式识别：第一章 概论
fan1102958151的博客
07-05 1649
模式识别：通过对模式的认识和区分来认识对象，并能够对对象进辨别和分类。
摄影技巧大汇总 摄影原理 相机操作 拍摄技巧 思维导图.png
05-16
c1 的几种模式 Express版本免费提供给Sony用户使用（在Pro for Sony的基础上，对有一些功能进行了阉割）； Pro for Sony为收费版本，功能与Capture One Pro一样，但是只支持Sony机器。 DB...
Reversing:逆向工程揭密
06-21
第二类是从没有源代码的程序出发，生成对应的源程序、系统结构以及相关设计原理和算法思想的文档等，亦即本书重点讨论的二进制逆向工程。 本书共有13章和三个附录，涵盖了逆向工程的基础知识、应用、开发和拓展的...
人脸识别系列算法原理
qq_45916211的博客
12-01 1万+
在如今的世界，人脸识别也变得越来越重要，应用越来越广泛，比如人脸识别可用于身份认证、摄影、支付、视频等领域。现在人脸识别一般采用三种经典算法：Eigenfaces、Fiserfaces、LBPH。本文主要介绍这三种算法的原理
OCR文字识别：深度学习算法识别步骤
Sesen的木屋
10-28 1万+
之前没有接触过OCR文字识别，本文主要对使用深度学习算法完成文字识别的整体步骤进行一下梳理。 一般来说，OCR文字识别是检测+识别，首先将可能在文字的区域检测出来，然后在进行识别。本质是识别图片中的文字，即在复杂的图片背景下对所需目标文字进行识别提取。 1、文字识别基础步骤 ① detection：检测存在文字的区域，得到proposal。 ② recog...
数据挖掘十大经典算法
xdyang的图像视觉小屋
08-26 3494
本文来源：http://blog.csdn.net/aladdina/archive/2009/05/01/4141177.aspx 最近正在补习关于EM, ML, MAP方面的知识, 搜到了这篇文章, 觉得写的不错, 就直接拿过来了^_^     国际权威的学术组织the IEEE International Conference on Data Mining (ICDM) 2006年1
各类加密算法简单的识别技巧
weixin_37620164的博客
10-16 4305
逆向分析程序的时候往往会遇到一些加密解密算法，大家也都知道加密解密算法基本都是公开的，源码满天飞，只要识别出来是什么算法，在根据程序的要求做一些可能的修改就完成了，最重要的就是基础算法的识别，下面就简单介绍一些比较实用的算法识别的小技巧 算法的什么消息摘要大家都搜得到，这里的特点主要是逆向分析时的小技巧哦 Hash算法： 1.MD5 (用PEID可看到MD5) MD5的源码满天飞，最好识别的一个特色就是，MD5算法需要初始化4个32位的常数，用16进制表示 A=01234567h B=8...
人工智能之模式识别（二）
安之ccy的博客
10-26 1371
一、模式识别系统组成 模式识别依赖于样本。 1.样本采集 首先，要采集样本，采集方式可能是从网上获取资源，如图片数据集，可能自行用传感器等设备采集； 2.预处理与特征生成 经过采集的数据一般都需要进行预处理，对图片进行矫正，或者将模拟信号转为数字信号，滤波降噪等等；预处理之后得到的特征维度一般都比较高，需要进行特征降维； 3.特征降维 特征降维一般采取两种方式，一种是特征选择，指的是从多维特征中选...
什么是模式识别
Arthur_Holmes的博客
04-19 1820
什么是模式识别？ 当我们人眼看到一幅画时，我们能够很清晰的知道其中哪里是动物，哪里是山，水，人等等，但是人眼又是如何识别和分辨的呢，其实很简单，人类也是在先验知识和对以往多个此类事物的具体实例进行观察的基础上得到的对此类事物整体性质和特点的认识的，并不是人类原本就有对这类事物的记忆，就好比婴孩时期的我们，并不知道什么是狗，什么是帅哥，什么是美女，但是随着我们的慢慢长大，我们观察的多了，见的多...
模式识别算法matlab
11-10
MATLAB是一种常用的科学计算软件，也是模式识别领域中常用的工具之一。MATLAB提供了许多内置的函数和工具箱，可以用于模式识别算法的实现和应用。以下是一些常用的模式识别算法及其在MATLAB中的实现方式：\n\1. K...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值