本文關(guān)鍵詞：場景分類與道路場景異常識別算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：作為模式識別的一個(gè)重要分支,場景理解一直備受國內(nèi)外研究人員的廣泛關(guān)注。目前,學(xué)術(shù)界的研究對象主要集中于正常場景圖像,對場景異常識別方面的研究比較少。然而,在現(xiàn)實(shí)生活中,往往是場景中出現(xiàn)的異常現(xiàn)象會對人類的活動產(chǎn)生不利的影響甚至對公共安全構(gòu)成潛在的威脅,故場景分類預(yù)測和異常場景識別均有研究價(jià)值。本文分別對場景理解中的目標(biāo)識別和場景分類進(jìn)行探討分析,在改進(jìn)既有的分類算法和識別算法同時(shí),對給定的道路場景的異常區(qū)域進(jìn)行識別,主要工作如下：改進(jìn)了基于深度學(xué)習(xí)的場景分類算法。使用深度學(xué)習(xí)提取場景圖像的代表性特征,結(jié)合交叉驗(yàn)證的思想對訓(xùn)練集進(jìn)行分離重組,并以此訓(xùn)練多個(gè)SVM分類器,然后通過設(shè)計(jì)投票機(jī)制,訓(xùn)練多級SVM分類器對輸入場景進(jìn)行預(yù)測。實(shí)驗(yàn)表明,該方法具有很高的分類精度。給出了一種基于SIFT-Flow的異常場景圖像檢測算法。在給定的場景中,可能出現(xiàn)的物體的范圍存在一定的界限。當(dāng)場景中出現(xiàn)正常范圍之外的物體時(shí),便定義場景中發(fā)生了異常。為了更加有效地檢測場景中的物體,本文提出利用改進(jìn)后的SIFT-Flow算法對圖像的局部特征進(jìn)行描述。通過利用已標(biāo)注的圖像對SVM分類器進(jìn)行訓(xùn)練,最終實(shí)現(xiàn)對輸入場景圖片的異常檢測。實(shí)驗(yàn)表明,SIFT-Flow算法不僅能實(shí)現(xiàn)對相近場景的分類預(yù)測,還可以有效地識別異常場景,而且具有很高的識別率。應(yīng)用Selective Search算法對場景中的異常區(qū)域進(jìn)行分割。通過對場景中的感興趣區(qū)域進(jìn)行分割,利用各窗口的特征訓(xùn)練異常檢測分類器,最終實(shí)現(xiàn)圖像異常區(qū)域的識別。實(shí)驗(yàn)證明,該算法可以有效地分割出異常區(qū)域。
【關(guān)鍵詞】：場景分類 SVM 深度學(xué)習(xí) SIFT-Flow Selective Search 異常檢測
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 致謝5-6
• 摘要6-7
• ABSTRACT7-11
• 1 緒論11-21
• 1.1 研究背景及意義11-12
• 1.2 場景理解的主要應(yīng)用12-14
• 1.3 研究現(xiàn)狀與發(fā)展趨勢14-17
• 1.3.1 場景分類的研究現(xiàn)狀與發(fā)展趨勢14-16
• 1.3.2 異常場景識別的研究現(xiàn)狀與發(fā)展趨勢16-17
• 1.4 本論文的主要研究內(nèi)容和安排17-21
• 1.4.1 論文的研究思路17-18
• 1.4.2 研究內(nèi)容和方法18-19
• 1.4.3 論文的組織結(jié)構(gòu)19-21
• 2 場景圖像的特征提取算法研究21-31
• 2.1 場景圖像的特征提取概述21-25
• 2.1.1 場景的主體與背景21-22
• 2.1.2 物體的信息提取22-23
• 2.1.3 常用場景圖像特征的提取算法23-24
• 2.1.4 場景圖像的特征評價(jià)24-25
• 2.2 深度學(xué)習(xí)圖像特征提取算法25-28
• 2.3 SIFT-Flow算法28-30
• 2.3.1 圖像間的信息匹配28-29
• 2.3.2 SIFT-Flow密集匹配29-30
• 2.4 本章小結(jié)30-31
• 3 基于深度學(xué)習(xí)的場景圖像分類研究31-45
• 3.1 場景分類中的信息提取31-33
• 3.2 多級SVM訓(xùn)練33-35
• 3.2.1 訓(xùn)練機(jī)制33-34
• 3.2.2 代表特征集提取34-35
• 3.2.3 投票機(jī)制35
• 3.3 輸入特征與目標(biāo)類別間的相似度測量35-37
• 3.4 多級分類器預(yù)測流程37-38
• 3.5 實(shí)驗(yàn)結(jié)果分析38-44
• 3.5.1 最鄰域分類算法預(yù)測場景類別39-42
• 3.5.2 投票式分類算法預(yù)測場景類別42-44
• 3.6 本章小結(jié)44-45
• 4 基于SIFT-Flow的道路場景的異常識別研究45-65
• 4.1 場景圖像的特征提取45-49
• 4.2 標(biāo)準(zhǔn)圖像庫的構(gòu)建49-51
• 4.2.1 標(biāo)準(zhǔn)圖像的定義49-50
• 4.2.2 K-means聚類算法50
• 4.2.3 Bag of Words模型實(shí)現(xiàn)聚類50-51
• 4.3 場景圖像的位移圖51-53
• 4.3.1 密集匹配52
• 4.3.2 位移矢量圖的融合52-53
• 4.4 SIFT-Flow的圖像表達(dá)53-56
• 4.4.1 圖像分塊53-54
• 4.4.2 匹配圖直方圖化54-56
• 4.5 實(shí)驗(yàn)結(jié)果分析56-64
• 4.5.1 實(shí)驗(yàn)數(shù)據(jù)庫與方法56-59
• 4.5.2 不同采樣間隔下的分類精度比較59-60
• 4.5.3 不同分割方式的實(shí)驗(yàn)結(jié)果60-62
• 4.5.4 不同數(shù)量標(biāo)準(zhǔn)圖像下的識別結(jié)果62
• 4.5.5 與其它識別算法的比較62-64
• 4.6 本章小結(jié)64-65
• 5 預(yù)測場景圖像異常區(qū)域的研究65-79
• 5.1 圖像分割算法65-67
• 5.1.1 超像素分割65-67
• 5.1.2 道路檢測算法67
• 5.2 提取場景圖像中的道路區(qū)域67-69
• 5.3 建立正常局部模型69-73
• 5.3.1 目標(biāo)窗口提取70-71
• 5.3.2 種子區(qū)域選取71
• 5.3.3 訓(xùn)練目標(biāo)分類器模型71-72
• 5.3.4 異常目標(biāo)檢測算法72-73
• 5.4 實(shí)驗(yàn)結(jié)果分析73-78
• 5.4.1 道路區(qū)域提取74
• 5.4.2 感興趣窗口檢測74-75
• 5.4.3 異常窗口識別75-78
• 5.5 本章小結(jié)78-79
• 6 總結(jié)與展望79-81
• 6.1 總結(jié)79
• 6.2 展望79-81
• 參考文獻(xiàn)81-85
• 作者簡歷及攻讀碩士學(xué)位期間取得的研究成果85-89
• 學(xué)位論文數(shù)據(jù)集89

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 韓秀苓，程凡，高建林，李傳光;管道自適應(yīng)有源噪聲控制算法[J];Journal of Beijing Institute of Technology(English Edition);1995年01期

2 陶新民;徐晶;童智靖;劉玉;;不均衡數(shù)據(jù)下基于陰性免疫的過抽樣新算法[J];控制與決策;2010年06期

3 趙國峰;閆亮;;用于快速流分類的關(guān)鍵字分解Hash算法[J];計(jì)算機(jī)工程;2010年16期

4 郭雷勇;譚洪舟;高守平;郭笑梅;;RFID系統(tǒng)閱讀器反碰撞算法分類與研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2009年09期

5 郝水俠,李凡長;多Agent的并行思智算法[J];計(jì)算機(jī)工程與應(yīng)用;2004年10期

6 劉貝家;方景龍;;基于SVDD的多示例學(xué)習(xí)算法[J];科技通報(bào);2011年02期

7 田大東;鄧偉;;基于不同懲罰系數(shù)的SMO改進(jìn)算法[J];計(jì)算機(jī)應(yīng)用;2008年09期

8 許敏;王士同;顧鑫;;TL-SVM:一種遷移學(xué)習(xí)算法[J];控制與決策;2014年01期

9 李雅林;張化祥;張順;;基于近鄰加權(quán)及多示例的多標(biāo)記學(xué)習(xí)改進(jìn)算法[J];計(jì)算機(jī)工程與應(yīng)用;2013年16期

10 羅玉華,李三立;RISC多發(fā)射結(jié)構(gòu)中循環(huán)優(yōu)化的軟件流水算法[J];計(jì)算機(jī)學(xué)報(bào);1993年09期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 吳濤;粒子群及量子行為粒子群優(yōu)化算法的改進(jìn)研究[D];西南交通大學(xué);2014年

2 徐勇;分布式壓縮感知的算法及其應(yīng)用研究[D];中國地質(zhì)大學(xué);2015年

3 蔡先發(fā);基于圖的半監(jiān)督算法及其應(yīng)用研究[D];華南理工大學(xué);2013年

4 蔣良孝;樸素貝葉斯分類器及其改進(jìn)算法研究[D];中國地質(zhì)大學(xué);2009年

5 李美安;普適分布式互斥算法及應(yīng)用[D];電子科技大學(xué);2007年

6 孫巖;貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法研究與應(yīng)用[D];大連理工大學(xué);2010年

7 吳偉寧;主動學(xué)習(xí)算法中采樣策略研究[D];哈爾濱工業(yè)大學(xué);2013年

8 汪慶淼;基于目標(biāo)函數(shù)的模糊聚類新算法及其應(yīng)用研究[D];江蘇大學(xué);2014年

9 戴朝華;搜尋者優(yōu)化算法及其應(yīng)用研究[D];西南交通大學(xué);2009年

10 李小冬;核極限學(xué)習(xí)機(jī)的理論與算法及其在圖像處理中的應(yīng)用[D];浙江大學(xué);2014年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 李超;基于標(biāo)簽傳播及適合度的社團(tuán)聚類算法研究[D];西南大學(xué);2015年

2 劉晨曦;RFID定位VIRE算法的研究與改進(jìn)[D];貴州師范大學(xué);2015年

3 馬睿;利用巖石光譜和改進(jìn)的PC算法實(shí)現(xiàn)礦物的識別[D];新疆大學(xué);2015年

4 萬猛;推薦系統(tǒng)攻擊檢測算法的研究[D];電子科技大學(xué);2014年

5 劉排;基于OMNeT++的無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)定位改進(jìn)算法的研究[D];河北工業(yè)大學(xué);2015年

6 陳辰;無線通信領(lǐng)域MIMO檢測類算法的硬件加速技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2013年

7 韓超;場景分類與道路場景異常識別算法研究[D];北京交通大學(xué);2016年

8 段沛博;分布式約束優(yōu)化算法若干問題研究[D];東北大學(xué);2013年

9 王麗紅;基于模糊聚類的社區(qū)發(fā)現(xiàn)算法研究[D];浙江工業(yè)大學(xué);2014年

10 劉恒;基于重復(fù)數(shù)的最短循環(huán)請求集生成算法研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2014年

  本文關(guān)鍵詞：場景分類與道路場景異常識別算法研究，，由筆耕文化傳播整理發(fā)布。

本文編號：307221