论文部分内容阅读
随着计算机技术的发展,目标识别和目标检测引起了计算机视觉、模式识别和图像处理等领域的研究者的广泛关注,其中相关滤波器算法是当前研究的热点之一。相关滤波器的改进目标是通过训练样本获得更符合样本情况的滤波模板来提高滤波器的识别和检测能力。最大间隔相关滤波器(Maximum Margin Correlation Filter,MMCF)算法在传统滤波器的基础上,通过一个平衡因子联合了支持向量机(Support Vector Machine,SVM),兼顾最小化均方误差和最大化超平面到数据点的最小欧式距离。但是,未进一步利用样本数据的结构信息一定程度上限制了MMCF的性能。SVM在建立分类超平面时,忽略了样本的整体分布信息,仅考虑了边界样本点,在训练时也未应用到各类的内部结构和数据的具体分布情况,使MMCF也继承了这些弊端,在构建滤波器时忽略了数据结构信息,易受噪音样本干扰。为了进一步提高相关滤波器的识别和检测能力,本文将对如上两个方面进行研究,主要内容如下:(1)针对MMCF在构建滤波器时未考虑样本整体分布信息的问题,将最小类内方差支持向量机(Minimum Class Variance Support Vector Machine,MCVSVM)中的类内散度引入相关滤波器,充分考虑样本数据的分布情况,进而提出了基于最小类内方差的相关滤波器(Minimum Class Variance Correlation Filter,MCVCF)。(2)针对MMCF在训练时忽略了各类的内部结构和数据的具体分布情况的问题,将相关滤波器与样本加权邻接图的思想相融合,引入局部保持类内散度矩阵,充分考虑样本的分布信息及内在流型结构,进而提出了最小类局部保持方差相关滤波器(Minimum Class Locality Preserving Variance Correlation Filter,MCLPVCF)。为了验证所提算法的可行性,在鱼类检测、手写数字识别、物体识别、人脸识别、人眼检测等实验类别上,将所提两种算法与数种经典的相关滤波器算法进行实验结果的对比,并讨论了参数对结果的影响。实验结果表明,所提算法在大部分情况下获得了更高的检测准确率和平均识别率。