机场视频监控系统中的目标识别算法研究

1、 一目民航大学学位论女 削选抨待识别幽像 削识别结果输出 实验中，对一个八类问题（八种不同形状的飞机），每个类使用个训练样木，即 飞机原始图、。旋转图、 旋转图、旋转圈以及旋转图，训练样本一共个， 每个样本用维向量来描述（）。每一个类用样本均值和它的训练特征的方差表 示。使用的分类器计算了待测图像肖的特征向量与每个类的特征向量均值之间的距离并 用相应的方差的倒数对这个距离进行加权。加权的目的是为了均衡特征向量的个元素 中每个元素的作用。 参加训练的样本八类飞机个训练样本中随意提取的三类个样本，如图 。由于矩仪具有旋转不变性，而不具备尺度和平移不变性，因此这些样本 在参加训练前必须经过尺度平平移

2、标准化。 一陶航大学：学位女 幽（）机的训练样本 从左至右，依次为飞机的、旋转样本） 翻（）飞机的训练样本 （从左至右，依次为机的、。、旋转样本） 幽（）机的训练样本 （从左至右，依次为飞机的、旋转样本） 未知目标的识别图中未知目标图像在输入分类器进行分类前也必须经过尺度 平移标准化。矩识别飞机结果如图所示。 （） （） 图一 矩识别飞机 （） （）飞机识别为飞机（）飞机识别为飞机（）飞机识别为飞机 （曲飞机识别为飞机（）飞机识别为飞机（）飞机识别为飞机 中国民航大学硕士学位论文 （）飞机识别为飞机（）飞机识别为飞机（）飞机识别为飞机 实验结果表明算法是有效的。 多尺度不变量识别飞机 在实际成

3、像条件下不变矩取值存在各种不稳定影响因素，特别是计算小尺寸（大尺 寸）目标的不变矩时往往会产生较大误差。使用建立的与尺度有关的多级特征数据库， 并能过下面几组飞机形状识别的实验来验证这种分级特征库能显著提高目标识别的可 信度和准确率。 给出用于分类识别的种飞机的尺度图像模型。我们采用阶以下不超过次的共 个不变矩组成的特征向量建立特征库，并用隐层节点数为的层神经网络对 其进行识别。不变矩特征经过数量级标准化后作为网络的个输入，该网络的 个输出分别代表类不同的飞机。网络训练时对于一幅属于第类飞机的图像将网络的 第输入置，其他输出置。识别时网络输出的最大值对应的输出类为识别结果。 假设至 为按大小顺

4、序排列的个网络输出值，为最大输出值，为最小输 出值。网的所有输出值域范围都是【，】。识别的可行度是由个输出值的分布决定 的，定义如下： 一两一两一丽”一两（） 这个可信度估算式反映了网能正确分类识别的概率，该定义基于如下合理假设： ）可信度的值域变化范围应该是，】 ）当且仅当最大输出且时，可信度为。 ）当且仅当时，可信度为。 ）越大可信度越高，到越小可信度越高。 ）。，如果，且叶叶，就得到 个完全相等的最大值，而只选取对应的类作为识别结果，显然可 信度应该只有。 我们使用四组训练样本进行对比试验，得到四个神经网络分类器第一组只选取了 个尺寸为的模型样本进行训练，第二组每类飞机全部用级模型样本参见训练，分别 使用尺寸为，的模板飞机图像不变矩作为输入，共个样本。第三 组只选取了尺度与待识别目标最接近的两组模型样本组成的样本集参加训练，第四组只 选取了尺度与待识别目标比较接近的一组样本集进行训练。 我们对被模糊、缩小、旋转、移动的飞机图像进行识别。分别用上述四组训练样本 在训练基本收敛情况下获得的四个神经网络分类器进行识别和可信度对比。可得，在识 别较大尺寸目标情况下，单一尺度与多级尺度不变矩特征库训练的神经网络分类器都具 中国民航大学硕士学位论文 有较好的识别率；而多尺度的特征库识别具有更高的识别率和可信度；在识别中等尺度 和大尺度目标情况下，相对于只具有但尺度训练模型的分类器，采