本文關鍵詞：基于典型相關分析與多元化分類器的集成學習研究

  更多相關文章： 典型相關分析 圖像分類 多元伯努利 集成學習 車牌識別

【摘要】：在計算機視覺以及計算機圖形學研究領域,對自然場景中的事物進行精確的分類識別一直是該領域的研究熱點。當前基于單分類器的圖像分類結果具有不穩(wěn)定性且不能平衡局部樣本特征與分類器結果之間的關系。針對上述問題,本論文研究利用集成學習的方法來提高分類器分類結果的準確率。本論文通過研究非同質(zhì)分類器學習方法的優(yōu)點以及局部樣本特征與分類器分類準確率之間的關系,利用典型相關分析的原理權衡局部樣本特征在樣本分類過程中的作用,并且結合非同質(zhì)分類器的學習原理的差異性,實現(xiàn)差異化選擇集成。本論文主要研究內(nèi)容如下:(1)分析了本課題研究的背景意義以及現(xiàn)有的集成學習相關算法。本文簡要的介紹了集成學習在圖像分類識別技術中的重要作用,以及圖像分類技術在商業(yè)、國防等領域的應用前景。其次介紹了現(xiàn)有的集成學習相關技術以及幾種特征提取的方法,以及國內(nèi)外在集成學習領域的研究現(xiàn)狀。隨后從邏輯回歸方面進行闡述,深入探討現(xiàn)有的單分類器特點與應用范圍。最后介紹了幾種應用廣泛的多分類器集成方法,Bagging、Adaboost、Random Forest,以及他們的算法流程。(2)提出了基于局部典型相關分析的分類器集成策略。針對傳統(tǒng)集成學習模型不能平衡局部樣本特征在分類器分類時所起到的作用,不能兼顧局部樣本特征與分類器分類結果之間的關系等問題,本論文提出了基于典型相關分析(Canonical Correlation Analysis,CCA)的分類器集成方法。本文通過尋找局部樣本特征與分類器輸出結果之間的多個典型相關變量,從而發(fā)現(xiàn)不同特征集合與最優(yōu)分類器組合之間的最大關聯(lián),并用于集成分類。實驗結果證明本論文所提方案在與傳統(tǒng)的集成學習方法Adaboost與Majority Voting在UCI,Image Net等多個數(shù)據(jù)集上的實驗結果對比證明本論文所提方法與其他集成學習方法相比能夠有效提高集成模型分類準確率。(3)提出了基于局部多元伯努利的差異化分類器集成方法。針對同質(zhì)分類器分類結果具有偶然性,且單一分類器只對特定樣本分類具有敏感性等問題,提出了基于局部多元伯努利的差異化分類器集成方法。首先,本模型應用KNN的思想挑選局部待測樣本,用此方法實現(xiàn)動態(tài)的調(diào)整多類數(shù)據(jù)集測試時分類器權重。其次,本方案使用待測樣本的近鄰來計算每個分類器對測試樣本檢測結果的概率均值,進而得到不同分類器對不同待測樣本的敏感性,并以此從局部的方面考慮多分類器的分類能力高低,同時計算各分類器關于不同樣本檢測時的置信度加權值。最后,利用多元伯努利的思想將多分類器集成融合。在UCI、Image Net數(shù)據(jù)庫中的多個數(shù)據(jù)集上的實驗證明,本論文所提分類器集成方案與傳統(tǒng)的分類器集成方法Adaboost、Random Forest相比能夠有效提高分類器集成模型的檢測準確率。(4)設計了基于局部多元伯努利的差異化多分類器集成的車牌識別原型系統(tǒng)。在上述研究的基礎上設計了一套基于局部多元伯努利的差異化多分類器集成的車牌識別原型系統(tǒng)。該系統(tǒng)應用Matlab與Visual C++混合編程,并結合Opencv視覺庫協(xié)助處理圖像。該系統(tǒng)可以實現(xiàn)車牌定位功能、字符分割功能與字符辨別功能,并通過測試進一步說明本系統(tǒng)的可行性。
【學位授予單位】：江蘇大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉倩茹;陳春華;潘保芝;令狐松;張程恩;;蟻群算法在成像測井裂縫識別及提取中的應用[J];電子測量技術;2015年04期

2 陳W毤，

本文編號：1274541