第五章 目标自动识别4PPT课件.ppt

图像探测、跟踪与识别技术 主讲人：赵丹培 宇航学院图像处理中心 zhaodanpei@buaa.edu.cn 电话 2010年11月22日;第五章 成像自动目标识别技术;本章的主要内容;5.1 自动目标识别技术概述;1、ATR： Automatic Target Recognition;目标识别中学习方法的分类：; 5.3 目标的建模与表达;面状目标 二维平面目标，或其第三维与其它二维相比不成比例的三维目标，在一定条件下，可将其近似为二维目标，例如机场跑道、机场、高空俯瞰地面的目标。 三维立体目标 在较近距离成像且可能从多个不同视点观测，立体目标的三维信息均能平衡充分地反映在其二维图像或图像序列中。这些目标从不同的视点观察一般呈现不同的视图，由于这些视图是三维物体在不同视点平面上的投影，表现差异极大，从而能综合反应物体的三维特性。例如，天空中的飞机、海面的舰船、建筑物。;目标表示方案;关系模型考虑目标中各个部分及其相互关系确定的规则，如各部分之间的方位、大致距离等。 投影几何模型包括三维线框模型或小面化模型表示中目标各部分之间的明确关系。 传感器物理模型利用了有关目标环境和传感域中现象的信息，以获得目标各部分期望观察的概率表示。 ;5.4 目标分类与识别的基本原理; 5.4.3 分类与识别涉及的关键问题;一个分类系统的设计过程：;什么是特征？ 在目标识别中，特征提取是使用有效的数学工具减少目标模式表达的维数，这种低维表达，必须具有区别不同目标模式类别的特质，称之为特征。 模式的维数并非越大越好，存在一个最优维数使错误识别率最小，通过提取特征减少模式维数可达到提高正确识别率的目的。 特征提取的目的： 识别分类器的复杂性和硬件实现的复杂性随着模式空间的维数快速增长，因此特征提取能够降低信息传输通道的容量。;可体现类别特点的特征 特征对物体形变的稳定性 特征对光照变化的稳定性 特征抗噪声的能力 特征的复杂程度 特征是否易于描述;特征提取：对研究对象固有的、本质的重要特征或者属性进行检测提取。 ??征描述：将提取的特征进行量化，形成可度量的特征矢量、符号串、关系图，得到训练/待识别的样本。 ;有效的特征与特征描述举例：;⑵、边界特征;边界特征提取方法： 边界提取方法：Sobel, Canny,LoG….. 分割方法：Graph-Cuts…. 边界特征描述 曲线拟合、Hough变换、Freeman链码;边界特征的特点;(3)、区域特征;基于目标灰度分布的区域矩;基于目标灰度分布的区域矩;区域几何特性;(4)、变换特征;变换特征;(5)、纹理特征分析;灰度共现矩阵法 对于方向性纹理的区域，取不同方向，灰度共现矩阵不同；对于纹理粗细不同，取不同的距离，灰度共现矩阵就不同。 等灰度行程长度法 等灰度行程长度定义为在某个方向上、相邻的具有相同灰度或某个灰度范围的像素个数。显然粗细纹理区域中长行程情况出现较多，细纹理区域中短行程出现较多，由此可以用一个矩阵表示在某个给定方向上各种行程出现的情况。 统计模型法提取纹理特征 统计模型基本思想是用一个统计数学模型描述一致性纹理区域。用于描述的模型主要有三种：单层马尔科夫随机场，双层高斯马尔可夫随机场，金字塔随机场序列。;2、 特征选择与提取;为了设计出效果好的分类器，通常需要对原始的测量值集合进行分析，经过选择或变换处理，组成有效的识别特征； 在保证一定分类精度的前提下，减少特征维数，即进行“降维”处理，使分类器实现快速、准确和高效的分类。 为达到上述目的，关键是所提供的识别特征应具有很好的“可分性”，使分类器容易判别。为此，需对特征进行选择。 ;我们要选择那些在特征向量空间中类间距离大而类内方差小的特征。也就是说不同类别间的特征值距离较远，而同一类内的特征值紧密聚集。 最后将采用不同的处理方法 应去掉模棱两可、不易判别的特征； 所提供的特征不要重复，即去掉那些相关性强且没有增加更多分类信息的特征。 将特征综合考虑，对特征向量作线性或非线性变换，使其具有更好的辨别能力 ;选择最优特征需要具备三个条件： 样本数量能覆盖样本集的分类特征 有一种比较好的分类判据 一个切实可行的算法;特征抽取：;为什么要数据降维？;降维－重要的一步，也是观察数据特性的手段;; 3、分类器设计;分类器设计:;“Artificial Intelligenc