模式识别实例教学公开课一等奖优质课大赛微课获奖课件.pptxVIP

第八章

实例教学;8.1应用统计决议肤色提取

8.1.1图像基础知识;8.1.2样本获取;8.1.3样本学习;（2）计算类条件概率密度：

计算H分量图像中皮肤区域直方图，就是皮肤类条件概率密度；计算H分量图像中非皮肤区域直方图，就是非皮肤类条件概率密度。;8.1.4模式分类;a)最小误判概率准则

判断每个像素点是否使皮肤。

两类问题Bayes最小误判概率准则为

假如，则判，不然判，x为每个像素点灰度值，若该点属于皮肤，置位1；若不是皮肤，置位0，得到下图。;b)最小损失准则;8.2车牌辨认;8.2.1车牌相关知识;8.2.2图像采集;8.2.3车牌辨认预处理

(1)字符分割;(2)字符细化;1.特性选择与提取

;为了消除也许细化算法不完善影响，以上在计算穿越次数时均为0-1改变次数。

笔画特性：

⑧字符中“竖”数目，计算图像在水平方向上投影，投影点像素数目累加值超出1/3图像高度且无超出5像素中断，记为“竖”数目加1；

⑨字符中“横”数目，计算图像在垂直方向上投影，投影点像素数目累加值超出1/3图像宽度且无超出5像素中断，记为“横”数目加1；

在实际情况中，由于车牌图像并不总是原则，当出现倾斜、几何失真等情况时，字符中横或竖不也许所有投影在一点上，而是在一个小范围内密集分布。通过多次尝试，结合车牌字符本身特点，本文将鉴定存在竖/横笔画门限值设为图像高度/宽度1/3左右。

为了消除也许图像几何失真带来影响，计算笔画数目时均不重复计算20像素点以内笔画，既若该点存在横/竖，则在该投影方向上向下/后移动20像素继续判断。

结构特性：

⑩字符中存在闭合回路数目。利用递归实现区域生长算法，对所有独立连通区域进行标号处理，最后将连通区域个数减一(外围背景区域也作为一个连通区域被标号，需要在特性值中减去)记为该特性值。

;（2）模板数据生成

考虑到车牌字符特殊性，无法使用Windows系统自带普通字体来作为标准模板。我们对拍摄到车牌图像进行以下处理，形成了标准模版数据。为了杜绝可能系统图像处理缺点，使用PhotoShop等商用??件将其调整为二值化图像；为了降低系统缩放函数可能存在不完善对画面失真影响，将不同字符做成140*440标准图像，供系统提取特性值；使用程序中细化模块细化图像，并以特性提取模块计算标准图像特性值，将得出数据结果作为模板数据，以矩阵形式保留在template.ini文件中。;2.字符辨认

采用最小距离准则进行模板匹配辨认。判决原则采用欧式距离最小准则，计算当前图形特性向量与34个特性向量(除字母I和O以外所有数字和字母，共34个)欧式距离，取其中最小为判决结果。于是待辨认样品与模板k之间欧式距离dk为：;对每一个样品判决过程为：遍历所有模板，计算其模板与样品间欧式距离，取最小值作为最后判决结果。假如最短距离小于某个要求阈值，则结果为这个最小值相相应类别；不然鉴定为无法辨认。

辨认结果如图所表示;8.3纸币辨认器;8.3.1数据采集;8.3.2特性提取与选择;8.3.3训练学习

训练集：是一个已知样本集，在监督学习办法中，用它来开发出模式分类器。图中给出了对一个样本进行特性提取、分类学习过程;8.3.4分类辨认

对测试集来进行分类辨认，拟定纸币面额及真伪。为了更加好地对模式辨认系统性能进行评价，必须使用一组独立于训练集测试集对系统进行测试。

图中是对10元纸币分类辨认界面。;8.4最近邻办法用于图像拼接;8.4.2特性提取

;SIFT算法首先在尺度空间进行特性检测，并拟定要点位置和要点所处尺度，然后使用要点邻域梯度主方向作为该点方向特性，以实现算子对尺度和方向无关性。主要计算环节下列：

尺度空间极值检测：有哪些信誉好的足球投注网站整个尺度和图像位置。通过使用高斯差分函数（DifferenceofGaussian）拟定对尺度和方向含有不变性兴趣点。以初步拟定要点位置和所在尺度。

要点定位：在每一个候选位置，详细地模型拟合以拟定位置和尺度。依据稳定性选择要点。通过拟合三维二次函数以准确拟定要点位置和尺度，同时消除低对比度要点和不稳定边沿响应点(由于高斯差分算子会产生较强边沿响应)，以增强匹配稳定性、提升抗噪声能力。;方向分派：每一个要点依据局部图像梯度方向分派一个或多个方向。其后所有操作都依据分派方向、尺度、位置。利用要点邻域像素梯度方向分布特性为每个要点指定方向参数，使算子具备旋转不变性。

要点描述符：在每个要点周围在选定尺度下测量局部图像梯度。为了增强匹配稳健性，对每个要点使用4×4共16个