CN108830304A - 一种基于支持向量机的图像识别*** - Google Patents
一种基于支持向量机的图像识别*** Download PDFInfo
- Publication number
- CN108830304A CN108830304A CN201810533681.6A CN201810533681A CN108830304A CN 108830304 A CN108830304 A CN 108830304A CN 201810533681 A CN201810533681 A CN 201810533681A CN 108830304 A CN108830304 A CN 108830304A
- Authority
- CN
- China
- Prior art keywords
- image
- support vector
- vector machines
- module
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
一种基于支持向量机的图像识别***,包括图像预处理模块、图像信息采集模块、特征提取模块、图像识别模块和分析预警模块,所述图像预处理模块用于待识别图像进行处理,所述图像信息采集模块用于提取所述待识别图像中的图像数据,并将所述图像数据通过映射函数转换成多个图像集合,所述特征提取模块用于从图像集合提取图像特征数据,所述图像识别模块采用支持向量机对图像进行识别,所述分析预警模块用于对图像识别的准确率进行计算,并在准确率过低时进行预警。本发明的有益效果为:采用改进的粒子群算法对支持向量机参数的选择进行优化,从而提高了分类结果的准确性,进而提高了图像识别的准确率。
Description
技术领域
本发明创造涉及图像识别领域,具体涉及一种基于支持向量机的图像识别***。
背景技术
随着数字图像处理技术的发展,对机器视觉设备所获得的图像识别已经成为当前的迫切需要,很多理论上出众的模式识别方法在实际的应用中往往难以取得理想的效果,支持向量机是通过在特征空间构建超平面对分类或回归问题进行处理,通过核技巧将线性模型扩展到非线性情况,支持向量机是机器学习领域最优秀的算法之一,可以用于解决实际应用中的许多问题,在文本和超文本分类、图像分类、手写识别、生物识别等多个方面取得广泛的应用。
因此,本发明采用支持向量机进行图像识别,针对支持向量机核参数和其他相关参数的设置通常是基于经验的,而参数的选择常常关系到模型最终的性能,本发明提出使用粒子群算法对支持向量机参数的选择进行优化,从而提高了分类结果的准确性,进而提高了目标识别的准确率。
发明内容
针对上述问题,本发明旨在提供一种基于支持向量机的图像识别***。
本发明创造的目的通过以下技术方案实现:
一种基于支持向量机的图像识别***,包括图像预处理模块、图像信息采集模块、特征提取模块、图像识别模块和分析预警模块,所述图像预处理模块用于对待识别图像进行滤波处理和增强处理,所述图像信息采集模块用于提取预处理后的待识别图像中的图像数据,并将所述图像数据通过映射函数转换成多个图像集合,所述特征提取模块用于从图像集合中提取图像特征数据,并将所述图像特征数据分为训练数据集和测试数据集,所述图像识别模块采用训练数据集对支持向量机进行训练,并采用训练好的支持向量机根据测试数据集对待识别图像进行识别,所述分析预警模块用于对图像识别的准确率进行统计,当准确率较低时即进行预警。
本发明创造的有益效果:针对支持向量机核参数和其他相关参数的设置通常是基于经验的,而参数的选择常常关系到支持向量机最终的性能,本发明采用改进的粒子群算法对支持向量机参数的选择进行优化,从而提高了分类结果的准确性,进而提高了图像识别的准确率。
附图说明
利用附图对发明创造作进一步说明,但附图中的实施例不构成对本发明创造的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明结构示意图;
附图标记:
图像预处理模块1;图像信息采集模块2;特征提取模块3;图像识别模块4;分析预警模块5;参数设置单元41;样本训练单元42;图像识别单元43。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1,本实施例的一种基于支持向量机的图像识别***,包括图像预处理模块1、图像信息采集模块2、特征提取模块3、图像识别模块4和分析预警模块5,所述图像预处理模块1用于对待识别图像进行滤波处理和增强处理,所述图像信息采集模块2用于提取预处理后的待识别图像中的图像数据,并将所述图像数据通过映射函数转换成多个图像集合,所述特征提取模块3用于从图像集合中提取图像特征数据,并将所述图像特征数据分为训练数据集和测试数据集,所述图像识别模块4采用训练数据集对支持向量机进行训练,并采用训练好的支持向量机根据测试数据集对待识别图像进行识别,所述分析预警模块5用于对图像识别的准确率进行统计,当准确率较低时即进行预警。
优选地,所述图像识别模块4包括参数设置单元41、样本训练单元42和图像识别单元43,所述参数设置单元41采用改进的粒子群算法对支持向量机的参数进行优化,所述样本训练单元42采用训练数据集对参数优化后的支持向量机进行训练,所述特征分类单元43采用训练好的支持向量机根据测试数据集对待识别图像进行识别。
本优选实施例提供一种基于支持向量机的图像识别***,针对支持向量机核参数和其他相关参数的设置通常是基于经验的,而参数的选择常常关系到支持向量机最终的性能,本发明采用改进的粒子群算法对支持向量机参数的选择进行优化,从而提高了分类结果的准确性,进而提高了图像识别的准确率。
优选地,所述参数设置单元41采用改进的粒子群算法对支持向量机参数的选择进行优化,具体为:
(1)参数初始化,对支持向量机参数范围和粒子群算法的参数进行设置;
(2)将SVM检测率作为适应度函数值;
(3)计算每一个粒子的适应度值;
(4)根据粒子的适应度值更新个体最优值和全局最优值;
(5)判断是否找到全局最优解,如果没有找到,迭代次数增加,并更新粒子的速度和位置,如果找到全局最优解,则输出支持向量机的最优参数。
优选地,所述支持向量机采用的判别函数为f(x),设训练样本集为{xi,yi},yi=±1,i=1,…,n,则支持向量机的判别函数f(x)的计算公式为:
式中,αi *为Lagrange乘子,b*为分类阈值,xi为输入变量,yi为输出值,k(xi,xj)为核函数,q为多项式核阶数,α为RBF核惩罚系数,c为sigmoid核函数里的偏移值,k1和k2为权重系数,且k1+k2=1。
本优选实施例的判别函数中的核函数采用组合核函数,保证了SVM良好的泛化能力和学习能力,从而有效的提高了支持向量机在图像识别***中的性能。
优选地,所述粒子群算法采用一种改进的惯性权重wi(t)计算方法,具体为:
Δf=f(t)-f(t-1)
式中,wi(t)为粒子i在第t次迭代中的取值,we为惯性权重的初始值,wmax为惯性权重的最大值、tmax为预先设定的最大迭代次数,t为当前迭代数。
本优选实施例采用改进的惯性权重使得初始时惯性权重较大而结束时惯性权重较小,此外,综合考虑了适应度函数值的变化对惯性权重的影响,增强了算法的自适应性,有效地加快了收敛速度,提高了算法的效率。
优选地,所述粒子群算法采用一种改进的加速因子计算方法,具体为:
式中,c1o和c1e分别为预先设定的加速因子c1的初始值和最终值,c2o和c2e分别为预先设定的加速因子c2的初始值和最终值,tmax为预先设定的最大迭代次数,t为当前迭代数,a为正常数,且a>1。
本优选实施例采用改进的加速因子,能够有效的避免粒子陷入局部最小值,保证粒子的寻优能力。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (6)
1.一种基于支持向量机的图像识别***,其特征是,包括图像预处理模块、图像信息采集模块、特征提取模块、图像识别模块和分析预警模块,所述图像预处理模块用于对待识别图像进行滤波处理和增强处理,所述图像信息采集模块用于提取预处理后的待识别图像中的图像数据,并将所述图像数据通过映射函数转换成多个图像集合,所述特征提取模块用于从图像集合中提取图像特征数据,并将所述图像特征数据分为训练数据集和测试数据集,所述图像识别模块采用训练数据集对支持向量机进行训练,并采用训练好的支持向量机根据测试数据集对待识别图像进行识别,所述分析预警模块用于对图像识别的准确率进行统计,当准确率较低时即进行预警。
2.根据权利要求1所述的一种基于支持向量机的图像识别***,其特征是,所述图像识别模块包括参数设置单元、样本训练单元和图像识别单元,所述参数设置单元采用改进的粒子群算法对支持向量机的参数进行优化,所述样本训练单元采用训练数据集对参数优化后的支持向量机进行训练,所述图像识别单元采用训练好的支持向量机根据测试数据集对待识别图像进行识别。
3.根据权利要求2所述的一种基于支持向量机的图像识别***,其特征是,所述参数设置单元采用改进的粒子群算法对支持向量机参数的选择进行优化,具体为:
(1)参数初始化,对支持向量机参数范围和粒子群算法的参数进行设置;
(2)将SVM检测率作为适应度函数值;
(3)计算每一个粒子的适应度值;
(4)根据粒子的适应度值更新个体最优值和全局最优值;
(5)判断是否找到全局最优解,如果没有找到,迭代次数增加,并更新粒子的速度和位置,如果找到全局最优解,则输出支持向量机的最优参数。
4.根据权利要求3所述的一种基于支持向量机的图像识别***,其特征是,所述支持向量机采用的判别函数为f(x),设训练样本集为{xi,yi},yi=±1,i=1,…,n,则支持向量机的判别函数f(x)的计算公式为:
式中,ai *为Lagrange乘子,b*为分类阈值,xi为输入变量,yi为输出值,k(xi,xj)为核函数,q为多项式核阶数,α为RBF核惩罚系数,c为sigmoid核函数里的偏移值,k1和k2为权重系数,且k1+k2=1。
5.根据权利要求3所述的一种基于支持向量机的图像识别***,其特征是,所述粒子群算法采用一种改进的惯性权重wi(t)计算方法,具体为:
Δf=f(t)-f(t-1)
式中,wi(t)为粒子i在第t次迭代中的取值,we为惯性权重的初始值,wmax为惯性权重的最大值、tmax为预先设定的最大迭代次数,t为当前迭代数。
6.根据权利要求5所述的一种基于支持向量机的图像识别***,其特征是,所述粒子群算法采用一种改进的加速因子计算方法,具体为:
式中,c1o和c1e分别为预先设定的加速因子c1的初始值和最终值,c2o和c2e分别为预先设定的加速因子c2的初始值和最终值,tmax为预先设定的最大迭代次数,t为当前迭代数,a为正常数,且a>1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810533681.6A CN108830304A (zh) | 2018-05-29 | 2018-05-29 | 一种基于支持向量机的图像识别*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810533681.6A CN108830304A (zh) | 2018-05-29 | 2018-05-29 | 一种基于支持向量机的图像识别*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108830304A true CN108830304A (zh) | 2018-11-16 |
Family
ID=64146636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810533681.6A Withdrawn CN108830304A (zh) | 2018-05-29 | 2018-05-29 | 一种基于支持向量机的图像识别*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830304A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909603A (zh) * | 2019-10-23 | 2020-03-24 | 阜阳师范大学 | 一种基于支持向量机的智能监控*** |
CN111275078A (zh) * | 2020-01-13 | 2020-06-12 | 南京航空航天大学 | 一种用于零件图像识别的支持向量机的优化方法 |
CN111309151A (zh) * | 2020-02-28 | 2020-06-19 | 桂林电子科技大学 | 一种学校监控设备的控制方法 |
CN113487533A (zh) * | 2021-05-19 | 2021-10-08 | 东北大学 | 一种基于机器学习的零件装配质量数字化检测***及方法 |
-
2018
- 2018-05-29 CN CN201810533681.6A patent/CN108830304A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909603A (zh) * | 2019-10-23 | 2020-03-24 | 阜阳师范大学 | 一种基于支持向量机的智能监控*** |
CN111275078A (zh) * | 2020-01-13 | 2020-06-12 | 南京航空航天大学 | 一种用于零件图像识别的支持向量机的优化方法 |
CN111309151A (zh) * | 2020-02-28 | 2020-06-19 | 桂林电子科技大学 | 一种学校监控设备的控制方法 |
CN113487533A (zh) * | 2021-05-19 | 2021-10-08 | 东北大学 | 一种基于机器学习的零件装配质量数字化检测***及方法 |
CN113487533B (zh) * | 2021-05-19 | 2023-11-14 | 东北大学 | 一种基于机器学习的零件装配质量数字化检测***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106096538B (zh) | 基于定序神经网络模型的人脸识别方法及装置 | |
CN105069472B (zh) | 一种基于卷积神经网络自适应的车辆检测方法 | |
CN107133943B (zh) | 一种防震锤缺陷检测的视觉检测方法 | |
CN108830304A (zh) | 一种基于支持向量机的图像识别*** | |
CN104143079B (zh) | 人脸属性识别的方法和*** | |
Esmaeili et al. | Fast-at: Fast automatic thumbnail generation using deep neural networks | |
CN109858569A (zh) | 基于目标检测网络的多标签物体检测方法、***、装置 | |
CN107194418B (zh) | 一种基于对抗特征学习的水稻蚜虫检测方法 | |
EP3819859A1 (en) | Sky filter method for panoramic images and portable terminal | |
CN109615014A (zh) | 一种基于kl散度优化的数据分类***与方法 | |
CN104091169A (zh) | 基于多特征融合的行为识别方法 | |
CN103440645A (zh) | 一种基于自适应粒子滤波和稀疏表示的目标跟踪算法 | |
CN110084165A (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN104680144A (zh) | 基于投影极速学习机的唇语识别方法和装置 | |
CN104463128A (zh) | 用于人脸识别的眼镜检测方法及*** | |
CN109741318A (zh) | 基于有效感受野的单阶段多尺度特定目标的实时检测方法 | |
CN102609693A (zh) | 基于模糊二维核主成分分析的人脸识别方法 | |
Bawane et al. | Object and character recognition using spiking neural network | |
CN110533100A (zh) | 一种基于机器学习进行cme检测和跟踪的方法 | |
CN110580510A (zh) | 一种聚类结果评价方法和*** | |
CN110149531A (zh) | 一种识别视频数据中视频场景的方法和装置 | |
CN110458189A (zh) | 压缩感知和深度卷积神经网络电能质量扰动分类方法 | |
Tsai et al. | Use SSD to detect the digital region in electricity meter | |
CN106326839A (zh) | 一种基于出操视频流的人数统计方法 | |
CN113989556A (zh) | 一种小样本医学影像分类方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181116 |