支持向量機在嵌入式圖像識別中的研究.pdf

1、傳統(tǒng)圖像識別技術主要是利用數(shù)字圖像處理技術和統(tǒng)計學原理，提取圖像的特征，利用分類器對圖像進行識別，算法計算量大，識別效果易受圖像質量的影響。近年來發(fā)展起來的人工神經(jīng)網(wǎng)絡雖然在圖像識別方面有很多優(yōu)勢（如并行處理），但是由于其自身的缺陷（局部極小值、過學習和欠學習等）限制了其應用。和神經(jīng)網(wǎng)絡、決策樹不同，本文采用支持向量機（Support Vector Machine，SVM）對數(shù)字圖像進行識別，它是基于結構風險最小化，具有更堅實的理論基礎

2、、更強的泛化能力，性能也更加優(yōu)異。
　　隨著集成電子技術的發(fā)展，嵌入式系統(tǒng)逐漸向低功耗、小體積、高性能方向發(fā)展，圖像識別技術在各種嵌入式系統(tǒng)的使用越來越廣泛。當在嵌入式系統(tǒng)中用支持向量機進行圖像識別時，由于SVM在訓練過程中需要消耗較大的存儲資源，特別是在訓練樣本數(shù)量較多時，其訓練速度往往成為實際應用的瓶頸，這在一定程度上制約了該算法的推廣和應用。另外支持向量機訓練和分類的過程涉及到大量的浮點數(shù)運算，程序執(zhí)行時間長，無法滿足系統(tǒng)的

3、實時性要求，必須對其加以改進。
　　本文采用的嵌入式系統(tǒng)是三星公司的S3C2440，采用離線訓練的SVM參數(shù)，即在PC機上用浮點運算訓練好支持向量機，然后在嵌入式系統(tǒng)上將浮點運算轉化為定點整數(shù)運算，降低了運算的復雜性，提高了運算速度，以一定的精度損失帶來訓練過程數(shù)據(jù)計算的快捷性。另外采用整型參數(shù)對支持向量機進行訓練，由于本文所用到的支持向量機的輸入向量是數(shù)字圖像的像素值，因此不必對訓練樣本進行整型化處理，只需對標準SVM算法中的拉