多特征融合的場(chǎng)景分類方法研究.pdf

1、由于多媒體技術(shù)和互聯(lián)網(wǎng)網(wǎng)絡(luò)技術(shù)的快速發(fā)展，產(chǎn)生大量數(shù)字圖像。依靠傳統(tǒng)人工方法進(jìn)行分類，及其繁瑣且耗時(shí)。針對(duì)這一現(xiàn)象，智能圖像分類成為一個(gè)研究熱點(diǎn)。目前，研究人員已經(jīng)提出很多圖像場(chǎng)景分類算法。由于圖像中包含的各種物體信息非常豐富，彼此之間的空間分布錯(cuò)綜復(fù)雜，基于單一特征的描述方法不能完全描述圖像的信息。針對(duì)單一特征描述的不足，本文提出了基于多特征融合的圖像場(chǎng)景分類算法。
　　本文首先分析了圖像場(chǎng)景分類的研究背景、國內(nèi)外研究現(xiàn)狀及相關(guān)

2、應(yīng)用。接著介紹了本文用到的模型和技術(shù)，包括概率潛在語義分析(PLSA)、局部約束線性編碼(LLC)和支持向量機(jī)(SVM)的工作原理。接著在已有的模型和算法上加入多種底層融合特征，進(jìn)行場(chǎng)景分類實(shí)驗(yàn)，并對(duì)結(jié)果進(jìn)行分析和對(duì)比。主要研究內(nèi)容如下:
　　一方面，提出了一種基于PLSA的多特征融合圖像場(chǎng)景分類方法。該方法分別提取圖像的LBP特征和SIFT特征，兩者組合起來描述圖像場(chǎng)景能夠提供更豐富的信息，特征之間能夠達(dá)到優(yōu)勢(shì)互補(bǔ)。將兩種特征使

3、用詞袋模型進(jìn)行量化，生成對(duì)應(yīng)特征的詞袋表示。然后將兩種特征的詞袋表示直接連接，得到圖像的詞袋表示。再將圖像的詞袋表示結(jié)合PLSA模型來學(xué)習(xí)，得到圖像集的視覺主題分布和潛在主題分布。最后將圖像的潛在主題分布結(jié)合SVM分類器進(jìn)行分類判別，得到最終的實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)部分，首先最優(yōu)化PLSA模型的參數(shù)，然后將該算法與單一特征場(chǎng)景分類算法以及其它場(chǎng)景分類算法做對(duì)比，實(shí)驗(yàn)結(jié)果表明該算法提高了分類準(zhǔn)確率，驗(yàn)證了基于PLSA模型的多特征融合框架的可行性。

4、
　　另一方面，提出一種基于稀疏編碼的多特征融合場(chǎng)景分類方法，有效緩解了單一特征在描述圖像特征時(shí)的局限性。該方法首先分別提取圖像的GIST特征、SIFT特征和PHOG特征，然后使用局部約束線性編碼的方法對(duì)SIFT特征進(jìn)行稀疏編碼，得到SIFT特征的稀疏向量表示。接著將SIFT特征稀疏向量表示、GIST特征和PHOG特征進(jìn)行串聯(lián)融合，得到圖像的特征表示。然后將圖像的特征向量表示結(jié)合多類線性SVM分類器進(jìn)行分類，得到最后的分類結(jié)果。<