基于HOG特征和SVM分类器的图像处理方法及应用研究_开题报告

图像处理指的是将图像信号转换成数字信号并利用计算机对其进行处理的过程。图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。图像处理作为一门学科大约形成于20世纪60年代初期。早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。首次获得实际成功应用的是美国喷气推进实验室（JPL）。他们对航天探测器徘徊者7号在1964 年发回的几千张月球照片使用了图像处理技术，如几何校正、灰度变换、去除噪声等方法进行处理，并考虑了太阳位置和月球环境的影响，由计算机成功地绘制出月球表面地图，获得了巨大的成功。随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理，以致获得了月球的地形图、彩色图及全景镶嵌图，获得了非凡的成果，为人类登月创举奠定了坚实的基础，也推动了图像处理这门学科的诞生。在以后的宇航空间技术，如对火星、土星等星球的探测研究中，图像处理技术都发挥了巨大的作用。图像处理取得的另一个巨大成就是在医学上获得的成果。1972 年英国EMI 公司工程师Housfield 发明了用于头颅诊断的X射线计算机断层摄影装置，也就是我们通常所说的CT（Computer Tomograph ）。1975年EMI公司又成功研制出全身用的CT装置，获得了人体各个部位鲜明清晰的断层图像。1979年，这项无损伤诊断技术获得了诺贝尔奖，说明它对人类作出了划时代的贡献。与此同时，图像处理技术在许多应用领域受到广泛重视并取得了重大的开拓性成就，属于这些领域的有航空航天、生物医学工程、工业检测、机器人视觉、公安司法、军事制导、文化艺术等，使图像处理成为一门引人注目、前景远大的新型学科。随着图像处理技术的深入发展，从70 年代中期开始，随着计算机技术和人工智能、思维科学研究的迅速发展，图像处理向更高、更深层次发展。人们已开始研究如何用计算机系统解释图像，实现类似人类视觉系统理解外部世界，这被称为图像理解或计算机视觉。很多国家，特别是发达国家投入更多的人力、物力到这项研究，取得了不少重要的研究成果。其中代表性的成果是70年代末MIT的Marr提出的视觉计算理论，这个理论成为计算机视觉领域其后十多年的主导思想。图像理解虽然在理论方法研究上已取得不小的进展，但它本身是一个比较难的研究领域，存在不少困难，因人类本身对自己的视觉过程还了解甚少，因此计算机视觉是一个有待人们进一步探索的新领域。

国内研究现状

哈尔滨工业大学现代焊接生产技术国家重点实验室的陈彦宾等人论述了图像处理技术在自动焊接中的应用原理、数字图像的采集方法、数字图像的特征信息定义、广义数字图像处理技术及其对自动化焊接理论研究和实践应用的推动作用。通过总结图像处理技术的研究和应用现状,综合分析了图像处理技术在现代焊接技术中发展和应用的前景。

华中科技大学能源与动力工程学院的王兆文等人设计了基于Matlab/GUI的汽油机缸内直接喷雾图像实时处理程序,实现了图像处理的可视化操作。

清华大学计算机科学与技术系智能技术与系统国家重点实验室的杨明等人综述了目前ITS领域中所广泛采用的图像采集设备、图像处理硬件和图像处理软件，并给出了大量的应用实例。

北京大学视觉与听觉信息处理国家重点实验室的王圣男等人介绍了近年来提出的一些主要的车辆检测与跟踪技术,并根据核心处理方法(基于特征、区域或模型等)及处理域(空域、时域)的不同对这些技术进行了分类,同时分析比较了各种方法的优缺点。

华北水利水电大学软件学院的刘建华等人对基于图像处理的CT图像肝癌检测技术进行了研究。根据放射科医生临床诊断经验及肝癌CT图像的特点,提出了一个包括图像预处理、图像分割、特征提取和分类识别的肝癌检测方法,实现了对肝癌的有效识别。

浙江农林大学农业与食品科学学院的邓飞等人采用计算机图像处理技术测定了幼苗长度和生长速率，并评估了杉木和马尾松种子活力。

东北农业大学工程学院的李明等人将图像处理得到的叶面积指数数据与实际测得的数据进行拟合建立了模型，该模型能够实现高精度的小麦冠层叶面积指数的估测。

扬州大学江苏省作物遗传生理重点实验室的刘涛等人设计了一种利用图像分析技术实现大田麦穗快速计数的方法,分析了利用颜色特征和纹理特征分割麦穗的优缺点和粘连区域麦穗个数的计算方法。通过对撒播和条播各35幅样本图像进行计数实验,准确率分别为95.77%和96.89%。

中科院计算机科学重点实验室的孙庆杰等人利用基于侧影的人体模型及其对应的概率模型，提出了一种基于矩形拟合的人体检测算法。中科院自动化所谭铁牛等对人运动进行视觉分析，其核心是利用计算机视觉技术从图像序列中检测、跟踪、识别人并对其行为进行理解与描述,它主要应用在视觉监控领域和基于步态的身份鉴定。步态识别就是根据人们走路的姿势进行身份鉴定,依据人体行走运动很大程度上依赖于轮廓随着时间的形状变化的直观想法,提出一种基于时空轮廓分析的步态识别算法；基于行走运动的关节角度变化包含着丰富的个体识别信息的思想,提出一种基于模型的步态识别算法。实验结果表明该算法不仅获得了令人鼓舞的识别性能,而且拥有相对较低的计算代价。但是该方法只能检测出运动的行人。

西安交通大学郑南宁等研究了利用支持向量机识别行人的方法,通过稀疏Gabor滤波器提取行人样本图像中行人的特征,然后利用支持向量机来训练所提取的样本特征,并用训练得到的分类器通过遍历图像的方式将图像中可能属于行人的窗口提取出来。尽管用Gabor滤波器提取特征效果相对较好,但耗时很长,不适合于实时图像的处理。

上海交通大学田广等提出了一种coarse-to-fine的行人检测方法,将一个人建模成人体自然部位的组装,人体的所有部位包括头肩、躯干和腿、采用绝对值类Haar特征集和Edgelet特征集,在这些特征集上,采用softcascade训练各个部位的检测器和全身检测器。首先采用全身检测器在整个图像中产生候选行人区域,然后用基于贝叶斯决策的组合算法进一步确定候选区域中的行人。实验结果表明该算法有很好的检测性能能在杂乱的自然场景中有效的检测行人。但该方法的识别率是78.3%,识别率不高，且该模型比较难构建,模型求解也比较复杂。

（二）国外研究现状

国外的图像处理算法比较多，提出的也比较早，例如：边缘方向直方图（edge orientation histograms），形状上下文（shape contexts），尺度不变特征转换（scale-invariant feature transform）。本^范文主要研究HOG特征和SVM分类器的应用，所以以下重点介绍一下HOG特征和SVM的现状。

Wayland Research Inc. 的Robert K. McConnell在1986年第一次提出了和HOG（全称Histogram of Oriented Gradient，中文名称方向梯度直方图）类似的概念，但是HOG这个术语直到2005年，才被Navneet Dalal和Bill Triggs在世界计算机视觉和模式识别会议(Conference on Computer Vision and Pattern Recognition，CVPR)上提出来。他们在Histograms of Oriented Gradients for Human Detection这篇^范文里详细描述了HOG方法，在他们的实验中，该方法被用在静态图像的行人检测中，取得了显著的效果。从那以后，HOG方法开始流行起来，被广泛的应用到各种图像处理的研究中，例如：静态图像，视频中的行人检测，车辆检测，常见动物检测，甚至矿物检测。到2017年10月份，上述^范文已经被引用了20261次。

原始SVM算法(全称Support Vector Machine, 中文名称支持向量机)由Vladimir N. Vapnik和Alexey Ya. Chervonenkis发明于1963年。1992年，Bernhard E. Boser，Isabelle M. Guyon和Vladimir N. Vapnik提出了一种通过将内核技巧应用于最大余量超平面来创建非线性分类器的方法。目前标准的SVM算法（软裕度）由Corinna Cortes和Vapnik于1993年提出，并于1995年出版。SVM是一个有监督的学习模型，主要用于分类。该方法被大量的应用于文本和超文本分类，也被用于图像的分类。

二、^范文提纲

1. 研究背景与意义

1.1 图像处理技术的研究现状

1.2 图像处理技术在生物识别应用中的意义

1.3 外来入侵物种的危害

2. 长江鱼类识别问题描述

2.1 本地物种和外来物种的辨别

3. HOG特征和SVM向量机介绍

3.1 HOG特征

3.1.1 HOG特征的由来

3.1.2 HOG特征的原理

3.2 SVM向量机

3.2.1 SVM向量机的由来

3.2.2 SVM向量机的原理

4. 仿真实验与分析

4.1 图像的抓取

4.1.2 图像的前期处理

4.1.3 图像的HOG特征提取

4.1.4 SVM分类器训练

4.1.5 实验结果与分析

5. 总结与展望

5.1 研究总结

5.2 对未来的展望

三、参考文献

[1]N. Dalal, B. Triggs. Histograms of Oriented Gradients for Human Detection[C]. In Computer Vision and Pattern Recognition, 2005. CVPR 2005. IEEE Computer Society Conference on, 2005: 886-893

[2]Chang C-C, Lin C-J. LIBSVM: a library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2011, 2 (3): 27

[3]Cortes C, Vapnik V. Support vector machine[J]. Machine learning, 1995, 20 (3): 273-297

[4]P. Viola, M. Jones. Rapid object detection using a boosted cascade of simple features[C]. In Computer Vision and Pattern Recognition, 2001. CVPR 2001. Proceedings of the 2001 IEEE Computer Society Conference on, 2001: I–511

[5]Y Uzun, M Balcılar, K Mahmood, F Davletov. Usage of HoG (histograms of oriented gradients) features for victim detection at disaster areas[C]. International Conference on Electrical & Electronics Engineering, 2013: 535-538

[6]徐渊, 徐晓亮, 李才年等. 结合SVM分类器与HOG特征提取的行人检测[J].  计算机工程, 2016, 42(1): 56-60, 65

[7]夏良正.数字图像处理[M]. 南京: 东南大学出版社, 1999. 155

[8]赵诚. 图像识别方法与实现技术研究[M]. 西安: 西安电子科技大学, 2008

[9]郭俊芳. 纸币面额与序列号识别算法的设计与实现[D]. 北京: 北京邮电大学, 2011

[10]慕春雷.基于HOG特征的人脸识别系统研究[M]. 电子科技大学, 2013:24-26