基于支持向量机的图像识别方法研究_开题报告

文献综述

（一）基于支持向量机算法的图像识别研究现状

支持向量机(SVM)[1]自1995年由Vapnik[1]提出以来就受到理论研究和工程应用的双重重视。支持向量机是在统计学习理论基础上，借助最优化方法解决机器学习问题的新一代学习算法，该算法集成了最大间隔超平面、Mercer核、凸二次规划、稀疏解和松弛变量等多项技术。在若干挑战性的应用中获得了目前为止最好的性能。支持向量机以及核学习方法被认为是“机器学习领域非常流行的方法和成功的例子”，并且是一个十分令人瞩目的发展方向[2]。

支持向量机(SVM)正成为当今人工智能算法研究的热点。支持向量机在模式识别和文本分类等方面获得了极大的成功,对象分类的准确率很高,用支持向量机的方法处理一些二值图像和灰度图像,能获得较好的统计结果，从中摸索出了一些特征向量集的选取方法,制定出判断结果优劣的标准。比较了支持向量机方法与其他方法得到的结果后,得出了重要结论:用支持向量机识别图像的边缘具有非常优异的统计性能。

支撑向量机以结构风险最小化原理为准则，能够有效解决过拟合、落入局部极值和“维数灾难”等问题，在解决小样本、非线性、高维空间模式识别问题中表现出良好的推 广性和较好的分类准确性[3]

（二）基于支持向量机算法的图像识别技术在各方面的应用

缺陷或不良内容图像识别与诊断方面

基于支持向量机算法（Svm）基于结构风险最小化原理的特点，表现出优于很多已有方法的性能。已有部分学者将SVM理论引入视频图像故障诊断与识别方面。如今数字图像和视频应用范围越来越广泛,例如大规模的数字视频监控系统中,集成了几百甚至上千路摄像头的画面,仅仅单纯地依靠人工对视频图像故障进行识别,工作量是相当巨大的。而现有的一些视频图像故障检测系统也需要经过大量的实验确定一个经验阈值进行判定,这个经验阈值并不能满足不同场景的需要,当应用到一个新的场景时,需要再次进行大量实验来确定这个阂值。引入机器学习的SVM方法,利用图像质量的客观评价算法提取图像的视觉特征,建立故障视频图像识别模型,不仅可以应对大规模的监控系统,而且可以突破不同场景的限制。[4] 如在机械部件故障诊断方面，有研究人员提出了一种基于图像识别的齿轮故障诊断方法,该方法将先进的图像识别技术与成熟的信号频谱分析技术相结合,通过分析齿轮故障信号双谱图的纹理特征,进而使用SVM分类算法识别出齿轮的故障类型。[5]

  (2) 在农作物病虫害图像检查方面

小麦害虫图像模式识别：将支持向量机（SVM）方法用于构建小麦害虫图像分类器。支持向量机是在样本空间或特征空间定义最优线性超平面，使得最优超平面和不同类样本集间的距离最大，以此达到最好的泛化能力。在Matlab上构建的识别实验表明，支持向量机可以构建一个性能很好的小麦害虫图像分类器，同时能够解决构建过程中的维数灾难、非线性、过度拟合以及有限样本等问题。[6] 粮虫图像识别属于小样本、参数多和特征之间混合度大的分类问题,因此分类器的设计是自动检测系统的关键环节。[7] 为此,农业专家张红涛、胡玉霞等采用网格搜索法,以SVM交叉验证训练模型的识别率为判别准则,对支持向量机分类器的参数和进行优化。应用SVM分类器对粮仓中危害严重的9类粮虫进行了自动分类,识别率达到93%以上。结果证实了基于SVM的分类器可进一步提高粮虫识别的精度。

 (3) 在医学成像识别与诊断方面

利用NSCT（Nonsubsampled Contourlet)变换将人体脑部核磁共振(MR)图像，从空间域变换成频率域表示。提取变换后表征图像特性的低频子带均值、方差及高频16个方向子带能量作为特征向量,输入SVM分类器进行分类识别。该方法提取的特征维数少,识别速度快,识别率高,能够快速区分病变与非病变脑部MR图像。[8] 

随着医学显微图像处理技术和模式识别技术的快速发展,研究人员提出了很多借助于计算机的寄生虫虫卵的自动识别方法,这对于提高医务人员的工作效率和抑制寄生虫病的研究工作有着重要的意义。虽然目前在寄生虫病病原体自动识别方面不少学者已经做了不少工作,然而在实际应用中的被检测图像存在较多杂质或背景复杂,这给图像分割和特征提取带来很大的影响,进而影响到最终识别结果的准确性。在此过程中，为了准确的检测出寄生虫图像中包含的虫卵信息,系统需要遍历所有虫卵边缘空间分布直方图类模板,进而使得系统性能随着类模板数目的增加而不断下降, 胡小芳研究员将基于SVM的寄生虫虫卵图像识别算法与MapReduce编程模型相结合,提出了一种基于Hadoop的人体寄生虫虫卵识别算法的并行化实现,有效的提高了系统识别效率。[9] 

胃镜检查是诊断胃病最常见、最准确的方法,胃脘痛胃镜下表现呈多态性。对图像进行纹理特征提取后,用支持向量机对图像进行训练和识别。提取处理后的图像纹理直方图,将其作为特征向量输入SVM,通过这些特征向量进行最终判别,具有较强的识别能力,识别准确率高达95.8%。[10]

图像理论相关著作介绍

《数字图像处理》 冈萨雷斯等著

数字图像处理方面经典著作，讲述了图像处理的主干内容，包括灰度变换、线性和非线性空间滤波、频率域滤波、图像恢复与配准、彩色图像处理、小波、图像数据压缩、形态学图像处理、图像分割、区域和边界表示与描述，以及目标识别。以图像处理理论与软件实践方法相结合为特色，是一本不可多得的图像处理佳作。

《计算机视觉：理论与算法》 RichardSzeliski著

本书详细介绍了分析与解释图像的各种技术，描述了一些在视觉应用方面的成功范例。将成像过程中的物理模型公式化，进而生成逼真的场景描述，同时运用统计模型分析和工程方法解决各种问题。

《图像处理，分析与机器视觉》（Image Processing, Analysis and Machine Vision）Sonka等著

针对图像处理、图像分析和机器视觉领域的有关原理与技术展开了广泛而深入的讨论，包括图像预处理、图像分割、形状表示与描述、物体识别与图像理解、三维视觉、数学形态学图像处理技术、离散图像变换、图像压缩、纹理描述、运动分析等。覆盖了十分广泛的领域，包括人工智能、信号处理、人工神经网络、模式识别、机器学习、模糊数学等一系列相关学科。

^范文提纲

摘要

引言

第1章  研究背景与意义

1.1  研究的背景

1.2  研究的意义

第2章  面向车牌识别的图像处理问题

2.1  车牌图像预处理

2.2  车牌图像的特征提取

2.3  车牌图像的特征优化

支持向量机模型与算法介绍

3.1 线型分类器算法

3.2 多类分类器算法

第4章  基于SVM算法的图像识别在车牌识别中的应用

4.1  车牌图像的预处理

4.2  车牌图像的基于SVM的分类实现

4.3  车牌图像中的车牌提取实现

4.4  车牌的特征提取与识别

三、参考文献

[1] Vapnik V N. The Nature of Statiscal Learning Theory[M]. New York:Springer-Verlag, 1995. 

[2]  Nello Cristinaini,John Shawe-Yaylor. 支持向量机导论[M]. 李国正,等译. 北京:电子工业出版社, 2004.

[3]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.

[4] 潘瑞雪.基于SVM的故障视频图像识别与诊断技术研究与实现[Z]. ://cdmd.cnki.com.cn/Article/CDMD-10511-1015570134.htm .2014年5月1日

[5]魏维格.基于图像识别的齿轮故障诊断方法研究[Z] .://cdmd.cnki.com.cn/Article/CDMD-10459-1016167007.htm .2016年5月1日

[6] 王黎鹃.基于LCV和SVM的小麦害虫图像识别方法研究[Z].  ://cdmd.cnki.com.cn/Article/CDMD-10708-1013264546.htm  .2013年3月1日

[7] 张红涛、胡玉霞. 基于SVM的储粮害虫图像识别分类[Z].  20://.cnki.com.cn/Article/CJFDTOTAL-NJYJ200808011.htm .农机化研究 2008年08期 

[8]徐楠楠. 基于NSCT和SVM的脑MRI医学图像识别[Z]. ://.cnki.com.cn/Article/CJFDTOTAL-XDDJ201412020.htm .《现代电子技术》 2014年12期 

[9] 胡小芳. 基于Hadoop的人体寄生虫虫卵识别系统的研究与实现[Z].  ://cdmd.cnki.com.cn/Article/CDMD-10299-1016905074.htm . 2016年4月1日 

[10] 徐红梅. 基于胃镜图像的胃脘痛特征数据分析[Z].  ://cdmd.cnki.com.cn/Article/CDMD-10190-1016759540.htm.  2016年4月1日