《毕业设计开题报告_3.docx》由会员分享，可在线阅读，更多相关《毕业设计开题报告_3.docx（8页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、毕业设计开题报告上海工程技术大学毕业设计毕业论文开题报告学院电子电气学院专业自动化班级学号0212082021206231学生於恺律指导老师余朝刚题目基于支持向量机的数字图像分割任务规定进行日期自2020年9月13日起，至2021年1月13日止1课题背景及研究意义:图像分割是进行图像理解的基础，是图像工程技术中的一个重要问题。近年来，人们越来越重视图像的分割算法，并期望寻求一种实时性、鲁棒性较好的算法。图像分割技术在当今信息社会中具有极其广泛的用处，十分是在医学图像诊断、卫星遥感图像识别、交通车牌信息识别等等方面尤其有现实意义。目前机器学习技术正越来越多地引领图像分割领域的研究发展，支持向量机
2、正是其中一种较为先进的研究方法。2课题研究内容:图像处理图像处理用计算机对图像进行分析，以到达所需结果的技术。又称影像处理。基本内容图像处理一般指数字图像处理。数字图像是指用数字摄像机、扫描仪等设备经过采样和数字化得到的一个大的二维数组，该数组的元素称为像素，其值为一整数，称为灰度值。图像处理技术的主要内容包括图像压缩，加强和复原，匹配、描绘和识别3个部分。常见的处理有图像数字化、图像编码、图像加强、图像复原、图像分割和图像分析等。图像处理一般指数字图像处理。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目的的技术和经过。它是由图像处理到图像分析的关键步骤。现有的图像分割方
3、法主要分下面几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。近年来，研究人员不断改良原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。支持向量机支持向量机是由贝尔实验室的VladimirN.Vapnik博士等人在1995年基于统计学习理论基础上提出的一种专门研究小样本情况下的新型的机器学习方法。与传通通计学相比，SVM算法不是以经历风险最小化原则为基础的，而是建立在构造风险最小化原则基础之上的，是一种新型的构造化学习方法。SVM与神经网络、决策树不一样，它不是利用经历的启发式算法来修剪构造，而是通过改变一个控制
4、参数来连续调节模型复杂度和构造，并且这种调节是自动的。能够讲SVM是真正意义上的机构能够自动选择的学习机，它能很好地解决有限数量样本的高维模型的构造问题，具有良好的分类能力和预测性能。由于SVM在很多应用领域表现出较好的推广能力，自20世纪90年代提出以后，迅速引起各领域的注意和研究兴趣。目前对SVM的研究主要有以统计学习理论为基础的理论研究、各种改良的SVM方法、针对大型问题的有效算法以及各种应用领域的推广等。基于支持向量机的图像分割基于支持向量机的发方法进行详细的图像分割。SVM在理论上具有突出的优势，在实践应用方面最早由贝尔实验室针对美国邮政手写数字库的相关识别进行了研究，获得了相对成功
5、。在近期几年，有关SVM的应用研究得到了很多领域的学者的重视，在人脸检测和识别、讲话人/语音识别、网络入侵检测、手写体数字识别及其他应用研究等方面获得了大量的研究成果，从最初的简单形式输入的直接SVM方法研究，进入到多种方法扬长避短的联合应用研究，对SVM本身也进行了多方面的改良研究。下面是几个基于支持向量机方法进行图像分割的实例。人脸检测和识别。即：任给一幅图像，判定其中能否存在人脸，假如存在，则返回人脸的位置、大小、位姿等。Osuna等首先将SVM方法用于人脸检测与识别问题，获得了较好的实验结果。该方法使用了大量人脸样本和“自举方法采集的“非人脸样本来训练SVM，并且使用逼近优化的方法减少
6、支持向量的数量，在检测阶段对每个1919像素的窗口使用SVM进行分类以确定能否为人脸。但直接使用SVM方法需要大量存储空间，且支持向量会较多约占训练样本总数20%，速度较慢。为此，提出一种递进式的人脸检测算法背景消减、肤色分割与SVM方法相结合的人脸检测算法。提出了基于两级分类器和SVM的人脸检测研究，该方法中，第一级采用特征基方法，对待检测区域进行粗挑选，过滤掉大量非人脸背景信息，然后再用第二级SVM进行验证。实验结果表明这些算法都能提高检测速度，使系统更有效率。人脸检测研究中更复杂的情况是姿态的变化。提出基于LLE的彩色图象人脸检测，运用局部线形嵌入LLE的非线性降维方法，解决非线性构造的
7、高维数据图象低维表示的问题，实现高维输入数据点映射到一个全局低维坐标系，同时保留了邻接点之间的空间关系。实验结果表明方法效率较高，而且不受姿态、表情和光照等影响。针对多姿态人脸检测的姿态断定提出了一种基于SVM的断定算法，将人脸姿态划成6个类别，从一个多姿态人脸库中手工标定训练样本集和测试样本集，训练基于SVC和SVR姿态分类器，分别获得1.67%和3.33%的分类错误率，其中SVC的分类效果明显优于传统方法中效果最好的ANN方法。讲话人/语音识别。讲话人识别是根据语音波形中反映讲话人生理和行为特征的语音参数，自动鉴别讲话人身份的一项生物认证技术，贝尔实验室在20世纪50年代开发了第一个识别1
8、0个英文数字的语音识别系统Audry系统。在过去的十几年里，SVM被证实是讲话人识别的一种有效方法。它能够到达，甚至超过动态时间规整DTW、语音信号线性预测编码LPC、隐马尔科夫模型HMM、人工神经元网络ANN等识别方法的效果。但是当训练样本集增大或噪音等因素影响，SVM的效率会明显下降。为此，提出基于VQSVM的讲话人识别系统研究，将SVM在矢量量化VQ系统上进行二次识别来提高噪声环境下的讲话人识别率，实验结果表明该方法可提高识别效率。针对训练样本增大效率降低的情况提出了基于双分界面的SVMTWSVMs的讲话人识别系统的研究，该识别系统在建立模型的经过中使用高斯混合模型进行特征提取，有效地减
9、少了数据集的规模，获得更高的识别率，且对环境具有良好的鲁棒性，降低了算法的时间复杂度。结合以上以及等等一些列的支持向量机方法在图像分割上的实际运用能够看出，这个方法还是很简单有效与使用的。网络入侵检测。网络入侵检测系统主要处理多类攻击数据和正常数据，关键在于正常和异常行为形式库的建立。以往常用方法包括神经网络、数据挖掘等，然而这些方法需要大量的训练样本，实际操作不可能知足，容易导致误检率和漏检率偏高。现由于SVM本身所具备的优势而被广泛用于入侵检测系统，获得良好的检测效果。目前应用于入侵检测的SVM主要有二分类SVM、N分类SVM、针对无标记数据分类以及大量训练样本的SVM。提出的直推式支持向
10、量机TSVM就是一种针对无标记样本的SVM，它是一种不依靠于推广性思想的经历推理，基本思想是把未标记样本的特征参加到入侵检测算法的设计中去，弥补传统的归纳式支持向量机ISVM带来的缺陷。而针对了大量训练样本SVM导致的分类速度过慢，提出了基于约简SVM的网络入侵检测模型，方法是在特征空间中对支持向量进行聚类，寻找聚类质心在输入空间中的原像，将其作为约简向量，以实现支持向量削减。手写体数字识别。手写体数字识别是光学字符识别技术OCR的一个分支，主要研究怎样利用计算机自动识别人手写在纸张等介质上的阿拉伯数字。如今的识别方法很多，如基于模板匹配或构造特征的方法、使用模糊推理的方法、基于矩和变换的方法
11、、基于神经网络的方法等。贝尔实验室最先利用SVM对美国邮政手写体数字库进行实验，1人工识别平均错误率为2.5%，基于神经网络五层识别错误率为5.1%，而利用三种SVM方法分别采用3种核函数针对直接采用1616的字符点阵形式输入的数据识别错误率为4.0%、4.1%和4.2%，实验结果表明SVM的优越性能。如今在数字识别研究中越来越关注对特征的提取以提高识别效率。针对UK心理测试自动分析系统的手写体数字识别问题，利用构造特征和统计特征相结合，组合SVM与RBF神经网络等其它方法，实验表明该方法合理有效。夏国恩等16利用局部特征向量与全局特征向量提出了一种基于组合特征的手写体数字识别方法，采用USPS字库进行测试，结果表明识别效率明显优于其他方法。此页面能否是列表页或首页？未找到适宜正文内容。