论文部分内容阅读
在图像识别的方法中,人们的一般性思维是寻找图像中存在的某些具体特征,然后利用这些特征进行分类,特征提取是图像处理领域重要的研究方向。但事物的具体特征可能是千差万别的,如果进行某类事物的识别都要先寻找其具体特征,那么这个过程似乎是无止境的。如何避开这一个过程,让计算机从总体上进行图像识别,是本文的研究目的。
本研究的重点是利用自组织神经网络(SOM)与K-近邻(KNN)分类算法以人脸识别系统为例实现目标图像的分类任务。其中,SOM网络将高维数据映射到低维规则网格中,可以有效地进行大规模的数据挖掘,实现小量数据近似表示大量数据的目的。利用SOM,无需提取具体特征,可以构建任意多类的分类器,在人脸识别这样的多类别、高维数据系统中具有明显优势。KNN方法是一种简单、实用的模式分类方法,在SOM算法中引入KNN方法,主要是防止应用中SOM输出神经元落空的情况:如果测试样本激活的是一个训练时没有被标识的神经元,这时候就需要KNN方法来确定被测样本分类。
具体工作中,本文分析了SOM神经网络的工作原理,实现了基于SOM和KNN的人脸识别原型系统.为了克服SOM缺陷,进一步提高性能,除了结合KNN方法以外,主要做了如下工作:
1.降低图像维数。图像数据具有冗余特性,过多的细节并不十分重要;通过图像线性压缩、主成分分析等方法,降低图像维数,可大大减少SOM网络计算负担。
2.探索虚拟样本技术.训练样本数量的多少对网络的性能有较大影响,少量样本很难充分训练网络。因此探索虚拟样本技术,增加训练样本数量,提高训练水平,是本文研究的重点之一。
3.克服训练样本光照变化对网络性能的影响。基于总体特征的识别算法一般对光照变化等敏感,本文采用图像归一化等方法克服上述现象。
4.提出了确定输出神经元数量的经验算法。该算法克服了输出神经元数量少导致的输出分类过于密集、输出神经元数量过多导致分类分散的缺点,提高了网络识别质量。
本文设计的图像识别系统,在Windows Xp下采用Matlab6.5调试通过。试验表明,SOM神经网络找到了隐藏在图像中复杂的非线性关系,无需具体特征提取,体现了良好的实用性能。