论文部分内容阅读
近年来,随着计算机运算速度的不断提高,利用计算机进行目标的检测与识别得到了越来越广泛的应用。运动目标检测与数字手写体识别是目标检测与识别中的两个经典难题。传统目标检测算法在混合动静态背景场景下检测结果较差,背景分割结果中常出现虚警,鬼影等现象。传统数字手写体识别算法由于其特征空间与特征类型提取的不同,造成了识别依赖于人工经验和识别准确率差异较大的问题。本文深入研究了运动目标检测算法的原理与适用范围,并针对兼具动静态背景场景下背景分割虚警率高的问题,提出了一种基于块直方图特征的Zivkovic混合高斯模型改进算法—BHZ-MoG。该算法设计了图像的块观测向量,并根据块观测向量的统计规律将图像块分类为动态、半动态、静态块;提出了结合块观测向量与块分类的块直方图特征提取算法;结合块直方图特征与Zivkovic混合高斯模型对不同类型的块分别进行背景分割与模型更新。BHZ-Mo G算法可以有效降低Zivkovic混合高斯模型在动态背景下的虚警率。实验结果表明,相较于Zivkovic混合高斯模型,BHZ-MoG算法能够在保证查全率不变的情况下,有效提高背景分割结果的查准率;Zivkovic混合高斯模型与BHZ-MoG的最大F1-socre分别为0.758和0.790,说明了该算法可以获得较佳的前背景分割效果。此外,本文还对数字手写体识别算法的原理与计算过程进行了研究。针对卷积神经网络在数字手写体识别中受限于同类手写体的共同特征,导致其对于某些特殊样本正确预测概率较低的缺点,介绍了Sadowsky分布的计算原理并给出了分布的概率解释;提出了Sadowsky分布的搜索算法与基于Sadowsky分布的卷积神经网络参数调整算法;提出了基于实例的卷积神经网络学习模型。首先进行卷积神经网络训练,应用Sadowsky分布的搜索算法与基于Sadowsky分布的卷积神经网络参数调整算法进行卷积神经网络参数调整并进行训练,所得神经网络结合原卷积神经网络共同对样本进行分类预测。实验结果表明,相较于传统卷积神经网络,基于实例的卷积神经网络具有较传统卷积神经网络不同的局部最优点,说明了基于实例的卷积神经网络对特例识别率高。基于实例的卷积神经网络的预测准确率相较于传统卷积神经网络具有1.7%的提高。