论文部分内容阅读
随着计算机技术的不断发展以及数学理论研究的不断深入,基于数学与计算机相结合的模式识别技术已经深入到科学研究和社会生产的各个领域。在模式识别算法中,样本间的相似度量是识别分类的一个重要依据,数学理论中的距离定义方法作为一种常用的度量工具已经渗透到模式识别的各个算法中。近年来,随着更复杂、更精确采样工具的出现,不同规格的矩阵样本大量出现,传统的一维距离算法在度量矩阵相似性时存在一定局限性。本论文在一维样本中处理不等长向量的传统动态时间规整算法(DTW)的基础上,围绕空间二维矩阵样本间的相似性问题,从不同角度进行了改进研究,扩展构建了处理矩阵样本的DTW新算法,以此来解决矩阵样本、以及不等大小矩阵样本间距离度量的问题。为了能直观展示矩阵样本,本文以灰度图像作为主要研究对象。而普通灰度图像样本中含有噪声信息,为排除图像本身的因素干扰,提出一种基于4-邻域均值模板和直方图搜索的优化采样的二值化方法,定义计算速度快的4-邻域均值模板来区分边缘像素点和中间像素点,同时基于灰度直方图,搜索统计量较多的像素点作为采样点。将优化采样后所得灰度值以及4-邻域均值模板计算值作为训练集,通过支持向量机完成灰度图像二值化。通过FVC2004数据库验证,以及与相关算法的结果比较显示,本文算法分类精度更高,对边缘像素点处理更精准,同时计算速度更快。为后续DTW改进算法的应用研究提供了基础研究样本。基于传统动态时间规整算法,提出一种逐行DTW算法。算法通过计算矩阵样本行与行之间的DTW距离,引入中间距离矩阵,并利用距离矩阵计算其DTW距离,将标准化后的DTW距离作为最终的矩阵距离。在FVC2004数据库上的验证结果显示,算法较好的实现了不等大小矩阵样本间的距离求解。同时,通过多次DTW距离计算,大幅提升了矩阵样本相似性度量的准确性。此外,为了避免出现逐行DTW算法中由于大量DTW距离计算导致的算法复杂性高的问题,在传统DTW距离的基础上,提出了一种2D-DTW算法。算法通过固定矩阵行/列相等的方式,构建矩阵样本间的距离体,通过距离体切割的方式,构架距离矩阵,并利用DTW算法进行距离求解,将标准化后的DTW距离作为最终的矩阵距离。利用CIFAR-10数据库以及MNSIT数据库验证,2D-DTW算法在逐行DTW算法的基础上通过大幅减少DTW算法的使用来减少计算时间,同时也保证了距离计算的准确性。