向量机理论的图像目标检测算法研究
支持向量机(SVM)是20世纪90年代在统汁学习理论基础发展起来的一种机器学习方法，较好地解决了小样本学习问题。由于其出色的学习性能，该技术已成为当前国际机器学习界的研究热点，在模式识别、回归估计、函数逼近等领域有了广泛的应用。本文介绍了统计学习理论基础知识，引出支持向量机方法，并讨论其基本原理和训练算法，尤其是用于回归估计的支持向量机方法。V-SVM、最小二乘法、加权SVM、线性SVM等支持向量机的新方法，降低训练时间和减少计算时间复杂性的块算法、分解法、SMO及增量学习算法。
关键词：目标检测，分类器，支持向量机 HM000065
4.3支持向量机目标检测编程实现
4.3.1 Matlab 图像编程概要 查看完整请+Q:351916072获取
1.读入图像：
RGB=imread(‘1.jpg’);
该函数的返回值RGB是一个三维的数组，分别代表像素点所在的行号、列号和像素点的R、G、B三个通道的值。
例： RGB(1,1,1); %图像第一行第一列的R值；
RGB(1,3,2); %图像第一行第三列的G值；
RGB(2,4,3); %图像第二行第四列的B值；
RR=RGB(:,:,1); %彩色图像的红色像素通道
GG=RGB(:,:,2); %彩色图像的绿色像素通道
BB=RGB(:,:,3); %彩色图像的蓝色像素通道
2.鼠标输入：[xx,yy,button]=ginput;
接受鼠标输入直到敲回车键结束。其中：
xx、yy：记录鼠标按下时横坐标和纵坐标值；
button:记录鼠标按下时的状态。1表示左键，2表示中间键，3表示右键。
3. 绘制图形：plot(x,y,‘b*’)；
plot(x,y,‘b*’)：在坐标(x,y)处绘制一个蓝色的”*”
4. 利用Matlab在图像上采集训练样本的示例程序:
Figure,subplot(1,2,1);
imshow('S3a.bmp');
Title(‘鼠标左键点印章,鼠标右键点纸面,回车结束’)
[xx,yy,button]=ginput;
RGB=imread('S3a.bmp');
RR=RGB(:,:,1);GG=RGB(:,:,2);BB=RGB(:,:,3);
[count,asd]=size(xx);
subplot(1,2,2); hold on;
for i=1:count
trnx(i,:)=[RR(yy(i),xx(i)),GG(yy(i), xx(i))];
switch button(i)
case 1
trny(i,:)=-1;
plot(trnx(i,1),trnx(i,2),‘r*');
case 2
trny(i,:)=-1;
plot(trnx(i,1),trnx(i,2),‘b+');
otherwise
end
end
xlabel('R')
ylabel('G')
hold off
效果图：
摘要.Ⅰ
ABSTRACTⅡ
第一章 绪论 1
1.1课题研究背景及意义1
1.2 国内外研究状况及发展趋势. 2
1.3 本文主要研究内容4第二章 机器学习基本理论介绍.5
2.1引言 5
2.2机器学习基本理论 5
2.2.1基本思想 6
2.2.2 学习的复杂性和推广能力7
2.2.3 机器学习基本问题8
2.3小结. 13
第三章 支持向量机 15
3.1 引言.15
3.2 支持向量机基本思想 15
3.3 最优超平面的构建 16
3.3.1线性可分情况下的最优超平面的构建. 17
3.3.2线性不可分的情况最优超平面的构建. 19
3.3.3核函数实例. 19
3.3.4 SVM分类问题的基本理论20
3.5 支持向量机的训练算法 24
3.5.1 标准的SVM算法 24
3.5.2 改进的SVM算法 24
3.6用于回归估计的支持向量机新方法 26
3.6.1 V-SVM算法 26
3.6.2 LS-SVM算法28
3.6.3 回归加权型支持向量机（W-SVM）算法28
3.6.4 基于线性规划的SVM 29
3.7 小结 29
第四章 支持向量机在目标检测中的初步应用 .31
4.1 引言. 31
4.2 目标检测. 31
4.2.1算法概述. .31
4.2.2基于样本学习的方法. .32
4.3支持向量机目标检测.34
4.3.1 Matlab 图像编程概要 .34
4.3.2 SVMs 相关函数36
4.3.3利用SVM进行目标检测41
4.3.4软件测试中发现的问题及解决方法43
4.4 小结44
第五章 开发总结与展望44
致谢46
参考文献.47
附录一 英文文献.50
附录二 中文翻译. 55
关键词：目标检测，分类器，支持向量机 HM000065
4.3支持向量机目标检测编程实现
4.3.1 Matlab 图像编程概要 查看完整请+Q:351916072获取
1.读入图像：
RGB=imread(‘1.jpg’);
该函数的返回值RGB是一个三维的数组，分别代表像素点所在的行号、列号和像素点的R、G、B三个通道的值。
例： RGB(1,1,1); %图像第一行第一列的R值；
RGB(1,3,2); %图像第一行第三列的G值；
RGB(2,4,3); %图像第二行第四列的B值；
RR=RGB(:,:,1); %彩色图像的红色像素通道
GG=RGB(:,:,2); %彩色图像的绿色像素通道
BB=RGB(:,:,3); %彩色图像的蓝色像素通道
2.鼠标输入：[xx,yy,button]=ginput;
接受鼠标输入直到敲回车键结束。其中：
xx、yy：记录鼠标按下时横坐标和纵坐标值；
button:记录鼠标按下时的状态。1表示左键，2表示中间键，3表示右键。
3. 绘制图形：plot(x,y,‘b*’)；
plot(x,y,‘b*’)：在坐标(x,y)处绘制一个蓝色的”*”
4. 利用Matlab在图像上采集训练样本的示例程序:
Figure,subplot(1,2,1);
imshow('S3a.bmp');
Title(‘鼠标左键点印章,鼠标右键点纸面,回车结束’)
[xx,yy,button]=ginput;
RGB=imread('S3a.bmp');
RR=RGB(:,:,1);GG=RGB(:,:,2);BB=RGB(:,:,3);
[count,asd]=size(xx);
subplot(1,2,2); hold on;
for i=1:count
trnx(i,:)=[RR(yy(i),xx(i)),GG(yy(i), xx(i))];
switch button(i)
case 1
trny(i,:)=-1;
plot(trnx(i,1),trnx(i,2),‘r*');
case 2
trny(i,:)=-1;
plot(trnx(i,1),trnx(i,2),‘b+');
otherwise
end
end
xlabel('R')
ylabel('G')
hold off
效果图：
摘要.Ⅰ
ABSTRACTⅡ
第一章 绪论 1
1.1课题研究背景及意义1
1.2 国内外研究状况及发展趋势. 2
1.3 本文主要研究内容4第二章 机器学习基本理论介绍.5
2.1引言 5
2.2机器学习基本理论 5
2.2.1基本思想 6
2.2.2 学习的复杂性和推广能力7
2.2.3 机器学习基本问题8
2.3小结. 13
第三章 支持向量机 15
3.1 引言.15
3.2 支持向量机基本思想 15
3.3 最优超平面的构建 16
3.3.1线性可分情况下的最优超平面的构建. 17
3.3.2线性不可分的情况最优超平面的构建. 19
3.3.3核函数实例. 19
3.3.4 SVM分类问题的基本理论20
3.5 支持向量机的训练算法 24
3.5.1 标准的SVM算法 24
3.5.2 改进的SVM算法 24
3.6用于回归估计的支持向量机新方法 26
3.6.1 V-SVM算法 26
3.6.2 LS-SVM算法28
3.6.3 回归加权型支持向量机（W-SVM）算法28
3.6.4 基于线性规划的SVM 29
3.7 小结 29
第四章 支持向量机在目标检测中的初步应用 .31
4.1 引言. 31
4.2 目标检测. 31
4.2.1算法概述. .31
4.2.2基于样本学习的方法. .32
4.3支持向量机目标检测.34
4.3.1 Matlab 图像编程概要 .34
4.3.2 SVMs 相关函数36
4.3.3利用SVM进行目标检测41
4.3.4软件测试中发现的问题及解决方法43
4.4 小结44
第五章 开发总结与展望44
致谢46
参考文献.47
附录一 英文文献.50
附录二 中文翻译. 55
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/dzkxyjs/2360.html
