多特征图像识别系统(源码)
图像识别，是指利用计算机对图像进行处理。人工识别过程具有一定的不确定性，同时也具有一些盲目性。针对该问题，本文采用传统的机器学习算法和神经网络算法分别进行图像识别，并对算法效率进行比较。其中传统算法采用三种特征提取方式，五种分类方式进行图像识别。其次在SIFT特征提取后加入局部线性约束编码进行改进，再送入SVM分类器训练，一定程度上提高了识别率。最后构建CNN网络，实现端对端的训练，与传统算法相比，识别率提升了百分之三十左右。本文实现了一个包含以上十三种图像识别算法的图像实时识别系统，增加了图像识别在实际应用中的实用价值。
目录
摘要 １
关键词 １
ABSTRACT. １
KEY WORDS １
1 引言 ２
1.1 问题的提出 ２
1.2 国内外研究状况与应用现状 ２
1.2.1 国外研究状况 ２
1.2.2 国内研究状况 ２
1.3 研究内容 ３
2 传统图像识别算法的实现 ４
2.1 机器学习算法模型的构建 ４
2.2 数据集 ４
2.2.1 cifar10数据集内容 ４
2.2.2 cifar10数据预处理 ５
2.3 特征提取 ６
2.3.1 HOG特征提取 ６
2.3.2 LBP特征提取 ６
2.3.3 GLCM特征提取 ７
2.3.4 特征提取方式的比较 ７
2.4 分类器 ７
2.4.1 SVM支持向量机 ７
2.4.2 KNN分类器 ８
2.4.3 决策树分类器 ８
2.4.4 贝叶斯分类器 ９
2.4.5 四种分类器的比较 ９
2.5 实验 ９
2.5.1 特征提取 ９
2.5.2 分类器选择 １０
3 基于稀疏编码的图像识别系统 １１
3.1 背景介绍 １１
3.2 算法优化 １２
3.3 实验 １２
3.3.1 *好棒文|www.hbsrm.com +Q: *351916072*
数据预处理 １２
3.3.2 SIFT特征提取 １３
3.3.3 局部线性约束编码的实现 １３
3.4 结果分析 １５
4 基于CNN的图像识别算法 １６
4.1 背景介绍 １６
4.1.1 神经元 １６
4.1.2 CNN网络 １６
4.2 基于卷积神经网络的图像识别算法 １６
4.2.1 深度卷积神经网络的构建 １６
4.2.2 实验 １７
4.2.3 分析比较 １８
5 基于传统算法和神经网络的图像识别系统 １９
5.1 研究方案 １９
5.2 功能描述 １９
5.3 系统使用展示 ２０
5.4 总结展望 ２３
致谢 ２４
参考文献 ２５
多特征图像识别系统
引言
1 引言
1.1 问题的提出
图像是人类社会生活中最常用的信息载体，在数字图像技术高速发展的时代，每天都有海量的图像数据需要人们分析和处理。而人工进行图像分类识别可能会存在盲目性和主观性，并且在人工识别过程中，不仅造成了重复的识别工作导致人力的浪费，也造成了财产经费的损失，使得效率低下。
图像识别，是计算机通过对图像各个特征的提取和比对，在大量的数据集的特征提取的基础上，总结并且识别出新的对象的类别。在信息化时代来临之际，计算机图像识别技术在人脸识别、车牌识别、无人驾驶、搜索引擎等各个社会生活领域取得了很好的应用效果。当前科技形势下，我们生活中每时每刻都渗透着图像识别技术。图像识别的广泛应用不仅能够帮助我们提高工作效率，更能让生活优质有效，更加健康。随着智能电冰箱的问世，冰箱上的图像识别能够帮助在冷藏食品时，自动调节温度，选择冷藏时间，这些功能都是在细节上对生活质量的优化。再如，在很多国际会议的开幕式上都添加了人脸识别系统，严格把控入场人员的身份信息，保证与会人员的安全，这些都是图像识别技术日渐成熟的表现。因此，图像识别的应用，无疑在之后很长一段时间都是重要研究课题。图像识别应用在粮食产业上时，可以筛选出优质种子，从而提高产量；图像识别应用在日常生活中时，可以智能的改变生活节奏，解放人们的时间，提高生活品质；图像识别应用在军工产业，可以严格控制信息，让军工数据更加精确，更好地保证安全性能等等。
近十年来，以深层神经网络为代表的深度学习算法和模型在特征选择与学习任务中取得了引人注目的成就，在图像识别、人机交互、声音识别等多个方向取得了大幅度进展,在部分任务中的数据处理能力甚至超越了人工水平。由于人工进行图像分类需要很大的工作量，本系统基于传统的机器学习算法和CNN神经网络构建了一个图像识别系统，可以对六种动物和四种出行工具进行分类识别，可用于该类图像的信息标注，各种图像识别算法比较等工作。
1.2 国内外研究状况与应用现状
1.2.1 国外研究状况
近年来，国外基于传统特征的图像识别研究不断涌现，研究成果多用于工业自动化、疾病诊断与治疗、人工智能等领域。该类研究与神经网络领域结合的紧密度较强，具有与时俱进的特点。
与国内相比，国外的研究要更进一步，图像识别技术的涉及领域早已延伸到工业自动化，疾病诊疗方面，细胞学以及基因学的相关课题，应用于智能机器人的研究当中，很多我们平常不曾接触的领域也出现了图像识别的身影，使得这项技术真正的成为改变当今世界的一项重要技术。
在基于稀疏编码的图像识别的算法研究中，Pribadi[1]提出一种用于重识别的稀疏树结构表示法，用该方法构造新型嵌套补丁树，并采用无监督学习方法提取的图像特征，用于匹配探测图像，解决重新识别的问题。实验结果表明，该方法优于其他最先进的方法，证明了稀疏编码在图像识别应用中的可行性。Trivedi M [2]通过计算低阶统计特征，以及灰度共生矩阵的纹理特征，最后采用线性判别函数进行图像识别。Isao Yamamoto[3]采用图像灰度值结合温度特征的方式来进行图像识别，实验表明可以取得80%以上的识别精度。这说明计算机图像处理技术发展迅速，基于各种特征的图像识别算法也在与时俱进。随着各领域研究的不断深入，传统的特征算法在不断地被改进，能更好的应用于图像的识别研究中。
目录
摘要 １
关键词 １
ABSTRACT. １
KEY WORDS １
1 引言 ２
1.1 问题的提出 ２
1.2 国内外研究状况与应用现状 ２
1.2.1 国外研究状况 ２
1.2.2 国内研究状况 ２
1.3 研究内容 ３
2 传统图像识别算法的实现 ４
2.1 机器学习算法模型的构建 ４
2.2 数据集 ４
2.2.1 cifar10数据集内容 ４
2.2.2 cifar10数据预处理 ５
2.3 特征提取 ６
2.3.1 HOG特征提取 ６
2.3.2 LBP特征提取 ６
2.3.3 GLCM特征提取 ７
2.3.4 特征提取方式的比较 ７
2.4 分类器 ７
2.4.1 SVM支持向量机 ７
2.4.2 KNN分类器 ８
2.4.3 决策树分类器 ８
2.4.4 贝叶斯分类器 ９
2.4.5 四种分类器的比较 ９
2.5 实验 ９
2.5.1 特征提取 ９
2.5.2 分类器选择 １０
3 基于稀疏编码的图像识别系统 １１
3.1 背景介绍 １１
3.2 算法优化 １２
3.3 实验 １２
3.3.1 *好棒文|www.hbsrm.com +Q: *351916072*
数据预处理 １２
3.3.2 SIFT特征提取 １３
3.3.3 局部线性约束编码的实现 １３
3.4 结果分析 １５
4 基于CNN的图像识别算法 １６
4.1 背景介绍 １６
4.1.1 神经元 １６
4.1.2 CNN网络 １６
4.2 基于卷积神经网络的图像识别算法 １６
4.2.1 深度卷积神经网络的构建 １６
4.2.2 实验 １７
4.2.3 分析比较 １８
5 基于传统算法和神经网络的图像识别系统 １９
5.1 研究方案 １９
5.2 功能描述 １９
5.3 系统使用展示 ２０
5.4 总结展望 ２３
致谢 ２４
参考文献 ２５
多特征图像识别系统
引言
1 引言
1.1 问题的提出
图像是人类社会生活中最常用的信息载体，在数字图像技术高速发展的时代，每天都有海量的图像数据需要人们分析和处理。而人工进行图像分类识别可能会存在盲目性和主观性，并且在人工识别过程中，不仅造成了重复的识别工作导致人力的浪费，也造成了财产经费的损失，使得效率低下。
图像识别，是计算机通过对图像各个特征的提取和比对，在大量的数据集的特征提取的基础上，总结并且识别出新的对象的类别。在信息化时代来临之际，计算机图像识别技术在人脸识别、车牌识别、无人驾驶、搜索引擎等各个社会生活领域取得了很好的应用效果。当前科技形势下，我们生活中每时每刻都渗透着图像识别技术。图像识别的广泛应用不仅能够帮助我们提高工作效率，更能让生活优质有效，更加健康。随着智能电冰箱的问世，冰箱上的图像识别能够帮助在冷藏食品时，自动调节温度，选择冷藏时间，这些功能都是在细节上对生活质量的优化。再如，在很多国际会议的开幕式上都添加了人脸识别系统，严格把控入场人员的身份信息，保证与会人员的安全，这些都是图像识别技术日渐成熟的表现。因此，图像识别的应用，无疑在之后很长一段时间都是重要研究课题。图像识别应用在粮食产业上时，可以筛选出优质种子，从而提高产量；图像识别应用在日常生活中时，可以智能的改变生活节奏，解放人们的时间，提高生活品质；图像识别应用在军工产业，可以严格控制信息，让军工数据更加精确，更好地保证安全性能等等。
近十年来，以深层神经网络为代表的深度学习算法和模型在特征选择与学习任务中取得了引人注目的成就，在图像识别、人机交互、声音识别等多个方向取得了大幅度进展,在部分任务中的数据处理能力甚至超越了人工水平。由于人工进行图像分类需要很大的工作量，本系统基于传统的机器学习算法和CNN神经网络构建了一个图像识别系统，可以对六种动物和四种出行工具进行分类识别，可用于该类图像的信息标注，各种图像识别算法比较等工作。
1.2 国内外研究状况与应用现状
1.2.1 国外研究状况
近年来，国外基于传统特征的图像识别研究不断涌现，研究成果多用于工业自动化、疾病诊断与治疗、人工智能等领域。该类研究与神经网络领域结合的紧密度较强，具有与时俱进的特点。
与国内相比，国外的研究要更进一步，图像识别技术的涉及领域早已延伸到工业自动化，疾病诊疗方面，细胞学以及基因学的相关课题，应用于智能机器人的研究当中，很多我们平常不曾接触的领域也出现了图像识别的身影，使得这项技术真正的成为改变当今世界的一项重要技术。
在基于稀疏编码的图像识别的算法研究中，Pribadi[1]提出一种用于重识别的稀疏树结构表示法，用该方法构造新型嵌套补丁树，并采用无监督学习方法提取的图像特征，用于匹配探测图像，解决重新识别的问题。实验结果表明，该方法优于其他最先进的方法，证明了稀疏编码在图像识别应用中的可行性。Trivedi M [2]通过计算低阶统计特征，以及灰度共生矩阵的纹理特征，最后采用线性判别函数进行图像识别。Isao Yamamoto[3]采用图像灰度值结合温度特征的方式来进行图像识别，实验表明可以取得80%以上的识别精度。这说明计算机图像处理技术发展迅速，基于各种特征的图像识别算法也在与时俱进。随着各领域研究的不断深入，传统的特征算法在不断地被改进，能更好的应用于图像的识别研究中。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/1661.html
