基于局部特征的圖像分類研究.pdf

1、基于內容的圖像分類是指根據圖像中所包含的信息判定圖像屬于哪個類別，這個問題一直是模式識別領域的研究重點，對視頻跟蹤和目標識別有著非常重要的意義。許多的研究人員針對該問題提出了很多方法，目前比較通用的方法是基于局部特征的圖像分類方法?；诰植刻卣鞯姆椒ㄖ兄饕蠦OW方法及其推廣方法，BOW方法簡單易理解，并且其分類效果比較好。BOW方法包括特征提取、碼本訓練、特征編碼和分類器訓練等主要四個步驟。本文主要針對特征提取、碼本訓練和編碼方法進行

2、研究。
　?。?）首先，提出了一種基于Gist信息檢測的特征提取方法，相比于傳統的基于興趣點采樣和密集采樣的方法，本文提出的方法更加具有針對性。通過信息檢測，可以大概地確定目標區(qū)域，因此可以在目標區(qū)域中進行更加密集的采樣，而在背景區(qū)域進行比較稀疏的采樣，這樣獲得的特征中就會有更多特征來自目標區(qū)域，訓練的碼本區(qū)分性也更強。在數據庫Caltech-101和Caltech-256上的實驗表明，改進之后的方法在分類效果上要比原始的方法效果

3、好1％左右。
　　（2）其次，提出了一種稀疏化的Fisher核編碼方法，通過對原始的Fisher核編碼的研究發(fā)現，相比與BOW方法來說，Fisher核方法在分類準確率上有其優(yōu)勢，但是在計算復雜度上要比 BOW方法復雜得多，這也限制了Fisher核方法的使用，為了降低Fisher核方法的計算復雜度，本文提出了k近鄰的編碼方式，對流形結構而言，在k近鄰區(qū)域，可以使用歐氏距離來近似測地距離，在數據庫 PASCAL VOC2007上的實驗

4、證明，改進后的Fisher-KNN的方法要比原始的Fisher核方法復雜度降低很多，而且分類精度保持不變，這樣就使得 Fisher核方法不但在分類精度上優(yōu)于BOW方法，而且在計算復雜度上也低于BOW方法。
　　（3）最后，提出了一種多核多特征的聯合方法，在對Fisher核方法的研究過程中發(fā)現，Fisher核方法獲得的編碼具有很高的信息冗余度。為了充分利用局部特征的區(qū)分性信息，本文提出將 SPM方法和Fisher核方法獲得的編碼使用