模式识别中图元识别和脚步声识别的研究

论文摘要

本文首先对图元识别进行了研究,Hough变换作为一种有效的图像基元检测方法,在检测解析形状的物体时,不必得到物体的全部特征就可以检测到目标形状,因此,具有极佳的抗干扰能力。本文实现了Hough变换检测直线的算法,并应用于鞋样设计CAD系统中,有效解决了检测鞋样方向的问题。广义Hough变换不仅可以检测解析形状的物体,还可以检测非解析形状的物体。同样具有明了的几何解析性和一定的抗干扰能力。但是,由于梯度方向的计算对断点和变形非常敏感,使得广义Hough变换失去了不怕断点和变形的特性。针对这一问题,本文提出了一种利用相对于全局特征的法线方向对边缘点进行分类的方法。从原理上分析了该方法具有抗噪、不怕断点、不怕变形和物体相互遮挡等优点的原因,并通过仿真实验进行了验证。为解决实际检测中,被测图形相对于模板图形的旋转缩放问题,探讨了三种已有方法,并对其中一种进行了改进,提出了创建GD表的方法解决旋转缩放问题。此外,为避免实际检测中,假峰值造成的错误检测结果,对峰值做了进一步的验证,提高了检测结果的准确率。最后,设计实现了一个检测任意图形的程序,并应用于鞋样设计CAD系统中,解决了鞋样匹配的问题,尤其是很好地避免了噪声、断点和变形的影响。本文又对脚步声区别于其它声音的识别进行了尝试性的研究工作。脚步声具有明显地区别于其它声音的重复特性,根据这一特征,试用了五种周期检测方法,结果均不理想。为此针对连续脚步声的特征,提出了一种改进的一电平削波自相关算法,即二次一电平削波自相关算法。不仅从原理上分析了该算法具有良好抗噪性能的原因,而且利用十五种不同的脚步声对该算法进行了测试,结果证明该算法可以有效检测出十五种脚步声的节奏周期。最后,将该算法用于非脚步声识别,对一百种不同的声音进行测试,达到了93%的识别率。为进一步识别与脚步声具有类似周期性的非脚步声,对一步脚步的声音进行了特征提取与识别,尝试了双门限比较端点检测法,MFCC特征提取,和DTW识别模型,最终将上述一百种非脚步声的识别结果提高到98%。脚步声区别于其它声音的识别成果,对安全防盗、军事侦察等领域具有重要的意义,还可以利用脚步声识别启用监控录像,从而节省录像存储介质。

论文目录

• 中文摘要
• ABSTRACT
• 目录
• 图表目录
• 第1章 引言
• 1.1 概述
• 1.1.1 图像识别
• 1.1.2 声音识别
• 1.2 国内外研究现状
• 1.2.1 基于 Hough变换的图元识别研究现状
• 1.2.2 各种声音识别的研究现状
• 1.3 本文的主要工作
• 1.4 本文的组织结构
• 第2章 基于 Hough变换的图元识别
• 2.1 基于 Hough变换的解析图元识别
• 2.1.1 Hough变换的原理
• 2.1.1.1 Hough变换检测直线
• 2.1.1.2 Hough变换检测圆
• 2.1.2 HT算法的实现与测试
• 2.1.3 实际应用
• 2.2 基于广义 Hough变换的非解析图元识别
• 2.2.1 广义 Hough变换的基本原理
• 2.2.2 R表的建立
• 2.2.2.1 多索引方法
• 2.2.2.2 梯度（Gradient）方向作索引
• 2.2.2.3 法线（Normal）方向作索引
• 2.2.3 创建模板
• 2.2.4 非解析图形的检测
• 2.3 程序设计与实现
• 2.3.1 概要设计
• 2.3.2 详细设计
• 2.3.2.1 “图像预处理”模块
• 2.3.2.2 “创建模板”模块
• 2.3.2.3 “检测图形”模块
• 2.3.3 结果测试与分析
• 2.3.3.1 测试一:文字识别
• 2.3.3.2 测试二:不同型号的工具识别
• 2.3.4 实际应用
• 2.4 本章小结
• 第3章 基于声音识别技术的脚步声识别
• 3.1 各种声音样本介绍
• 3.1.1 非脚步声样本
• 3.1.2 脚步声样本
• 3.2 连续脚步声的节奏周期检测
• 3.2.1 周期检测算法
• 3.2.1.1 自相关算法
• 3.2.1.2 三电平中心削波自相关算法
• 3.2.1.3 一电平削波自相关算法
• 3.2.1.4 平均幅度差算法
• 3.2.1.5 自相关与平均幅度差结合算法
• 3.2.2 结果测试与分析
• 3.2.2.1 第一组测试:不同行走方式
• 3.2.2.2 第二组测试:不同的鞋
• 3.2.2.3 第三组测试:不同的地面材质
• 3.2.2.4 结果分析
• 3.2.3 改进的周期检测算法
• 3.2.3.1 基本原理
• 3.2.3.2 脚步声样本测试
• 3.2.3.3 非脚步声样本测试
• 3.3 单一脚步声的特征提取与识别
• 3.3.1 端点检测
• 3.3.2 特征提取
• 3.3.3 脚步声识别
• 3.3.3.1 DTW基本原理
• 3.3.3.2 模板训练
• 3.3.3.3 匹配结果
• 3.4 本章小结
• 第4章 总结与展望
• 4.1 主要研究结论
• 4.2 今后工作设想
• 参考文献
• 攻读硕士学位期间参与的学术活动
• 一、发表的学术论文
• 二、参加的学术研讨会
• 三、参与的主要科研项目
• 四、获奖情况
• 致谢
• 附录1 不同型号工具的识别结果
• 附录2 各种声音信号的周期性检测结果