基于特征提取及神经网络的图像分类识别与目标跟踪

论文摘要

图像的分类识别以及运动目标的跟踪在军事,工业过程控制,医学研究,交通监控等许多领域都有着广泛的应用前景。而神经网络的兴起与引入,为图像分类识别与目标跟踪的研究注入了新的活力。本文简要介绍了图像识别与目标跟踪的基本原理,重点介绍了目前在识别与跟踪中应用最多的BP神经网络模型。在此过程中同时对图像数据的预处理、训练样本的选取、图像匹配度函数的设计都进行了讨论;对于BP网络的设计也给予了一定的讨论。引入了将小波矩特征与神经网络结合的方法,应用到图像的分类识别中,利用小波矩的旋转不变性及神经网络的记忆能力,对多种状况进行了实验仿真,证明了此方法的可行性及良好的鲁棒性。将信息熵特征提取的方法与神经网络结合,应用到复杂背景下的目标跟踪中,设计了相应的跟踪算法,通过仿真实验,取得了较好的跟踪效果。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题背景与研究意义
• 1.2 神经网络图像识别与跟踪发展及现状
• 1.2.1 神经网络发展
• 1.2.2 神经网络图像识别与目标跟踪研究现状
• 1.3 论文主要研究工作
• 第二章 图像识别与目标跟踪基础
• 2.1 图像识别基本原理
• 2.2 图像识别算法
• 2.2.1 模板匹配法
• 2.2.2 统计模式识别法
• 2.2.3 模糊模式识别法
• 2.2.4 人工神经网络模式识别法
• 2.3 目标跟踪基础知识
• 2.3.1 运动目标的检测
• 2.3.2 运动目标的跟踪
• 第三章 BP神经网络在图像识别与跟踪中的应用
• 3.1 人工神经网络基础
• 3.1.1 人工神经网络基本概念、结构及学习
• 3.1.2 图像识别中常用的神经网络模型
• 3.2 BP网络算法研究
• 3.3 BP网络用于图像识别与跟踪
• 3.3.1 BP网络的设计
• 3.3.2 基于BP神经网络的图像分类识别算法仿真
• 3.3.3 BP网络用于图像跟踪的算法仿真
• 第四章 基于小波矩特征与神经网络的图像分类识别
• 4.1 小波变换基本理论
• 4.2 图像的小波矩
• 4.2.1 小波矩的一般形式
• 4.2.2 图像小波矩的构造
• 4.3 小波矩特征的提取
• 4.4 算法仿真与结果分析
• 4.4.1 样本的选择和预处理
• 4.4.2 算法仿真与结果分析
• 第五章 基于熵特征及神经网络的目标跟踪
• 5.1 信息论和信息熵函数
• 5.1.1 信息熵的数学特性
• 5.1.2 熵函数的灵敏度
• 5.2 图像的熵
• 5.2.1 图像的信息嫡
• 5.2.2 图像的熵匹配
• 5.3 图像目标跟踪仿真实验
• 5.3.1 训练样本的选择与预处理
• 5.3.2 算法仿真与结果分析
• 结论
• 致谢
• 参考文献
• 作者在读研期间的研究成果