基于神经网络的目标识别及定位方法的研究

论文摘要

本文研究了简单背景下,发生尺度、角度、位置变化的目标的神经网络识别、定位方法。内容涉及模糊分割技术、BP神经网络、主元分析技术。文章采用对整幅图像识别,同加窗匹配的方法相比,省略了逐行逐列搜索目标的过程。当目标在图像中所占比例超过三分之二时,应用神经网络识别出目标,便可大致找到目标位置,但当目标在图像中所占比例较小且不在中心附近时,则除了识别出目标外还需要对目标定位。为此本文除了对神经网络目标识别方法进行了研究外,还对目标定位方法进行了讨论。文章主要研究内容包括以下几个方面内容:详细分析了多层前馈神经网络的描述及BP算法工作过程。介绍了隐层的选择及隐层神经元数选择的一些经验方法。针对BP算法存在的问题,从初始权值的选取,网络训练过程参数调整等方面进行优化改进,实验证明加快了训练速度,改善了BP网络的学习效果。表示目标的特征向量是否能恰当反映目标本质特性也对网络能否学习成功至关重要,因此本文阐述了两种不同的目标表示方法,即基于不变矩的目标表示法和基于主分量的目标表示法。针对对原始图像直接提取不变矩存在的问题,提出一种先对图像预处理,再提取图像不变矩的处理过程。并且在图像预处理的环节,分析了模糊阈值法原理,提出了一种基于模糊理论的阈值分割法,实验表明该种方法同其他几种选取阈值方法相比,具有一定优势。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 目标识别方法综述
• 1.3 本文研究意义
• 1.4 神经网络的发展及在目标识别中的应用
• 1.5 影响识别结果的几个问题的讨论
• 1.6 本文研究的主要内容
• 第二章 基于模糊理论的阈值选取方法研究
• 2.1 图像分割技术综述
• 2.2 模糊理论简述
• 2.3 模糊分割
• 2.3.1 模糊阈值法回顾
• 2.3.2 模糊阈值法基本原理
• 2.3.3 模糊程度的度量
• 2.4 隶属函数的构造
• 2.5 实验仿真
• 第三章 基于图像矩特征的神经网络目标识别方法的研究
• 3.1 BP 网络的学习过程
• 3.2 前馈神经网络的设计
• 3.2.1 初始权值的优化选择
• 3.2.2 隐层数和隐层节点的选择
• 3.2.3 BP 算法的改进
• 3.2.4 实验讨论
• 3.3 图像的特征及特征提取方法介绍
• 3.4 基于不变矩的特征提取方法分析
• 3.5 实验仿真与讨论
• 第四章 基于主元神经网络的特征向量提取
• 4.1 主元分析方法概述
• 4.2 主元分析方法的理论与原理
• 4.3 求解主分量的数学方法
• 4.4 基于神经网络的主元分析方法的研究
• 4.5 基于主元神经网络的主分量提取的实现
• 4.6 实验分析
• 4.6.1 实验一降维实验
• 4.6.2 实验二以主分量为特征向量的神经网络识别实验
• 4.6.3 实验结论
• 第五章 目标的定位
• 5.1 目标定位方法概述
• 5.2 基于神经网络的目标定位方法研究
• 5.3 实验讨论
• 5.3.1 实验一
• 5.3.2 实验二
• 5.3.3 实验三
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢
• 作者简历
• 作者在攻读博士学位期间发表的论文及科研情况