论文摘要
目标分类识别是图像处理和模式识别领域的重要研究课题,在场景视图和智能导航等计算机视觉方面有着广泛的应用。针对目标的特征选取和分类识别这两个关键性问题,本文在对属性进行分层排序的基础上,选择最优的特征排序组合,提出一种基于属性区分力的快速层次识别算法,该方法可在信息不完备的条件下对目标进行分类与识别。实验结果表明该方法大大提高了程序的运行效率,且满足准确性和实时性的要求。所做的具体工作和创新性研究如下：1、针对目标信息呈现的不全面、不精确现象,本文引入渐进视觉目标识别机制的思想,可以在反复多次、多角度、多时段条件下不断补充正确信息,去伪存真,从而提高对事物判读的准确度和精细度。2、论文针对机器学习和模式识别中各个特征项之间由于冗余和不相关特征的存在,增加了数据量的存储代价的问题,在研究Fisher准则和分层聚类特征选择算法的基础上,提出一种基于属性区分力的特征选择排序算法,该算法能够计算出各个属性对于任意对象组合间的区分力大小。3、论文针对目标特征不合理利用而引起的分类识别速度慢、准确性低的问题,在贝叶斯信息融合分类识别方法的基础上,提出一种基于属性区分力的快速层次目标识别算法,对属性排序后在特征不完备的情况下进行信息融合,与朴素的贝叶斯方法和一般的层次识别方法相比,该算法的识别率和准确率有很大程度的提高。4、论文通过两个典型的应用实例,在对目标层次识别过程推理的基础上,进行场景图像分割及道路区域识别,实验结果表明,本文提出的算法具有较好的性能,很大程度上提高了目标分类识别的效率,对研究各类场景中对象分类和感兴趣目标识别问题具有一定的参考价值。最后,总结全文并进一步提出后续工作思路。