基于改进BP神经网络的物体识别研究

论文摘要

计算机视觉在众多领域都有广泛的应用,比如家庭智能机器人、仪表自动监测、汽车低速自动导航驾驶和航空图片中的物体识别,并且随着计算机视觉技术的发展,计算机视觉将具有更广泛的应用前景。而计算机视觉的重要研究课题之一是物体识别,并且特征提取和分类是物体识别的关键步骤。在识别物体的方法和过程中,还存在许多问题和挑战,比如如何从2D图片中快速而准确的识别出物体。人类的视觉系统就能够轻易地快速识别2D图片中的物体,这实际上是一个由2D信息出发辅以先验知识识别物体的过程。本文就从物体的形状信息出发,提出一种基于改进BP神经网络的物体识别方法。在特征提取方面,利用矩算法提取物体的不变性特征,并详细讨论了Hu矩及其修正算法。不变矩方法,能够反映物体的形状信息,并具有较好的抗噪性能,同时因不受被识别物体大小、位置、方位的影响而被广泛应用于物体识别、景物匹配、图像分析及字符识别等许多方面。并且修正的Hu不变矩,不管在连续的状态下还是在离散状态下都对平移、缩放、旋转具有不变性,而且具有较小的时间复杂度,可以用来有效的识别物体。本文在MATLAB实验环境下对修正的Hu不变矩算法进行了实现。在分类识别方面,先分析了BP神经网络的结构,算法,存在的缺点并提出加入动量项、共轭梯度法、正则化方法、弹性BP算法、自适应学习速率动量梯度下降反向传播算法,这一系列改进的学习算法,以满足解决不同问题的需要。其中自适应学习速率动量梯度下降反向传播算法,可以有效避免BP网络收敛速度慢和存在所谓“局部最小值”问题。最后在MATLAB实验环境中,将该改进后的BP算法用于识别Coil-20（columbia object image library）图像数据库中的物体。并且该实验是在无噪声和有噪声两种情况下分别进行的。与基于传统BP算法的物体识别方法进行实验比较,该改进后的BP算法进一步提高了BP神经网络在处理非线性和不确定因素问题上的能力,并且该改进算法无论是在无噪声情况下,还是在有噪声情况下,都比传统的BP算法具有更高的识别率和更快的收敛速度。从而证明了该算法的可行性、鲁棒性和有效性。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题背景及研究意义
• 1.2 国内外研究现状
• 1.3 物体识别相关技术
• 1.3.1 识别概念
• 1.3.2 物体识别的目的
• 1.3.3 物体识别的影响因素
• 1.4 物体识别的方法和步骤
• 1.4.1 统计模式识别
• 1.4.2 人工神经网络识别
• 1.4.3 句法模式识别
• 1.4.4 作为图匹配的识别
• 1.4.5 模糊模式识别
• 1.4.6 物体识别的步骤
• 1.5 本文内容安排
• 第2章 物体的不变矩特征提取
• 2.1 引言
• 2.2 矩函数的发展
• 2.3 几何矩
• 2.3.1 几何矩的概念
• 2.3.2 矩的物体意义
• 2.3.3 矩的有关变换
• 2.4 HU 矩不变量及其修正算法
• 2.4.1 Hu 矩不变量
• 2.4.2 对Hu 不变矩的修正
• 2.5 修正HU 不变矩算法的仿真研究
• 2.6 小结
• 第3章 人工神经网络
• 3.1 引言
• 3.2 人工神经网络基本概念
• 3.3 人工神经网络的结构
• 3.4 人工神经网络的学习
• 3.4.1 学习方式
• 3.4.2 学习规则
• 3.5 人工神经网络的特点及应用
• 3.6 物体识别技术中常用的神经网络模型
• 3.6.1 Hopfield 网络模型
• 3.6.2 自组织特征映射网络模型
• 3.6.3 感知器
• 3.6.4 多层前馈神经网络
• 3.7 小结
• 第4章 基于改进BP 网络的物体识别
• 4.1 引言
• 4.2 BP 神经网络
• 4.2.1 BP 网络结构及算法
• 4.2.2 BP 网络存在缺点及改进
• 4.3 用于物体识别的BP 网络的设计
• 4.4 实验与结论
• 4.4.1 训练过程
• 4.4.2 识别过程
• 4.4.3 实验过程
• 4.4.4 实验结论
• 4.5 小结
• 第5章 结论
• 5.1 研究工作总结
• 5.2 展望
• 参考文献
• 附录A 缩略词汇表
• 致谢
• 攻读硕士学位期间的研究成果