基于多特征融合的軍裝圖片識(shí)別技術(shù)研究.pdf

1、隨著信息社會(huì)的不斷發(fā)展,軍人接觸互聯(lián)網(wǎng)的機(jī)會(huì)已大大增加,軍人在網(wǎng)絡(luò)上的活動(dòng)日益頻繁。部分現(xiàn)役和退伍軍人喜歡在一些網(wǎng)絡(luò)論壇和社交網(wǎng)站(如QQ,人人網(wǎng)等)中上傳自己的軍裝照片,這為軍隊(duì)的保密工作和形象維護(hù)帶來(lái)了新的挑戰(zhàn)。為此,我軍出臺(tái)了一系列規(guī)定規(guī)范軍人在互聯(lián)網(wǎng)上的行為。為了加強(qiáng)對(duì)軍人網(wǎng)絡(luò)違規(guī)行為的檢測(cè),本文圍繞網(wǎng)絡(luò)空間中的軍裝圖片識(shí)別問(wèn)題進(jìn)行研究并提出一種基于多特征融合的軍裝圖片識(shí)別方法,通過(guò)對(duì)軍裝圖片的識(shí)別可以有效檢測(cè)軍人上網(wǎng)行為。該方

2、法首先提取人體圖像上部區(qū)域的顏色、紋理和局部特征,然后利用多核學(xué)習(xí)方法對(duì)多特征進(jìn)行融合并分類(lèi)。
　　本文主要工作如下:
　　(1)提出了基于稀疏SIFT和稠密SIFT描述子的混合SIFT-BOW特征表達(dá)方式。將一幅圖像中的局部顯著區(qū)域作為前景區(qū)域用稀疏SIFT描述,其余區(qū)域作為背景區(qū)域用稠密SIFT描述。在生成BOW特征時(shí)將稀疏SIFT作為主描述子,將稠密SIFT作為輔助描述子進(jìn)行加權(quán)融合得到混合SIFT-BOW特征?；旌蟂

3、IFT-BOW特征表達(dá)方法結(jié)合了稀疏SIFT描述局部顯著區(qū)域的優(yōu)點(diǎn)和稠密SIFT描述平滑一致區(qū)域的優(yōu)點(diǎn),能夠更準(zhǔn)確地表達(dá)軍裝圖像局部特征。
　　(2)提出了一種改進(jìn)的BOW模型ESWM-BOW來(lái)提取軍裝圖片的局部區(qū)域特征,該模型基于一種新的視覺(jué)單詞加權(quán)方法——熵空間加權(quán)圖 ESWM(Entropy Spatial Weight Map)?？臻g加權(quán)圖SWM根據(jù)視覺(jué)單詞在圖像中不同局部區(qū)域出現(xiàn)的頻率計(jì)算而得。由于每個(gè)視覺(jué)單詞在不同圖片

4、類(lèi)中出現(xiàn)的概率可能不同,根據(jù)信息理論可以用熵來(lái)描述視覺(jué)單詞的這種分類(lèi)信息。因而在計(jì)算視覺(jué)單詞權(quán)重分布時(shí)除了考慮該視覺(jué)單詞在局部區(qū)域出現(xiàn)的概率大小外,再融入視覺(jué)單詞在該區(qū)域的分類(lèi)信息,得到熵空間加權(quán)圖ESWM,ESWM可以進(jìn)一步提升視覺(jué)單詞的區(qū)分能力。
　　(3)利用多核學(xué)習(xí)方法對(duì)多特征進(jìn)行融合,提升軍裝圖片分類(lèi)器性能。首先為每種特征選擇最適合的核函數(shù),然后通過(guò)多核學(xué)習(xí)優(yōu)化各核函數(shù)權(quán)重。與單一核函數(shù)的支持向量機(jī)相比,基于多核學(xué)習(xí)的支