基于模糊支持向量機的紅外及可見光目標(biāo)識別.pdf

1、隨著科學(xué)技術(shù)的高速發(fā)展，目標(biāo)識別技術(shù)在民用、軍用等領(lǐng)域都取得了非常廣泛的應(yīng)用。本文結(jié)合紅外傳感器與可見光傳感器各自的優(yōu)點，采用模糊支持向量機(FuzzySupportVectorMachine，F(xiàn)SVM)的算法理論，構(gòu)建了基于FSVM的紅外及可見光目標(biāo)識別系統(tǒng)。
　　FSVM理論體系完善，它是建立在統(tǒng)計學(xué)理論、VC維(Vapnik-ChervonenkisDimension，VC)理論等知識的基礎(chǔ)之上的新興的機器學(xué)習(xí)理論。采用FS

2、VM算法作為目標(biāo)識別系統(tǒng)的識別算法能夠達到較高的分類準(zhǔn)確率。
　　本論文主要內(nèi)容是在數(shù)字圖像處理理論的基礎(chǔ)上，結(jié)合FSVM的理論與算法，對基于FSVM的紅外及可見光目標(biāo)識別系統(tǒng)進行了詳細(xì)的研究、設(shè)計與開發(fā)。主要實現(xiàn)了目標(biāo)識別系統(tǒng)的圖像預(yù)處理模塊、特征提取模塊、數(shù)據(jù)庫管理模塊、識別模型訓(xùn)練模塊以及目標(biāo)識別模塊。
　　開發(fā)過程中針對目標(biāo)識別系統(tǒng)各模塊中存在的問題，提出了一些具有針對性的切實有效的改進方法，主要有:圖像預(yù)處理過程中

3、在大津(OTSU)算法的基礎(chǔ)之上對所求閾值進行了調(diào)整，改善了分割效果;針對K-means算法中的一些固有問題，對算法進行了一些必要的優(yōu)化，改進了初始聚類中心的選擇策略，并針對聚類結(jié)果中的噪點區(qū)域提出了一種區(qū)域合并策略進行處理;結(jié)合Libsvm工具包，對現(xiàn)有的分類函數(shù)進行了改進，加入了模糊隸屬度函數(shù)，構(gòu)建了FSVM識別算法，并對序列最小優(yōu)化算法（Sequentialminimaloptimization，SMO）算法進行了編程實現(xiàn);考慮到