基于SIFT特征和SVM的场景分类

论文摘要

场景分类是计算机视觉领域中的一个基础处理过程,在模式识别、机器学习、图像内容理解、图像检索等中扮演重要角色。在特征提取中,经典的SIFT特征因具有对图像的平移、旋转、缩放、甚至对仿射变换保持不变性且具有良好的显着性和鲁棒性而得到广泛应用。而作为分类器之一,SVM以小样本统计机器学习理论为基础,无需依赖于设计者的经验及先验知识,避免了神经网络实现中的经验成分,而且SVM算法最终转化为凸优化问题,具有全局最优性等诸多优点。本文尝试将SIFT特征算法和SVM结合用于场景图像分类识别中。本文主要内容包括：首先对场景分类、SIFT特征、SVM的研究现状进行了概述,然后重点介绍了提取SIFT特征点和SVM分类算法。然后,基于SIFT特征和非线性SVM提出了场景图像分类系统的理论框架。具体工作包括：场景图像的预处理,即将彩色图像变成灰度图像,同时将图像缩放到相同大小尺寸；提出基于SIFT特征和SVM的场景分类算法,先用SIFT算法得到每个场景中各个图像的SIFT特征点,以向量形式存贮,再以这些特征向量作为SVM的原始输入数据进行训练分类。最后,通过数值实验,一方面比较用不同特征点数目的分类正确率,同时还与传统分类方法进行了效果比较。实验结果表明,本文的基于SIFT特征和SVM场景分类在准确率上高于几种传统的方法。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 场景分类的研究背景
• 1.2 场景分类的研究现状
• 1.3 图像局部特征的研究现状
• 1.4 支持向量机的研究现状
• 1.5 论文的主要工作
• 1.6 论文的结构组织
• 2 基于SIFT特征提取算法
• 2.1 尺度空间理论
• 2.1.1 一般尺度空间
• 2.1.2 Pyramid尺度空间
• 2.1.3 SIFT尺度空间
• 2.2 特征点位置检测
• 2.3 确定特征点的方向
• 2.4 生成SIFT特征点描述子
• 3 线性不可分支持向量机分类器设计
• 3.1 最优分类超平面
• 3.2 线性不可分支持向量机
• 3.3 再生核Hilbert空间
• 4 实验及其结果分析
• 4.1 实验环境
• 4.2 SIFT算法结合SVM场景分类算法的基本框架
• 4.3 实验及其结果分析
• 4.3.1 不同数目特征点的分类
• 4.3.2 同传统方法比较
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢