目标识别学习.pptx
目标识别目标识别内容：模式和模式类基于决策理论方法的识别结构性方法第1页/共66页一、模式和模式类一、模式和模式类模式：是描绘子的组合模式类：是一个拥有某些共同性质的模式族模式识别：对不同的模式分配各自所属类别模式类：模式类的数量第2页/共66页一、模式和模式类一、模式和模式类三种常用的模式组合：F模式矢量F串F树第3页/共66页例例1 1：模式矢量：模式矢量识别三种不同类型的鸢尾属植物的花（Iris Setosa,Iris Virginica,Iris Versicolor)识别方法：通过测量花瓣的宽度和长度三个模式类：第4页/共66页例例1 1：模式矢量：模式矢量分类效果取决于描绘子的选择第5页/共66页例例2 2：模式矢量：模式矢量不同类型的噪声波形第6页/共66页一、模式和模式类一、模式和模式类三种常用的模式组合：F模式矢量F串F树字符串：第7页/共66页一、模式和模式类一、模式和模式类三种常用的模式组合：F模式矢量F串F树：分层有序结构第8页/共66页一、模式和模式类一、模式和模式类第9页/共66页二、基于决策理论方法的识别二、基于决策理论方法的识别一个n维模式矢量：基于决策函数（或判别函数）的识别W个模式类：W个判别函数：若模式x属于类i：第10页/共66页二、基于决策理论方法的识别二、基于决策理论方法的识别决策边界：单一函数表示：第11页/共66页二、基于决策理论方法的识别二、基于决策理论方法的识别匹配最佳统计分类器神经网络第12页/共66页1 1、匹配、匹配方法：用一种原型模式矢量表示每一个类，比较未知模式与原型矢量。最小距离分类器依据相关的匹配第13页/共66页最小距离分类器最小距离分类器每一个模式类的原型矢量定义为该类模式的平均矢量：空间距离：决策边界：判别函数：第14页/共66页例：最小距离分类器的图解例：最小距离分类器的图解两个鸢尾属植物的花（Iris Versicolor,Iris Setosa)两个模式类（1,2)第15页/共66页例：最小距离分类器的图解例：最小距离分类器的图解决策函数：决策边界：第16页/共66页依据相关的匹配依据相关的匹配在一幅大小为mn的模板w(x,y)与图像f(x,y)的相关：第17页/共66页依据相关的匹配依据相关的匹配c(x,y)的最大值就是最匹配的位置。第18页/共66页依据相关的匹配依据相关的匹配克服相关函数对图像和模板幅度变化的敏感性是均值第19页/共66页2 2、最佳统计分类器、最佳统计分类器特定模式x来自i类的概率表示为平均失效率：失败的分类表示为第20页/共66页总体平均失效率降至最低的分类器称作贝叶斯分类器属于类当损失函数：第21页/共66页属于类决策函数：第22页/共66页高斯模式类的贝叶斯分类器高斯模式类的贝叶斯分类器两个模式类具有高斯密度，分别具有均值mj与标准差j若决策边界：第23页/共66页n维情况：第24页/共66页类 的贝叶斯判别函数：第25页/共66页例：三维模式的贝叶斯分类器例：三维模式的贝叶斯分类器每个类服从高斯分布第26页/共66页例：三维模式的贝叶斯分类器例：三维模式的贝叶斯分类器由模式计算平均矢量和协方差矩阵：第27页/共66页例：三维模式的贝叶斯分类器例：三维模式的贝叶斯分类器贝叶斯判别函数：假定第28页/共66页3 3、神经网络、神经网络训练模式：用于估计判别函数参数的模式。训练集合：一系列从每个类中得到的模式。学习或训练：使用训练集合得到判别函数的过程。直接通过训练过程生成所需判别函数。第29页/共66页两个模式类的感知器两个模式类的感知器判别边界：线性判别函数：第30页/共66页两个模式类的感知器两个模式类的感知器门限函数：第31页/共66页两个模式类的感知器两个模式类的感知器扩展模式矢量的判别函数：扩展模式矢量：权矢量：第32页/共66页训练算法训练算法线性可分离的类线性可分离的类F如果，并且F如果，并且F否则迭代算法：第33页/共66页例：感知器算法解释例：感知器算法解释训练集合训练集合令第34页/共66页第35页/共66页例：感知器算法解释例：感知器算法解释第36页/共66页训练算法训练算法不可分离的类不可分离的类德尔塔规则：在训练的每一步，使真实响应和期望响应之间误差降至最低。准则函数：梯度下降算法：第37页/共66页第38页/共66页根据第39页/共66页多层前馈神经网络多层前馈神经网络多类模式识别问题的判别函数第40页/共66页基本体系结构基本体系结构第41页/共66页基本体系结构基本体系结构 如果网络的第i个输出为高，而其他的输出为低，则网络识别模式响亮x属于i第42页/共66页基本体系结构基本体系结构“S”激活函数第43页/共66页基本体系结构基本体系结构“S”激活函数：J层激活元素：K层输出：任何层中的节点输入都是前一层输出的加权和。K-J第44页/共66页反向传播训练反向传播训练输出层Q各节点的期望响应和真实响应之间总误差的平方为：调整权值：P-Q第45页/共66页第46页/共66页输出层权值增量：第47页/共66页反向传播训练反向传播训练误差项：内层权值增量：J-P-Q第48页/共66页第49页/共66页训练过程如下：对任何层K和J，层K直接接在层J的前边，计算权值wjk如果层J是输出层：如果层J是内部层，P是下一层：反向传播训练反向传播训练第50页/共66页反向传播训练反向传播训练输出层：内部层：激活函数，令第51页/共66页例：使用神经网络进行图形分类例：使用神经网络进行图形分类通过标记图产生模式矢量：48维第52页/共66页例：使用神经网络进行图形分类例：使用神经网络进行图形分类激活函数:第53页/共66页例：使用神经网络进行图形分类例：使用神经网络进行图形分类训练过程:权值被初始化为带有零均值的小随机数；用无噪声样本的模式矢量对网络进行训练；用带有噪声样本的模式矢量对网络进行训练；噪声样本的生成：在无噪声图形上，每个处在轮廓线上的像素被赋予一个保留在原始坐标的概率V，并且对该像素个相邻像素中的一个坐标随机赋予一个概率R=1-V。第54页/共66页例：使用神经网络进行图形分类例：使用神经网络进行图形分类错误分类的概率第55页/共66页例：使用神经网络进行图形分类例：使用神经网络进行图形分类错误分类的概率第56页/共66页决策面的复杂性决策面的复杂性两层网络：两个输入产生两个边界；三个输入产生三个边界。第一层：执行一行；第二层：进行“与”操作。第57页/共66页决策面的复杂性决策面的复杂性三层网络：第一层：执行一行；第二层：进行“与”操作；第三层：将不同区域划归不同的类，进行“或”操作。第58页/共66页决策面的复杂性决策面的复杂性第59页/共66页三、结构方法三、结构方法匹配形状数目串匹配第60页/共66页1 1、匹配形状数、匹配形状数相似度k表示两个区域边界间相一致的形状数目的最大量级。例：a和b代表有闭合边界的图形数目，s代表图形数。第61页/共66页1 1、匹配形状数、匹配形状数两个图形a和b间的距离定义为它们相似程度的倒数：a和b间的距离满足下列性质：第62页/共66页例：应用图形数目对比例：应用图形数目对比第63页/共66页2 2、串匹配、串匹配两个区域边界a和b表示成串为：表示无法匹配的数目两个串的相似性：表示两个串匹配的数目，匹配在k的位置第64页/共66页例：串匹配例：串匹配第65页/共66页感谢您的观看！第66页/共66页
