資源描述：
《基于局部特征提取的場景分類算法研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、電子科技大學(xué)UNIVERSITYOFELECTRONICSCIENCEANDTECHNOLOGYOFCHINA碩士學(xué)位論文MASTERTHESIS（電子科技大學(xué)圖標）論文題目基于局部特征提取的場景分類算法研究學(xué)科專業(yè)通信與信息系統(tǒng)學(xué)號201221010214作者姓名張達明指導(dǎo)教師馬爭教授分類號密級注1UDC學(xué)位論文基于局部特征提取的場景分類算法研究（題名和副題名）張達明（作者姓名）指導(dǎo)教師馬爭教授電子科技大學(xué)成都（姓名、職稱、單位名稱）申請學(xué)位級別碩士學(xué)科專業(yè)通信與信息系統(tǒng)提交論文日期2015.3.26論文答辯日期2015.5.15學(xué)位授予單位和日期電子科技大學(xué)
2、2015年6月答辯委員會主席虞紅芳教授評閱人注1：注明《國際十進分類法UDC》的類號。RESEACHONSCENECLASSIFICATIONALGORITHMBASEDONLOCALFEATUREEXTRACTIONAMasterThesisSubmittedtoUniversityofElectronicScienceandTechnologyofChinaMajor:CommunicationandInformationSystemsAuthor:ZhangDaMingAdvisor:ProfessorMaZhengSchool:SchoolofCommu
3、nication&InformationEngineering獨創(chuàng)性聲明本人聲明所呈交的學(xué)位論文是本人在導(dǎo)師指導(dǎo)下進行的研究工作及取得的研究成果。據(jù)我所知，除了文中特別加以標注和致謝的地方外，論文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果，也不包含為獲得電子科技大學(xué)或其它教育機構(gòu)的學(xué)位或證書而使用過的材料。與我一同工作的同志對本研究所做的任何貢獻均已在論文中作了明確的說明并表示謝意。作者簽名：日期：年月日論文使用授權(quán)本學(xué)位論文作者完全了解電子科技大學(xué)有關(guān)保留、使用學(xué)位論文的規(guī)定，有權(quán)保留并向國家有關(guān)部門或機構(gòu)送交論文的復(fù)印件和磁盤，允許論文被查閱和借閱。本人授權(quán)電
4、子科技大學(xué)可以將學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存、匯編學(xué)位論文。（保密的學(xué)位論文在解密后應(yīng)遵守此規(guī)定）作者簽名：導(dǎo)師簽名：日期：年月日摘要摘要隨著互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展和普及，網(wǎng)絡(luò)中的圖像數(shù)據(jù)呈幾何級增長。面對如此大量的圖像資源，如何快速而有效地對其進行監(jiān)督和管理已成為研究的熱點。而解決此類問題的重要途徑就是場景分類技術(shù)。場景分類旨在通過計算機將海量圖像數(shù)據(jù)自動地標注為不同的類別，從而實現(xiàn)圖像的自動分類。它能夠克服人工分類中的工作量大、效率低、成本高、疲勞和容易誤判等難題，具有重要的研究價值。場景分類的核心問題
5、是如何利用低層特征得到圖像的類別信息，而提取圖像的局部特征是解決這個問題的一個重要研究突破口。緊緊圍繞場景分類的目的，本文將基于局部特征提取的場景分類算法作為主要研究內(nèi)容，分別研究了局部特征提取算法和特征編碼算法。本文的研究工作主要集中在以下四個方面：1.研究了密集SIFT特征提取算法，針對特征向量缺少旋轉(zhuǎn)不變性的問題進行了改進。首先，計算多個方向的梯度響應(yīng)，然后尋找主方向，再對特征描述子進行方向歸一化，使最終得到的特征描述子具有了一定的旋轉(zhuǎn)不變性，提高了特征提取算法的魯棒性。2.研究了協(xié)方差矩陣特征提取算法，針對其計算量較大的問題，在結(jié)合了密集網(wǎng)格采樣框架之后
6、，對其進行了改進。在圖像上劃分密集的網(wǎng)格，然后分別計算協(xié)方差矩陣特征描述子。在減少了計算量的同時，又保證了提取特征的準確性，提高了算法的性能。3.研究了局部約束線性編碼算法，針對其編碼過程中碼本映射存在模糊性的問題進行了改進。在編碼過程中加入了判別準則閾值，使編碼算法有一定的自適應(yīng)性。改進后的算法使碼本能夠更加準確地重建特征向量，在提高分類性能的同時，又縮短了編碼時間。4.利用改進后的特征提取算法和特征編碼算法設(shè)計了兩種場景分類算法：基于改進局部特征線性編碼的場景分類算法和基于關(guān)鍵點輔助線性編碼的場景分類算法。這兩種算法都取得了很好的分類效果。實驗是在Matla
7、b平臺下進行的，并選用15-類場景數(shù)據(jù)集合8-類場景數(shù)據(jù)集作為實驗數(shù)據(jù)的來源。關(guān)鍵字：場景分類，SIFT，協(xié)方差矩陣，線性編碼IABSTRACTABSTRACTWiththerapiddevelopmentandpopularizationoftheInternet,theamountofInternetimagedatagrowsexponentially.Facingsuchalotofimageresources,howtosuperviseandmanagethemquicklyandefficientlyhasbecomeahotresearch.An
8、dtheimportan
