60000字论文范文基于Adaboost算法的遥感图像与车辆识别率关系研究
论文类型：论文范文
论文字数：60000字
论点：遥感,识别,提取
论文概述：
本文在简要总结前人研究成果的基础上，通过实验论证了在 Visual C++和OpenCV 平台下，从遥感影像上提取汽车的 Haar 特征、并利用 Adaboost 算法训练分类器的目标识别方法
论文正文：
第一章导言
1.1研究背景和意义
1.1.1研究背景
人造地球卫星的成功发射极大地促进了遥感技术的发展。美国在1960年发射的第一颗气象卫星标志着人类地球观测新时代的到来。从导航空到对地球的空间观测和图像采集，是20世纪人类的重大技术进步。卫星遥感已经成为人类观察、分析和描述地球环境的有效手段，[1]。经过50多年的发展，形成了大规模多维、三维、动态的全球综合观测系统，为人类认识地球、天气预报、资源开发、环境保护、灾害监测、军事打击、全球变化分析等找到了新的途径。在图像分辨率方面，随着空间技术的发展和遥感器性能的不断提高，特别是商用小卫星的快速发展，卫星遥感图像的空分辨率达到了一个全新的水平，其应用领域不断扩大。高分辨率卫星遥感数据的分析和理解技术逐渐成为遥感应用研究的热点，尤其是高精度、高效率的自动目标识别，一直是一大技术难点，已成为大规模应用的“瓶颈”。
目前，遥感信息提取主要采用两种方式:一种是视觉判读，另一种是计算机信息提取。前者也被称为视觉口译，口译结果通常受口译员的感觉、专长和经验的影响，人工口译效率低一直是一个难题。一些学者研究了这个问题。例如，颜守勇等人在2006年总结并提出了遥感影像组解译技术[2]，这是一种新的信息提取技术。通过人类认知、人机交互、系统建设和互联网等方式，数字化、几十个甚至更多的口译员有机结合，实现高质量、高效率的人工口译。后者通常被称为遥感信息提取，是[1]研究中广泛关注的焦点；如今，空间遥感技术的快速发展提供了高分辨率、全天、全天候、实时/准实时地球观测能力，[3]。如何快速有效地利用海量数据识别地球物体并提取地球物体信息一直是遥感数据处理领域的研究热点。
1.1.2研究意义
空间遥感技术的迅速发展提供了高分辨率、全天、全天候、实时/准实时地球观测能力[3]。面对海量数据，如何快速有效地识别目标，提取目标信息一直是遥感数据处理领域的研究热点。近年来，许多学者对相关问题进行了深入研究。熊志群利用面向对象的图像分类技术和快鸟卫星图像提取上海市区绿地信息[4]；李燕利用小波变换从遥感图像中提取特征，并利用图像特征进行高斯混合建模，识别图像中的关键目标[5]；王志伟通过归一化和提取目标的几个不变矩特征作为神经网络[6]的输入向量，研究了1m分辨率卫星图像中对滞留在机场的客机的识别；詹斯莱特洛夫(JensLeitloff)在高分辨率图像上划分感兴趣的区域，并使用支持向量机方法识别[7]高速公路和停车场上的汽车。计算机信息提取(Computer information extraction)是指利用计算机根据一定的要求，从原始数据中识别和提取特定信息的过程。从方法论的角度来看，各种高效算法主要应用于遥感信息提取，尤其是近年来广泛应用于数据挖掘的机器学习算法，如上述的BP神经网络和支持向量机等。，已广泛应用于遥感信息提取(见表1-1)。虽然有些方面需要改进和提高，但计算机自动信息抽取已经基本实现。
从识别效果来看，面向对象的信息提取、基于专家知识的决策树、支持向量机和BP神经网络等方法可以在一定程度上提高特征识别的自动化程度和识别效率。基于专家知识的面向对象信息提取和决策树是遥感影像绿地信息提取或地物分类研究的常用方法，[8-11]。这两种方法都依赖于波段信息。与面向对象的信息提取和基于专家知识的决策树相比，支持向量机和BP神经网络两种方法对飞机和汽车[6-8等小目标识别效果较好，但仍存在一些不足。例如，BP神经网络的最大缺点在于算法效率低，训练分类器速度慢，容易陷入局部极小值，学习过程中容易出现振荡现象，导致训练分类器失败。虽然支持向量机方法不需要大规模训练样本来确定分类决策，其效果优于BP神经网络，但容易出现过度拟合或训练不足的问题，很难通过增加样本量来提高识别率。在实际应用中，核函数及其参数的选择往往依赖于经验，分类器的训练往往因核函数的选择或参数设置不合理而失败。另外，经典的支持向量机算法只给出了两种分类算法，而在数据挖掘的实际应用中，尤其是土地分类问题，一般需要解决多类分类问题[10】；从应用的角度来看，支持向量机方法只能用于内容相对单一的小图像[7】。
1.2研究内容和技术路线............................14-16
1.2.1研究内容............................14-15
1.2.2技术路线............................15-16
第2章哈尔特征和机器学习算法............................16-24
2.1哈尔特徵............................16-19
2.2机器学习............................19-21
2.3 Adaboost算法............................21-22
2.4 OpenCV简介............................22-24
第3章数据预处理............................24-33
3.1图像预处理............................24-27
3.1.1世界景观图像介绍............................25
3.1.2样品制备............................25-27[/比尔/] 3.2样本输入和分类器培训............................27-30[/溴/] 3.3阴性样品的影响............................30-33
第4章车辆目标识别............................33-43
4.1编程............................33-35
4.2代码说明............................35-40
4.2.1变量描述............................35-39 [/BR/] 4.2.2功能描述............................39-40[/比尔/] 4.3鉴定结果统计............................40-43
4.3.1车辆识别效果............................40-41 [/BR/] 4.3.2识别准确性评估............................41-43
第5章图像分辨率对识别率的影响............................43-53
5.1图像退化处理............................44-47
5.2识别结果统计............................47-50
5.3图像分辨率和车辆识别率之间的关系............................50-52 [/BR/] 5.4图像分辨率变化对检错率的影响............................52-53
结论
在简要总结前人研究成果的基础上，通过实验证明了基于Visual C++和OpenCV平台的目标识别方法，该方法从遥感图像中提取哈尔特征，并利用阿达boost算法训练分类器，可以应用于高分辨率遥感图像的车辆识别。在此基础上，深入探讨了图像分辨率的变化对识别结果的影响。从应用角度出发，以汽车为例说明了遥感图像的尺度问题。
利用Adaboost算法提取地物哈尔特征和训练分类器的识别技术，可以应用于高分辨率遥感图像上小地物的识别，效果好，速度快。本文以汽车识别为例来说明这一问题。从第四章的表4-2可以看出，由500个阳性样本训练的分类器用于高分辨率遥感图像上待检测区域的车辆检测，其识别率在70%以上，而平均错误检测率不高于20%，效果令人满意，检测时间在毫秒以内，识别速度非常快。此外，通过文献检索可以发现，这种目标识别技术近年来的应用主要集中在人脸检测和摄像机或摄像机中的汽车检测上，在遥感图像上检测地面物体方面没有先例。因此，本研究在一定程度上拓展了目标识别技术的应用领域。同时，Adaboost算法相对于其他相关的机器学习算法(见表1-1)有许多优势，这些算法已被广泛应用于监督分类中。然而，它还没有广泛应用于特征信息的自动提取或土地利用分类。因此，本文的研究也可以为其他研究者提供参考。