基于支持向量机的图像特征提取开题报告

1. 研究目的与意义（文献综述）

随着计算机技术的发展，设备的自动化程度提高，原来很多需要人工去控制的设备完全可以用人工智能的技术来替代人脑，图像识别就是其中的一个很重要的应用。随着图像识别技术越来越广泛的应用，人们对其准确性，速度，消耗方面的要求越来越高。而特征提取是图像识别的基础，本论文旨在寻找一种更简单高效准确的方法去进行图像的特征提取。

研究现状（国外）现阶段图像特征提取主要是用的方法有主成分分析（pca）[1，2]，[2]。pca是一种无监督的特征提取算法，它通过最小化样本的重构误差来寻找一组正交变换，将高维数据投影到低维数据空间。lda是一种有监督的学习算法，它的目标是最小化类内散度的同时，最大化类间散度以保留判别信息。当数据规模较大时，lda会优于pca，但是当数据规模较小时，pca会比lda更具有优势[3]。但这两种方法都只能在一定限度上解决维度灾难的问题，现在常用的这两种方法仍存在缺陷。现在也有一些其他的方法比如hog[6],v-hog[7],基于皮质特征的gabor滤波器[8]，协方差特征[9]，局部二值模式(lbp)[10],hog-lbp[11],小边特征[12]，shapelet特征[13],局部感知域[14]，多尺度方向特征[15],自适应的局部轮廓特征[16],granularity-tunablegradientspartition(ggp)特征符[17],pose-invariant特征符[18]来进行特征的提取。

支持向量机(supportvectormachine，svm)是由corinnacortes和vapnik等人在1995年首先提出的，可以将多维的特征输入映射到高维的核空间，从而使得原本不可分的数据获得新的特征，更加有利于分类[4-5]其具有如下几种优点（1）系统结构简单的优点因为分类器只是由支持向量来决定,即分类器的复杂程度与训练集样本数量无关,仅与其支持向量的数量有关。[15]（2）全局最优，svm方法运用lagrange优化方法转化为二次规划问题，能够保证支持向量机算法得到全局最优解。[15]（3）可推广能力强，svm基于统计学习理论，采用结构风险最小化原则,能在经验风险与模型复杂度之间进行合理的折中，尽量提高学习机的推广性能。[15]（4）学习和预测时间短等优点。但是支持向量机方法仍存在着一些不足比如1、根据不同的问题如何选择不同的核函数的问题仍然亟待解决。2、标准的svm对噪声是不具有鲁棒性的,选择合适的目标函数或者改用的方法以实现其鲁棒性仍是难点。通过本方法能找到一种缓解这些问题的方法

2. 研究的基本内容与方案

1.熟练掌握matlab编程语言，matlab图像处理工具箱，以及其他的常用工具箱。首先能够编出一些简单的程序。

2.掌握传统的图像特征提取的方法，主成分分析（pca）和线性判别分析（lda）两种图像特征提取方法。掌握传统方法的目的是方便将其与支持向量机方法进行比较，以分辨出其差异，并能够将其用matlab程序实现。

3.掌握支持向量机方法，了解并能建立支持向量机的数学模型。掌握支持向量机的分类方法，掌握构造拉格朗日方程的方法以及求解拉格朗日方程。得出其原始问题以及其对偶问题。对其数学表达式有更深的了解。

3. 研究计划与安排

1.三月十五日到三月30日学习两本参考资料掌握支持向量机和matlab语言。

2.四月初到四月十五日使用支持向量机编一些预测性的软件。以及进行简单的核函数调试。

3.四月十五日到五月初学习图像特征提取的方法。

4. 参考文献（12篇以上）

[1]i.t.jolliffe.principalcomponentanalysis.2thedition.newyork:springer,2002.

[2]m.turkanda.pentland.facerecognitionusingeigenfaces.proceedingsofcomputervisionandpatternrecognition.maui,usa,1991,586-591.

[3]a.m.martínezanda.c.kak.pcaversuelda.ieeetransactionsonpatternanalysisandmachineintelligence,2001,23(2):228-233.