基于多核学习SVM的图像分类识别算法.docxVIP

基于多核学习SVM的图像分类识别算法 　　摘 要： 针对单核支持向量机在图像分类识别中检测精度较低的问题，提出一种多核学习SVM的图像分类识别算法，并将其应用到行人检测问题中。首先，提取行人的积分通道特征包括梯度直方图、彩色通道和梯度特征；然后，使用直方图交叉核、多项式核和径向基核构建混合核SVM分类器；最后，使用交叉验证和网格有哪些信誉好的足球投注网站的方法确定各种核的融合系数。在TUD数据集上的测试结果表明，该方法具有较好的鲁棒性和较高的检测精度。　　关键词： 支持向量机； 多核学习； 行人检测； 图像识别； 直方图交叉核； 交叉验证　　中图分类号： ?34； TP311 文献标识码： A 文章编号： 1004?373X06?0050?03　　Abstract： In allusion to the problem that the single kernel support vector machine has low detection precision in image classification and recognition， an image classification and recognition algorithm based on multi?kernel learning SVM is proposed and applied to the pedestrian detection problem. The pedestrians′ integral channel features including the gradient histogram， the color channel and the gradient feature are extracted. The hybrid kernel SVM classifier is constructed by using the histogram cross kernel， the polynomial kernel， and the radial basis kernel. The methods of cross validation and grid search are used to determine the fusion coefficients of various kernels. The results from the TUD dataset test show that the method has good robustness and high detection precision.　　Keywords： SVM； multi?kernel learning； pedestrian detection； image recognition； histogram cross kernel； cross validation　　核学习是一种以核函数和统计学习理论为基础的机器学习方法[1]，该方法通常包括核函数的选择与构造、使用核函数构建分类器两个部分[2]。使用核学习方法可以避免显式计算低维空间的样本到高维空间的映射，直接将?颖咀?化为高维空间的点积[3]。　　支持向量机[4]的本质为核方法，在解决非线性、小样本和高维模式识别问题中表现出了诸多优势。SVM的发展促进了核学习方法，相继出现了核Fisher判别方法、核主成份分析方法、核判别分析以及核独立分量分析[5?7]等。核方法被广泛应用于求解高维、动态、数量多和含噪声等问题中。　　然而，每一种核均存在较大的差异，对应于不同的应用场合，目前还没有完备的选择核函数的理论依据。选择与设计适合给定问题核函数，是核方法和SVM共同面临的问题。当数据样本存在多维数据不规则、含异构信息或高维空间分布不平坦等问题时，难以使用单一的核函数映射处理所有样本。因此，众多文献提出了基于混合核或组合核的方法，即多核学习的方法。如文献[8]组合使用径向基核函数和多项式核来提高SVM的分类精度；文献[9]使用多核SVM实现了短语音说话人识别系统；文献[10]使用混合核最小二乘法支持向量机实现了损伤检测，并获取了比单径向基核更高的泛化能力与精度。基于以上分析，本文提出了一种多核学习SVM算法，并将其应用到行人检测问题中。首先，提取行人的积分通道特征包括梯度直方图、彩色通道和梯度特征；然后，使用直方图交叉核、多项式核函数和径向基核函数构建混合核SVM分类器；最后在TUD数据集上的检测结果表明，该方法具有较好的鲁棒性和较高的检测精度。　　1 行人特征提取　　积分通道特征即使用积分图技术加快特征提取的速度，且融合后的特征相对于HOG特征具有更高的判别能力。积分通道特征具有参数少、来自颜色和梯度等不同