基于改進BP神經(jīng)網(wǎng)絡(luò)的物體識別研究.pdf

1、計算機視覺在眾多領(lǐng)域都有廣泛的應(yīng)用，比如家庭智能機器人、儀表自動監(jiān)測、汽車低速自動導航駕駛和航空圖片中的物體識別，并且隨著計算機視覺技術(shù)的發(fā)展，計算機視覺將具有更廣泛的應(yīng)用前景。而計算機視覺的重要研究課題之一是物體識別，并且特征提取和分類是物體識別的關(guān)鍵步驟。在識別物體的方法和過程中，還存在許多問題和挑戰(zhàn)，比如如何從2D圖片中快速而準確的識別出物體。人類的視覺系統(tǒng)就能夠輕易地快速識別2D圖片中的物體，這實際上是一個由2D信息出發(fā)輔以先驗

2、知識識別物體的過程。本文就從物體的形狀信息出發(fā)，提出一種基于改進BP神經(jīng)網(wǎng)絡(luò)的物體識別方法。 在特征提取方面，利用矩算法提取物體的不變性特征，并詳細討論了Hu矩及其修正算法。不變矩方法，能夠反映物體的形狀信息，并具有較好的抗噪性能，同時因不受被識別物體大小、位置、方位的影響而被廣泛應(yīng)用于物體識別、景物匹配、圖像分析及字符識別等許多方面。并且修正的Hu不變矩，不管在連續(xù)的狀態(tài)下還是在離散狀態(tài)下都對平移、縮放、旋轉(zhuǎn)具有不變性，而且具

3、有較小的時間復雜度，可以用來有效的識別物體。本文在MATLAB實驗環(huán)境下對修正的Hu不變矩算法進行了實現(xiàn)。 在分類識別方面，先分析了BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，算法，存在的缺點并提出加入動量項、共軛梯度法、正則化方法、彈性BP算法、自適應(yīng)學習速率動量梯度下降反向傳播算法，這一系列改進的學習算法，以滿足解決不同問題的需要。其中自適應(yīng)學習速率動量梯度下降反向傳播算法，可以有效避免BP網(wǎng)絡(luò)收斂速度慢和存在所謂“局部最小值”問題。最后在MATL

4、AB實驗環(huán)境中，將該改進后的BP算法用于識別Coil-20(columbia object image library)圖像數(shù)據(jù)庫中的物體。并且該實驗是在無噪聲和有噪聲兩種情況下分別進行的。 與基于傳統(tǒng)BP算法的物體識別方法進行實驗比較，該改進后的BP算法進一步提高了BP神經(jīng)網(wǎng)絡(luò)在處理非線性和不確定因素問題上的能力，并且該改進算法無論是在無噪聲情況下，還是在有噪聲情況下，都比傳統(tǒng)的BP算法具有更高的識別率和更快的收斂速度。從而證