基于隐Markov模型的图像方位识别.pdf

《基于隐Markov模型的图像方位识别.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、第27卷第3期东北大学学报（自然科学版）Vol.27，No.32006年3月JournalofNortheasternUniversity（NaturalScience）Mar.2006!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!文章编号：1005-3026（2006）03-0304-04基于隐Markov模型的图像方位识别于涛，韩清凯，孙伟，闻邦椿（东北大学机械工程与自动化学院，辽宁沈阳110004）摘要：提出一种基于隐Markov模型（HiddenMarkovModel，HMM）的图像方位识别方法

2、·将待识别的目标图像进行分割，对子图像进行奇异值分解，提取奇异值向量形成观测序列，即图像奇异值向量作为HMM的观测向量·确定HMM参数并计算其最大似然概率，按待识别图像最大似然概率对应所属的聚类进行识别·实验结果表明，3类共150幅目标图像的识别率达到了85%·关键词：图像方位识别；奇异值向量；隐Markov模型（HMM）；聚类分析中图分类号：TP391文献标识码：A目标方位检测和障碍物检测是视觉导航中的验证了本文方法的识别效率及可行性·重要内容·目标方位检测过程中图像信息能否得到1基本原理与方法正确、实时的处理直接关系到移动体的行驶速度、路径跟踪以及对障碍物的避碰等，对移动体

3、控制的1.1图像奇异值特征分析实时性和鲁棒性也具有决定性的作用·图像方位识对图像矩阵进行奇异值分解（SingularValue别是指移动体根据图像信息辨别移动方向的过程·Decomposition，SVD），获得图像的奇异值向量，奇现有图像方位识别的视觉处理技术很难区分被探异值向量用作进行图像分类识别的基本参数·测的目标与背景·为了将障碍与背景分开，需要对对于一幅灰度图像，若图像的数据矩阵为图像进行分析及理解，一般情况下计算量较大，导!，!"!m>n，对矩阵!进行奇异值分解：致识别与控制系统的实时性较差［1］!="!#T·（1）·而对于图像构成要素具有不同表象且存在关联的情况，

4、则更需要其中，"和#是单位正交的矩阵；!是对角矩阵，合理而高效的识别与分类方法，如现有的BP神经!=diag（!1，!2，⋯）·如果矩阵!只有k个非零网络法等［2］·隐Markov模型（HiddenMarkov奇异值，则kModel，HMM）提供了一种描述复杂现象的机制，T!=#!iuiOi·（2）对复杂对象的模式识别具有独特的效果，近年来i=1［3!5］其中，u和O分别是"和#的各列·记得到人们越来越多的重视·ii采用HMM对目标图像进行描述和识别，利$=（!，!，⋯，!，0，⋯，0）T·（3）12k用图像的奇异值向量作为图像提取特征［5］称为矩阵!的奇异值向量··其优点在于

5、："允许摄像头有较大的颤动和平移，因而1.2HMM基本原理适合于移动摄像系统；#可以充分利用图像各部HMM是一种参数化表示的、用于描述随机分的特征值，将其与一个状态转移模型联系起来，过程统计特性的概率模型·隐Markov过程是一从关联状态的一组适当初始分布出发，产生一组种双重随机过程：一个潜在的过程称为“状态”过实现序列，更好地逼近给定的观测序列；$图像的程，另一个可观测的过程称为“观测序列”，观测序奇异值向量对应图像亮度且成比例变化，比较稳列由隐含状态决定·定，具有转置不变性及位移不变性·本文通过对实以一阶离散隐Markov过程为例·设N为隐际拍摄的大量道路图像进行HMM训练

6、和识别，含状态数，$表示隐含状态，即$=｛s1，s2，⋯，收稿日期：2005-04-25基金项目：国家自然科学基金资助项目（10402008）；沈阳市科学技术攻关重大专项（1032026-1-00）·作者简介：于涛（1979-），男，山东烟台人，东北大学博士研究生；韩清凯（1969-），男，山东济宁人，东北大学教授；闻邦椿（1930-），男，浙江温岭人，东北大学教授，博士生导师，中国科学院院士·第3期于涛等：基于隐Markov模型的图像方位识别35sN｝，M为观测值的总数，所有观测值集合为V=应用HMM时，在多个给定的模型（观测序列｛ol，o2，⋯，oM｝·HMM可由A，B，!

7、三个概率O=ol，o2，⋯，ol及模型参数!）中选择一个最佳矩阵描述，记为模型，采用Viterbi算法［6，7］确定一个最佳的状态链Q=C，C，⋯，C解释观测序列O·这样在确!=（A，B，!）·（4）l2l定了观测序列和各个状态最可能的对应关系后，式中，A=｛a｝为状态转移概率分布或转移矩阵，ij采用Baum-welch算法［8］或EM算法［9］调整模型矩阵元素a为从状态s转移到s的概率，且ijij参数!使产生观测序列O的概率P（O"!）最大·N!aij=l·B=｛bj（ok）｝为观测概率矩