典型文献
基于多特征融合的红外图像分类研究
文献摘要：
针对传统红外图像目标分类方法准确率低的问题,提出了一种用结合多特征融合的粒子群优化(Particle Swarm Optimization,PSO)算法来优化支持向量机(Support Vector Machine,SVM)的方法.该方法采用方向梯度直方图(His-togram of Oriented Gradient,HOG)和局部二值模式(Local Binary Pattern,LBP)两类特征描述红外图像中目标的轮廓特征和局部纹理,从不同的方面展现红外图像的特点,在图像的特征表达上具有一定的互补性.在特征提取后对样本数据进行凸包算法计算,得到一些具有代表性的样本数据,从而提高分类计算效率;在分类模型训练时,采用PSO算法优化SVM,寻找SVM的最优惩罚因子和核参数,从而提高分类模型的准确率.实验结果表明,多特征融合的分类模型的准确率比单一特征的分类模型提高近10％,且经PSO优化的SVM最终模型的分类准确率高达99％.
文献关键词：
多特征融合;支持向量机;粒子群优化算法;特征提取;红外图像分类
中图分类号：
作者姓名：
于晓;李朝
作者机构：
天津理工大学电气工程与自动化学院,天津300384;天津市复杂系统控制理论与应用重点实验室,天津300384
文献出处：
引用格式：
[1]于晓;李朝-.基于多特征融合的红外图像分类研究)[J].红外,2022(10):32-42
A类：
红外图像分类,togram
B类：
多特征融合,分类研究,目标分类,分类方法,Particle,Swarm,Optimization,PSO,优化支持向量机,Support,Vector,Machine,方向梯度直方图,His,Oriented,Gradient,HOG,局部二值模式,Local,Binary,Pattern,LBP,特征描述,轮廓特征,特征表达,互补性,凸包算法,算法计算,计算效率,分类模型,模型训练,算法优化,惩罚因子,核参数,终模型,分类准确率,粒子群优化算法
AB值：
0.344172
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
