基于改进BP神经网络的物体识别研究

计算机视觉在众多领域都有广泛的应用,比如家庭智能机器人、仪表自动监测、汽车低速自动导航驾驶和航空图片中的物体识别,并且随着计算机视觉技术的发展,计算机视觉将具有更广泛的应用前景。而计算机视觉的重要研究课题之一是物体识别,并且特征提取和分类是物体识别的关键步骤。在识别物体的方法和过程中,还存在许多问题和挑战,比如如何从2D图片中快速而准确的识别出物体。人类的视觉系统就能够轻易地快速识别2D图片中的物体,这实际上是一个由2D信息出发辅以先验知识识别物体的过程。本文就从物体的形状信息出发,提出一种基于改进BP神经网络的物体识别方法。 在特征提取方面,利用矩算法提取物体的不变性特征,并详细讨论了Hu矩及其修正算法。不变矩方法,能够反映物体的形状信息,并具有较好的抗噪性能,同时因不受被识别物体大小、位置、方位的影响而被广泛应用于物体识别、景物匹配、图像分析及字符识别等许多方面。并且修正的Hu不变矩,不管在连续的状态下还是在离散状态下都对平移、缩放、旋转具有不变性,而且具有较小的时间复杂度,可以用来有效的识别物体。本文在MATLAB实验环境下对修正的Hu不变矩算法进行了实现。 在分类识别方面,先分析了BP神经网络的结构,算法,存在的缺点并提出加入动量项、共轭梯度法、正则化方法、弹性BP算法、自适应学习速率动量梯度下降反向传播算法,这一系列改进的学习算法,以满足解决不同问题的需要。其中自适应学习速率动量梯度下降反向传播算法,可以有效避免BP网络收敛速度慢和存在所谓“局部最小值”问题。最后在MATLAB实验环境中,将该改进后的BP算法用于识别Coil-20(columbia object image library)图像数据库中的物体。并且该实验是在无噪声和有噪声两种情况下分别进行的。 与基于传统BP算法的物体识别方法进行实验比较,该改进后的BP算法进一步提高了BP神经网络在处理非线性和不确定因素问题上的能力,并且该改进算法无论是在无噪声情况下,还是在有噪声情况下,都比传统的BP算法具有更高的识别率和更快的收敛速度。从而证明了该算法的可行性、鲁棒性和有效性。