1、基于改进混合算法的图像识别算法方志广概要收稿日期:20151209基于改进混合算法的图像识别算法方志广,陈炜(河南省民族中等专业学校河南郑州,450000摘要:对基于粒子群优化最小二乘支持向量机的混合算法的图像识别技术进行研究。由于常规LSSVM 识别模型选取耗时高的网格搜索法进行参数确定,通常粒子群优化算法对LSSVM 识别模型进行优化,但是粒子群优化算法对于复杂的、多维的实际问题,由于种群中多样性加速下降,使得算法容易发生早熟收敛等问题,从而影响其全局寻优能力,因此本文使用种群活性粒子群优化算法对LSSVM 参数进行优化,从而解决上述问题。本文以手势识别为例,对研究的改进混合算法的图像识别
2、算法进行实验研究,使用常规PSO 优化LSSVM 识别算法进行对比实验,实验结果可以看出,本文研究的改进算法平均识别率为94.95%,高于标准PSOLSSVM 算法4.9%,具有较好的识别效果。关键词:图像识别;手势识别;最小二乘支持向量机;粒子群优化算法、中图分类号:TP391.41文献标识码:BDOI 编码:10.14016/jcnki.10019227.2016.06.183Abstract :In this paper ,a hybrid algorithm based on particle swarm optimization least square support vector
3、 machine is studiedBe-cause the conventional LSSVM identification model is used to optimize the LSSVM identification model ,the particle swarm optimization al-gorithm is used to optimize the LSSVM identification modelBecause of the diversity of population ,the algorithm is prone to premature converg
4、enceIn this paper ,we use gesture recognition as an example ,the research of the improved hybrid algorithm of image recognition algorithm for experimental study ,using conventional PSO optimization LSSVM recognition algorithm for comparison experimentsThe ex-perimental results can be seen that this
5、paper studies the improved algorithm for the average recognition rate of 9495%,which higher than the standard PSOLSSVM algorithm 49%,with better recognition resultsKey words :image recognition ;gesture recognition ;least square support vector machine ;particle swarm optimization algorithm0引言图像识别主要指使
6、用已存储的图像信息与目标图像信息进行比对识别,判断两者关联性。图像识别技术已经广泛应用于机器人视觉、军事、生物医药、多媒体网络通信等领域1。机器学习算法因其良好的容错能力以及适应能力,在图像处理领域得到了广泛应用。机器学习算法主要包括支持向量机算法、神经网络算法等有督导学习以及无督导学习算法。最小二乘支持向量机算法是对支持向量机算法的一种常用的改进形式。本文研究一种基于最小二乘支持向量机的混合算法并将其应用于图像识别算法中23。1图像识别方法本文使用粒子群优化(PSO 最小二乘支持向量机(LSS-VM 的混合算法进行图像识别,识别流程如图1所示 。图1识别流程首先使用深度摄像机采集到待识别手势
7、场景的深度图像。利用深度信息对图像进行二值化处理,设置背景无用部分值为0,待识别手势部分值为1。最后将待识别手势部分图像提取到一个3232区域内。使用先膨胀再腐蚀最后中值滤波方法对手势图像进行平滑去噪点操作46。使用提取7个Hu 不变矩方式对预处理后的手势二值图像进行特征提取。Hu 不变矩特征提取能够忽略摄像头与手势距离的变化,鲁棒性强。对手势图像进行采集,建立识别样本,一部分样本用于训练,另一部分用于测试78。2改进混合识别算法Suykens 等人发明了最小二乘支持向量机算法(LSSVM算法,该算法使用的是等式约束替换常规SVM 算法使用的不等式约束。LSSVM 算法使用误差平方和损失函数作
8、为训练集合的经验损失。把对二次规划求解问题精简为求解线性方程组问题。常规LSSVM 算法使用网格搜索法对参数进行确定,这种搜索法缺点是速度慢,效率低,由于网格交叉验证只能搜寻网格点,所以若网格尺寸设定不当,则反而不会得到正确的系统参数。通常为了改进LSSVM 算法的缺点,会使用粒子群优化算法等群智能算法对其进行改进。常规粒子群优化算法优点是不受到函数约束条件的约束,具有很好的全局优化能力。常规粒子群优化算法优点是算法中种群多样性的下降使得算法容易产生早熟等问题,削弱算法多样性9。为了解决上述问题,本文使用种群活性粒子群对常规LSSVM 参数进行优化。首先,初始化PSO 优化算法中的学习因子、种
9、群规模、权重初始值和终止值、最大迭代次数和常规LSSVM 算法的基本参数。之后,确定PSO 优化算法中个体以及整个群体的最优位置。使用用于训练的数据样本训练常规LSSVM 识别模型。通过粒子群中各个粒子当前位置确定常规LSSVM 识别模型的当前参数。通过训练后的LSSVM 识别模型误差对PSO 优化算法中粒子的适应度值进行确定。使用具有更优的适应度的粒子替换原粒子,使用具有更优的适应度的粒子当前位置替换整个种群的最优位置。之后,对粒子群算法早熟问题进行处理,若种群活性加速度符合下式关系,则判断其具有加速下降的趋势。381自动化与仪器仪表2016年第6期(总第200期a (k =act (k a
10、ct (k k 0a (k a (k k =act (k act (k k +act (k 2k 0(1若断定种群活性加速度具有加速下降的趋势,则对粒子实施进化,使用子代粒子替换父代粒子,在邻域内按照均匀分布方式得到n 个子代。使用下式进行计算:=(k max k /k max mL /S(2式中:L 是搜索空间对角长度;m 是收敛速率调节指数,一般取为2。求解子代粒子的适应度值,使用优于父代适应度值的子代粒子替换父代粒子,避免了常规PSO 算法容易陷入局部最优解的问题。使用下面方法求解惯性权重值:W end (k =w minW start (k =w max (w max w min (k
11、 /k max 2(3最后,若满足终止条件,则完成对LSSVM 的优化。终止条件为优化后的精度满足设定要求或者迭代次数达到最大值10。3实验研究对本文研究的改进混合算法的图像识别算法进行实验研究,在实验室中采集分辨率为640480的手势图像共2000张,共有10种常见手势,其中各种手势的样本为200个,随机抽取200个图像中的150个图像作为训练样本,剩余50个图像用于测试。对手势采集样本图像进行简单的预处理提高识别系统的效率。将图像由彩色转换成灰度图像,之后进行二值化处理,设置背景无用部分值为0,待识别手势部分值为1。最后将待识别手势部分图像提取到一个3232区域内。简单预处理过程如图2所示
12、。预处理后的10种手势图像如图3所示1113 。图2 手势图像的简单预处理过程图3预处理后的10种手势图像使用常规PSO 优化LSSVM 识别算法进行对比实验,设定算法基本参数:粒子群优化算法中的种群规模为30、学习因子c1和c2均为2、权重初始值我0.9、权重终止值为0.3、最大迭代次数为200,LSSVM 算法中的参数c 取值范围:0.01 100,取值范围:0.01 50。针对10种手势识别的实验结果见表1。表1手势识别实验结果手势图像标准PSOLSSVM 改进PSOLSSVM 准确率/%误识率/%准确率/%误识率/%17.9792.03 3.359665211.4488.6696490
13、.363136686.347.9092.10412.7587.259.7490.2657.1992.810.4899.6268.4991.61 4.9295.0878.1791.83 2.9797.0389.9490.06 1.4298.68912.7787.238.8291.18107.2492.761.2198.79比较实验结果可以看出,本文研究的改进算法平均识别率为94.95%,高于标准PSOLSSVM 算法4.9%,具有较好的识别效果。手势3和手势4的识别率较低,主要由于这两种手势图像中中指和无名指间距过小,容易产生粘连造成的。手势9和手势2的由于特征提取后特征值较为接近,同样出现识别
14、率相对较低的问题。通过增加这四种手势图像训练样本数量,同样使得其识别率达到了95%以上。4结论本文使用粒子群优化最小二乘支持向量机的混合算法进行图像识别,使用种群活性粒子群优化算法对LSSVM 参数进行优化从而解决常规粒子群优化算法存在的算法容易发生早熟收敛等问题。本文以手势识别为例,对研究的改进混合算法的图像识别算法进行实验研究,使用常规PSO 优化LSSVM 识别算法进行对比实验,实验结果可以看出,本文研究的改进算法平均识别率为94.95%,高于标准PSO LSSVM 算法4.9%,具有较好的识别效果。参考文献1蔡娟,蔡坚勇,廖晓东,黄海涛,丁侨俊基于卷积神经网络的手势识别初探J 计算机系
15、统应用,2015,04:1131172范保玲基于Hough 变换和神经网络的中国静态手语识别D 西安建筑科技大学,20083郭彩龙中国静态手语识别的研究D 西安建筑科技大学,20094翁汉良,战荫伟基于视觉的多特征手势识别J 计算机工程与科学,2012,02:1231275范为面向多传感器融合的手势视觉特征提取与识别D 中国科学技术大学,20106翁汉良基于单目视觉的手势识别算法的研究与实现D 广东工业大学,20117王茂吉基于视觉的静态手势识别系统D 哈尔滨工业大学,20068伍玉霞基于深度图像信息的手势识别技术研究与应用D 东北大学,20139仇军,王景成基于PSOLSSVM 的城市时用水量预测J 控制工程,2014,02:23223610仇军改进PSOLSSVM 方法在城市时用水量预测中的应用D 上海交通大学,201311许凯,王敏基于手轮廓的深度图像手势识别方法J 计算机工程与科学,2014,05:94194612蔡军,李晓娟,张毅,罗元改进的DAGSVM 手势识别方法J 华中科技大学学报(自然科学版,2013,05:868913蔡军,李晓娟,张毅,罗元一种改进的DAGSVM 手势识别方法及其应用J 控制工程,2013,05:957959+965481基于改进混合算法的图像识别算法方志广,等