基于生物识别与分类的高清深海摄像系统
基于深度学习的海洋生态物种识别技术
基于深度学习的海洋生态物种识别技术随着人口的激增和经济的不断发展，世界各地的海洋渔业已经成为重要的经济支柱。
同时，保护和管理海洋生物资源也越来越受到关注。
为了保护和管理这些生物资源，了解其中的生物种类和数量是至关重要的。
对于生物种类和数量的调查和监测，传统的人工调查方式费时费力，效率较低。
而随着深度学习技术的不断发展，基于深度学习的海洋生态物种识别技术已经逐渐成为了一种有效的解决方案。
深度学习技术是一种人工智能技术，其对于复杂的数据模式具有良好的处理能力。
在海洋生态物种识别方面，深度学习所使用的卷积神经网络（CNN）模型可以有效地提取图像中的特征，从而实现对于生物物种的准确分辨。
在海洋生态物种识别技术中，深度学习技术的应用流程包括数据采集、数据预处理、模型训练和推理等步骤。
数据采集阶段需要人工对各个海洋海域进行采集，采集过程中需要使用相机、声纳等多种传感器记录海洋的景象和环境。
数据预处理阶段包括对采集到的数据进行清洗、处理，以及对图像进行分割和标注等操作。
模型训练阶段就是依据预处理后的图像数据集来构建深度学习网络模型，并针对数据集的部分数据进行训练和优化，最终得到效果较好的模型。
推理阶段则是将已经训练好的模型应用到新的图像数据中，实现对于新数据中生物种类的自动识别。
基于深度学习的海洋生态物种识别技术是一项复杂而有挑战的任务。
其中一个重要的问题就是如何对于各种生物形态和颜色的差异进行有效的识别和分类。
深度学习技术中的神经网络模型需要通过对于大量不同生物图像的学习来不断优化自身的识别能力。
此外，随着海洋环境因素的不断变化，海洋生物的外形和特征也会不断发生变化，这就需要不断地对网络模型进行更新和改进，才能保持其识别精度和效率。
尽管深度学习技术在海洋生态物种识别方面取得了很大的进展，但是对于这一技术的应用还存在一些限制和瓶颈。
比如，深度学习技术需要大量的数据样本来进行训练，而这些训练数据的采集和标注需要很高的人力成本，这导致一些较小的机构或者研究团队很难开展这一领域的研究。
基于深度学习的海洋图像识别技术研究
基于深度学习的海洋图像识别技术研究深度学习是人工智能领域的热门话题之一，近年来得到了极大的关注和应用。
海洋图像识别技术则是深度学习在海洋领域的应用之一，具有重要的研究和应用价值。
本文从海洋图像识别技术的背景、海洋图像识别技术的发展现状、深度学习在海洋图像识别技术中的应用等方面进行了探讨，并对未来发展进行了展望。
一、海洋图像识别技术背景海洋是一个广阔而神秘的领域，其中蕴藏着丰富的生态资源、地质资源和能源资源。
海洋资源的合理利用和保护是全球共同面临的重要问题。
而海洋图像识别技术则是解决这些问题的重要手段之一。
海洋图像识别技术主要应用于海洋环境监测、海洋资源勘探、海洋生态保护等方面，是海洋信息化建设的重要组成部分。
目前海洋图像识别技术主要采用计算机视觉技术和机器学习算法，但传统的机器学习算法往往需要手动设计特征，在图像处理方面存在一定的局限性。
深度学习技术的出现提供了一种新的解决方案。
二、海洋图像识别技术的发展现状近年来，海洋图像识别技术得到了较大的发展。
针对不同的海洋图像识别问题，已经提出了多种基于深度学习的解决方案。
1.基于卷积神经网络的海洋图像识别技术卷积神经网络是深度学习中的经典模型，具有良好的特征提取和图像分类能力。
利用卷积神经网络，可以实现对海洋图像中不同物体的自动分类识别，例如对鱼类、海草、珊瑚等进行分类。
2.基于深度学习的海洋光学图像处理海洋光学图像处理是海洋图像识别技术的一个重要方面。
利用深度学习技术，可以对海洋光学图像进行处理和分析，例如检测海面气泡、浮游生物等。
3.基于深度学习的海底地貌分析海底地貌分析是海洋资源勘探的一个重要环节。
利用深度学习技术，可以对海底地貌图像进行自动识别和分析，识别出地形特征和地质构造等信息，为海底资源勘探提供支持。
三、深度学习在海洋图像识别技术中的应用深度学习技术在海洋图像识别技术中具有广泛的应用。
其主要优势包括：1.自动化识别能力强深度学习算法可以根据海洋图像中的特定特征，自动对不同物体进行分类识别，避免了传统机器学习算法需要手动设计特征的问题。
基于水下机器视觉的海参实时识别研究共3篇
基于水下机器视觉的海参实时识别研究共3篇基于水下机器视觉的海参实时识别研究1基于水下机器视觉的海参实时识别研究随着科技的不断进步，人们的生活方式和科学研究方法也在发生着翻天覆地的变化。
在海洋科学研究中，水下机器视觉技术的应用已经变得越来越普遍，因为这项技术可以在无法到达的深海区域进行海洋资源的开发和研究。
本文将着重介绍基于水下机器视觉技术的海参实时识别研究。
海参是一种珍贵的海洋生物资源，被誉为海洋的“人参”，含有丰富的营养成分和药用价值。
然而，由于海参是一种受欢迎的海鲜和中药材料，其数量逐渐减少，而且市场上的海参质量参差不齐。
因此，海参的实时识别变得越来越重要，这有助于确保海参的质量和数量，并保护海参的生态环境。
本研究采用的是基于水下机器视觉技术的海参实时识别系统。
该系统由相机、灯光、图像处理器和机器学习算法组成。
相机和灯光模块用于对水下场景进行拍摄和照明，图像处理器模块用于对拍摄到的图像进行预处理，包括色彩分割、滤波和二值化等步骤。
然后将预处理过的图像传给机器学习算法模块，以便进行鱼类和海参的分类和识别。
在鱼类和海参的分类和识别方面，我们采用了一种基于深度学习的卷积神经网络算法。
该算法依靠人工神经网络中的卷积层、池化层和全连接层等特殊结构的组合，利用大量的训练数据来生成高效的特征提取器，从而实现对海参的识别分类。
研究结果表明，在水下环境下，我们的系统对海参的实时识别有着很高的精度和效率。
该系统可以识别不同种类和不同大小、颜色的海参，并对海参进行计数和测量。
从而为海参的科学研究和资源保护提供了有效的技术手段。
总之，基于水下机器视觉技术的海参实时识别研究有助于提高海参的质量和数量，以保护海洋生态环境。
未来，我们将进一步完善该系统，以便在更多的海洋中进行海参的实时识别工作本研究基于水下机器视觉技术，利用深度学习算法开发了一种海参实时识别系统，该系统具有较高的分类精度和测量效率，可为科学研究和资源保护提供有效的技术支持。
基于深度学习的海洋生物图像识别与分类
基于深度学习的海洋生物图像识别与分类海洋生物的多样性和复杂性给其研究和保护带来了挑战。
在过去的几十年中，深度学习技术取得了巨大的发展，为海洋生物研究提供了新的机会和解决方案。
基于深度学习的海洋生物图像识别与分类技术在近年来得到了广泛应用并取得了显著进展。
海洋生物图像识别与分类是指利用图像处理和深度学习技术，通过对海洋生物图像进行分析和学习，进而实现对不同海洋生物物种的自动识别与分类。
传统的图像识别与分类方法往往依赖于手工设计的特征提取算法，但在处理复杂多变的海洋生物图像时效果不佳。
而基于深度学习的方法通过学习图像中的抽象特征，能够更好地处理复杂情况下的海洋生物图像识别与分类任务。
深度学习模型中最常用的架构是卷积神经网络（Convolutional Neural Network, CNN）。
CNN通过多层卷积和池化操作，将输入图像转化为具有高层次语义信息的特征图，然后通过全连接层进行分类。
对海洋生物图像进行训练时，可以使用已标注的大量图像数据集进行监督学习，让神经网络通过多次迭代优化，逐渐提高对不同生物物种的区分能力。
在海洋生物图像识别与分类领域，研究人员遇到的挑战之一是数据集的获取和标注。
由于海洋生物的分布范围广泛、数量庞大，采集、整理和标注大量的高质量图像数据是一项巨大的工作。
为了克服这一难题，研究人员通常借助众包平台，通过对志愿者进行培训和监督，共同完成数据集的构建和标注工作。
除了标准的CNN模型外，研究人员还提出了一些改进的深度学习方法，用于进一步提高海洋生物图像识别与分类的性能。
例如，使用迁移学习（Transfer Learning）可以将在其他任务上训练得到的模型参数作为初始化，加快模型的收敛速度；使用生成对抗网络（Generative Adversarial Networks, GANs）可以生成合成图像，从而增加数据的多样性，提高模型的泛化能力。
在实际应用中，基于深度学习的海洋生物图像识别与分类技术已经得到了广泛的应用。
深海测绘技术的挑战与应对措施
深海测绘技术的挑战与应对措施深海，被誉为地球上最神秘的领域之一，其广袤无垠的大海深处隐匿着无数未被探索的奥秘和资源。
然而，深海的高压、低温和黑暗环境，使得其成为人类探索的极大挑战。
在深海领域，测绘技术的发展起着至关重要的作用，它能提供重要的地理、地质和生物信息，为人类探索深海开发资源提供基础数据。
然而，目前深海测绘技术面临着许多挑战，同时也有一系列的应对措施在不断发展。
首先，对于深海来说，水深是一项关键参数。
然而，由于深海海底环境的复杂性，传统的深度测量方法明显不足以满足对深海海底的详细测绘要求。
在这个领域，声纳测深技术的出现为深海测绘带来了巨大的进步。
声纳测深技术通过发送声波信号并记录其返回时间来测量水深，既可以高精度地获取水深数据，还能对海底地形进行成像。
此外，为了获取更准确的水深数据，现代深海测绘中还引入了多波束测深技术，通过同时发射多个声波束，可以在一定程度上提高水深测量的精度和效率。
除了水深测量，深海地貌及地质特征的测绘也是深海测绘的重要内容之一。
在传统的深海测绘中，地质特征通常通过采集样品进行分析，然而在深海环境下，样品采集困难且昂贵。
而进一步了解深海地质特征对于资源勘探和环境管理至关重要。
为此，深海测绘技术逐渐借用了航天技术中的激光高程扫描技术(LiDAR)和卫星测高方法，通过获取海浪的高度变化信息，可以推测出海底地形的高程数据。
同时，利用多波长光谱遥感技术，可对海底物质的成分进行快速识别，了解深海的地质结构和构造演化。
此外，生物学在深海测绘中也扮演着重要角色。
深海生物多样性丰富，但又充满了未知和神秘。
传统的生物采集方法难以适应深海环境，需要开发新的技术手段。
近年来，传感器技术和无人机技术的发展，为深海生物测绘带来了新的希望。
例如，通过潜水器搭载的高清摄像头和激光光谱仪，可以拍摄和识别深海生物，以获取丰富的生物数据。
此外，生物声学测量和遥感观测技术也可以用来监测深海生物的分布和迁徙，为深海生态系统保护和管理提供科学依据。
海洋环境监测中的生物图像处理与识别技术研究
海洋环境监测中的生物图像处理与识别技术研究随着人类对海洋资源的需求日益增长，对海洋环境的监测也变得愈发重要。
而生物图像处理与识别技术在海洋环境监测中发挥着重要的作用。
本文将重点讨论海洋环境监测中的生物图像处理与识别技术的研究进展及其应用。
一、生物图像处理技术在海洋环境监测中的应用1. 自动识别捕食性浮游生物在海洋环境中，捕食性浮游生物（如浮游动物、浮游植物等）在食物链中起着至关重要的作用。
通过生物图像处理技术，可以对这些微小生物进行迅速准确的识别和计数。
传统的人工识别方法费时费力且易受主观因素影响，而自动识别技术能够大大提高工作效率和准确度。
2. 分析海洋底栖生物群落海洋底栖生物是海洋生态系统的重要组成部分。
利用生物图像处理技术，可以对海洋底栖生物的群落结构和分布进行定量分析。
通过拍摄海洋底部的图像，提取出底栖生物的特征，如形状、颜色等，进而进行分类和计数。
这可以帮助科学家了解底栖生物的生态习性，监测海底环境的变化，并评估海洋生态系统的健康状况。
3. 检测海洋污染和有害赤潮随着工业和人类活动的增加，海洋污染成为威胁海洋生态系统的重要因素之一。
生物图像处理技术可以帮助监测海洋中的污染物和有害赤潮。
通过收集海洋水体的图像数据，利用图像处理算法提取出污染物或有毒赤潮藻种的特征，从而实现对海洋污染和有害赤潮的实时监测和预警。
二、生物图像识别技术在海洋环境监测中的研究进展1. 深度学习在生物图像识别中的应用深度学习是一种模仿人脑神经网络工作原理的机器学习方法。
它在生物图像处理与识别中取得了很大的突破。
借助深度学习的卷积神经网络（Convolutional Neural Network，CNN）模型，科研人员能够训练计算机自动学习和识别海洋生物图像。
这项技术在捕食性浮游生物和底栖生物的识别中显示出了非常具有潜力的应用前景。
2. 多模态图像识别技术的发展除了传统的可见光图像外，近年来还出现了利用红外图像、声纳图像等多模态图像来进行海洋生物识别的研究。
探测深海生物多样性的技术方法
探测深海生物多样性的技术方法随着人类文明的发展和科技的不断进步，人们对自然生态的研究越来越深入。
其中，对深海生物多样性的研究显得尤为重要。
然而，深海环境极端复杂、黑暗寒冷、压力极大，对于生物探测研究的技术提出了极高的要求。
本文主要探讨探测深海生物多样性的技术方法。
一、现有技术方法目前，深海生物多样性的研究主要依靠以下几种技术方法。
1.传统捕捞和物种分析传统的深海捕捞技术主要有拖网捕捞、捕鱼进行物种采集分离和现场物种鉴定，但由于这种方法对深海生态环境造成了不可逆转的损害，因此已经不再被广泛采用。
现在，科学家们通常采用现场水下观察和物种分析技术进行深海生物多样性研究。
2.DNA分子生物学技术DNA分子生物学技术主要包括DNA条形码、基因组分析和基因突变等分子技术。
DNA条形码技术已经被广泛应用于深海生物物种鉴定中，其优势在于对样本数量的适应性非常强，既能够鉴定单个特定物种，也能够快速鉴定整个生态系统中的物种。
3.声学和摄像技术声学和摄像技术是对深海生物进行非侵入式探测的一种重要技术。
声学技术主要是利用声波进行定位和探测，而摄像技术则是利用光学进行探测。
这两种技术互相补充，使得对深海生态系统的了解更为全面。
二、新兴技术方法除了传统的技术方法外，近年来，随着技术的不断进步，新兴的技术方法也被应用于深海生物多样性研究。
1.无人机技术无人机技术的应用使得对深海生物物种和数量的探测更加全面和精准。
通过装备群体摄像头和高分辨率图像技术，无人机可以在海水上空飞行，记录深海生物的行为和形态，同时对海底生态系统进行长时间观察，实现大规模的数据采集和处理。
2.高通量测序技术高通量测序技术能够快速检测大量的DNA、RNA和蛋白质分子，并通过大规模数据分析，为深海生物多样性提供更加准确、深入的认知。
此技术异军突起，已经被广泛应用于深海研究和生物学研究中。
三、技术方法的局限与展望虽然现有技术方法和新兴技术方法在探测深海生物多样性方面已经取得了一定的成果，但是，还存在一些限制因素。
基于深度学习的海洋生物识别技术研究
基于深度学习的海洋生物识别技术研究随着人工智能的不断发展，深度学习成为了许多领域的研究热点之一。
而海洋科学也不例外。
近年来，基于深度学习的海洋生物识别技术逐渐得到了广泛关注和研究。
一、海洋生物识别技术的背景和意义海洋是地球上最广阔的生态系统之一，拥有许多珍贵的海洋生物资源。
然而，目前对于大部分海洋生物的了解还停留在表面，而且难以通过传统的方法进行深入的研究。
这就需要提出新的技术手段来对海洋生物进行深入认识和研究。
而基于深度学习的海洋生物识别技术就是其中一种。
基于深度学习的海洋生物识别技术可以自动处理大量的图像数据，快速准确地识别出不同的海洋生物，这对于海洋生态环境调查、海洋资源调查和管理、物种多样性评估等具有非常重要的意义。
二、深度学习技术在海洋生物识别中的应用深度学习技术在海洋生物识别中的应用主要包括两个方面：图像处理和模式识别。
1. 图像处理在深度学习中，卷积神经网络（CNN）是一种常用的图像处理算法。
针对海洋生物的图像特点，研究者们将CNN算法进行了优化和改进，包括引入Sigmoid激活函数、Batch Normalization（BN）层、残差网络架构等。
这些改进使得深度学习算法对于海洋生物图像的特征提取和图像分割等方面更加优秀和有效。
2. 模式识别海洋生物的形态和特征差异较大，因此模式识别是海洋生物识别中比较关键的环节。
这一步需要让模型能够学习并提取出不同海洋生物之间的区别，并正确地分类。
为此研究者们使用了多种深度学习模型，如Inception、ResNet、Xception等，并在海洋生物识别中得到了良好的应用。
同时，研究者们也尝试使用目标检测技术来对海洋生物进行分类和定位，这种方法也有着一定的优势。
三、深度学习技术在海洋生物识别中存在的挑战与发展方向虽然深度学习技术在海洋生物识别中已取得了一定的成果，但仍然存在一些挑战和待解决的问题。
1. 数据量不足深度学习需要大量的数据支撑，然而海洋生物数据的质量和数量都存在着一定的限制。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
｝ ● ● ４ ●
●
２
●
＾
一
一
■ ■ ■Ｆ
＾
ｔ
一 １ －
一 １－ 一
， ■
１
＾ ＾ 工
…
似 的容易造成分类错误 ，还须进一步研 究。
参 考文 献
７
实际分类 测试 分类 （ Ｂ Ｐ ）
［ １ ］陈学雷 ．海洋 资源开发 与管理 【 Ｍ ］ ．北京 ： 科 学出版社 ， ２ ０ ０ ０ ： １ ２ － ２ ５ ．
图像与 多媒体技术 ・ Ｉ ｍａ ｇ ｅ＆Ｍｕ ｌ ｔ ｉ ｍｅ ｄ ｉ ａ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ
实际分类 ，测试分类 ‘ ｓ 、 ， Ｉ 蚺 ） Βιβλιοθήκη ０ ◆６ ■ ●
图 ７中，红色 代 表预 测分 类 结果 ，蓝 色 代 表 实际 分类 结果 ，两者 不重 合 即为 分类 错 误 ，重合则为 分类正确 ，采 用 ＢＰ神经 网络 分 类 的正确率为 ８ ２ ． ８ ５ ％，而 Ｓ ＶＭ 分类 的正确率
使两 个与之平行的超平面 间的距 离最 大化。其 假 定为，平行超平面间 的距离或 差距越 大，分
［ １ ０ ］海 康 Ｄ ｓ — Ｉ Ｐ 一 ２ ３ ０ ６ Ａ视 频 服 务 器 配置说 明
书 ．
年 首 先 提 出 的 ，它 在 解 决 小 样 本 、非 线 性 及 高 类 器 的 总 误 差 越 小 。
系统研制 ［ Ｄ ］ ．杭 州电子 科技 大学 ， ２ ０ １ １ ． ［ ６ 】施 家栋 ，王建 中 ．动 态场景 中运 动 目标检
３
测 与跟 踪 ［ Ｊ 】 ． 北 京理 工 大 学学报 ：自然 科 学版 ， ２ ０ ０ ９ ， ２ ９ （ １ ０ ） ： ８ ５ ８ － ８ ６ ０ ． ［ ７ ］ 李 小三 ． 海底 观测 网络摄 像 系统设 计与 实
［ ９ ］江 志军，易华 蓉 ．一种 基于 图像金 字塔 光
图 ７ ： 分类 结 果
流的特 征跟 踪 方法 ［ Ｊ ］ ． 武汉 大 学学报 ：
工 学版 ， ２ ０ ０ ７ ， ３ ２ （８ ） ：６ ８ ０ － ６ ８ ３ ．
支 持 向量 机 （ Ｓ ｕ ｐ ｐ ｏ ｒ ｔ Ｖ ｅ ｃ ｔ ｏ ｒ Ｍａ ｃ ｈ ｉ ｎ ｅ ， Ｓ ＶＭ）是 Ｃｏ ｒ ｉ ｎ ｎ ａ Ｃｏ ｒ ｔ ｅ ｓ和 Ｖ ａ ｐ ｎ ｉ ｋ等 于 １ ９ ９ ５
［ １ ３ 】 Ｃ ｈ ｕ ｎ ｇ － Ｃ ｈｉ ｎ ｇ Ｌ ｉ ｎ ，Ｍ ａ ｒ ｉ １ ｙ ｎ Ｗ ｏ １ ｆ ．
４
…
Ｏ － ・ ● ● ｗ １ Ｖ ■ ，
● ●
‘ ●
６ 总 结
＿
● ●
３
｛
ｔ ‘
目前 对 于 形 状 差 异 较 大 的 生 物 基 本 能 实 现 正 确 的 分 类 。但 是 由于 水 下 复 杂 的 环 境 使 得 生 物 目标 轮 廓 提 取 不 够 准 确 ，对 识 别 有 一 定 的 影 响 。此 外 ，海 洋 生 物 种 类 繁 多 ， 形 态 各 异 ， 基 于 矩 的 形 状 特 征 描 述 得 方 法 还 不够 全 面 。 目 前 只 能 识 别 形 状 差 异 较 大 的生 物 ，对 于 形 状 相
ｌ ０ 实际测试集分类 ｌ 预测测试集分类
Ｓ
［ ２ ］曹菲 ． 深 海摄 像 ， 把 海底 世界 “ 捞 ”上来
【 Ｊ ］ ．地质勘查导报 ， ２ ０ ０ ７ （ ０ ６ ） ． ［ ３ ］杨 文鹤 ．我 国海 洋技 术 现 状 与发 展 ［ Ｊ ］ ． 世 界 科 技 研 究与 发 展 ， １ ９ ９ ８ ， １ １（ ４ ） ： ９ －
［ １ １ 】多 功 能 串 口 转 以 太 网 转 换 器 （ Ｕ Ｓ Ｒ — Ｔ Ｃ Ｐ ２ ３ ２ 一 Ｅ ４ ５ 系 列 ）说 明 书 ．
维模式识别 中表现 出许多特有的优势 ，并 能够 推广应用到 函数拟合 等其他机器学 习问题 中。
支 持 向 量 机 原 理 图如 图 ６ 。 支 持 向 量 机 将 向 量 映 射 到 一 个 更 高 维 的 空 间 里 ，在 这 个 空 间 里 建 立 有 一 个 最 大 间 隔超 平 面 。在 分 开 数 据 的 超 平 面 的 两 边 建 有 两 个 互 相 平 行 的超 平 面 。建 立方 向 合 适 的 分 隔 超 平 面
１ ２ ．
Ｓ
・
－
－
＇
ｇ ￣， Ｏ ， －
［ ４ 】钟 川 源 ．基 丁 同轴 电缆 的 能 源 与 数 据 信 息 混合 传 输技 术 的研 究 ［ Ｄ ］ ．杭 州 ：杭 州 电
子科技 大学 ， ２ ０ ０ ７ ．
４
【 ５ 】刘 敬 彪 ． 基 于光缆 的水下视频和数 据传榆
为９ ２ ％，原因是 Ｂ Ｐ神 经 网 络 结 构 简 单 ， 但 进 行 分 类 时 具 有 不 稳 定 性 ， 因为 每 次 训 练 的 时 候
７
实际测试 集分类 预 测测试 集分类
● ● 一
５
．
＿ －
！
ｔ
选 择的阈值不 同。而支持 向量机 是以统计学理 论为基础和结构风险化最 小化为 原则，从而保 证 了机器学习具有 良好 的泛化 能力。所以分类 效果由于神经网络。
现 ［ Ｄ ］ ．浙 江大学 流体传 动及控 制 国家重
点 实验 室 ， ２ ０ ０ ５ ．
２
・
－
Ｏ —・ ● —
・ － Ｏ－ ●－
１
［ ８ 】王 亮 ．光 流技 术 及 其 在 运 动 目标 检 测 和 跟
踪 中 的应用 研 究 ［ Ｄ ］ ．长 沙 ：国防科 学技
术 大学 ， ２ ０ ０ ７ ．
５ ． ３ 分 类 结 果
［ １ ２ 】 ６ １ ０ ０ 系 列 视 频 服 务 器 用 户 使 用 手 册
（ Ｖ ｅ ｔ ２ ． ０ ）．
本 文 采 用 以上 两 种 方 法 进 行 分 类 ， 训 练 样本选 取 ２ ０ ０个 ， 测 试 样 本 选 取 ７ ０个 ，分 类 结果如图 ７ 。 ５ ． ４ 结 果 分析