基于P向量法和K矢量的星图识别方法
支持向量机在图像识别中的应用方法(Ⅰ)
支持向量机在图像识别中的应用方法随着计算机视觉技术的飞速发展，图像识别在各种应用场景中得到了广泛的应用，包括人脸识别、车牌识别、物体检测等。
而支持向量机（SVM）作为一种经典的机器学习算法，其在图像识别中也有着重要的应用。
本文将探讨支持向量机在图像识别中的应用方法，包括特征提取、模型训练和参数调优等方面。
一、特征提取在图像识别中，特征提取是至关重要的一步。
支持向量机需要输入高维的特征向量作为训练数据，而图像通常是一个二维的像素矩阵，因此需要将图像转换成合适的特征向量。
常用的特征提取方法包括灰度直方图、方向梯度直方图（HOG）、局部二值模式（LBP）等。
这些特征提取方法可以将图像中的信息进行提取，并转换成支持向量机可以处理的形式。
二、模型训练在特征提取之后，就是模型训练的过程了。
支持向量机通过找到一个最优的超平面来进行分类，即找到一个能够将不同类别的数据分隔开的超平面。
在图像识别中，通常会使用多类别分类器，支持向量机可以通过一对一（One vs One）或一对其余（One vs Rest）的方法来进行多类别分类。
模型训练的关键在于选择合适的核函数以及调整相应的参数，以确保模型能够在训练数据和测试数据上都有良好的泛化能力。
三、参数调优在支持向量机的模型训练中，参数的选择对于模型的性能有着重要的影响。
常用的参数包括核函数的选择、正则化参数C的选择等。
在图像识别中，由于数据量通常比较大，因此需要对参数进行精细的调优。
可以通过交叉验证等方法来寻找最优的参数组合，以提升支持向量机在图像识别中的性能。
总结支持向量机作为一种经典的机器学习算法，在图像识别中有着重要的应用。
通过合适的特征提取、模型训练和参数调优，支持向量机可以在图像识别中取得良好的效果。
然而，也需要注意到支持向量机在处理大规模数据时存在的计算复杂度较高的问题，因此在实际应用中需要根据具体情况进行权衡。
未来，随着深度学习等技术的发展，支持向量机在图像识别中的应用将会变得更加丰富和多样化，我们期待支持向量机在图像识别领域的更多精彩表现。
如何使用支持向量机进行图像识别任务
如何使用支持向量机进行图像识别任务支持向量机（Support Vector Machine，SVM）是一种常用的机器学习算法，广泛应用于图像识别任务。
本文将介绍如何使用支持向量机进行图像识别，并探讨其在图像识别任务中的应用。
一、支持向量机概述支持向量机是一种监督学习算法，用于分类和回归分析。
在图像识别任务中，我们主要关注其分类功能。
支持向量机通过构建一个超平面或者一系列超平面来将不同类别的样本分开，从而实现图像的分类。
二、支持向量机的特点1. 高维空间映射：支持向量机可以将低维特征空间映射到高维空间，从而更好地区分不同类别的图像。
2. 非线性分类能力：支持向量机通过使用核函数，可以处理非线性分类问题，提高图像识别的准确性。
3. 少量支持向量：支持向量机仅使用少量的支持向量来构建分类模型，大大减少了存储和计算的复杂性。
三、支持向量机在图像识别中的应用1. 特征提取：在使用支持向量机进行图像识别之前，首先需要对图像进行特征提取。
常用的特征提取方法包括颜色直方图、纹理特征和形状特征等。
通过提取图像的特征，可以将图像转化为向量形式，为支持向量机提供输入。
2. 数据预处理：在使用支持向量机进行图像识别之前，需要对数据进行预处理。
常见的预处理方法包括图像去噪、图像增强和图像标准化等。
预处理可以提高图像的质量，减少噪声对分类结果的影响。
3. 模型训练：在完成特征提取和数据预处理后，可以使用支持向量机对图像进行分类模型的训练。
训练过程中，支持向量机通过调整超平面的参数，使得不同类别的图像被正确分类。
4. 模型评估：在完成模型训练后，需要对模型进行评估。
常用的评估指标包括准确率、召回率和F1值等。
通过评估模型的性能，可以进一步优化模型的参数和结构。
四、支持向量机的优缺点1. 优点：- 支持向量机适用于处理高维数据，对于图像识别任务具有较好的性能。
- 支持向量机在处理非线性分类问题时具有较高的准确性。
- 支持向量机仅使用少量的支持向量，减少了存储和计算的复杂性。
图像识别方法
图像识别方法图像识别是一种通过计算机技术对图像进行分析和识别的方法，它在各个领域都有着广泛的应用，如人脸识别、车牌识别、医学影像识别等。
随着人工智能和深度学习技术的不断发展，图像识别方法也在不断地得到改进和提升。
本文将介绍几种常见的图像识别方法，帮助读者更好地了解图像识别技术的应用和发展。
首先，传统的图像识别方法主要包括特征提取和分类识别两个步骤。
在特征提取阶段，通常会采用边缘检测、颜色直方图、纹理特征等方法来提取图像的特征信息。
而在分类识别阶段，常用的方法包括支持向量机（SVM）、K近邻（K-NN）算法、决策树等。
这些传统的方法在一定程度上可以实现对图像的识别，但是在复杂场景下往往效果不佳，因此需要更加先进的图像识别方法来应对挑战。
其次，深度学习技术的兴起为图像识别带来了革命性的变革。
深度学习模型如卷积神经网络（CNN）、循环神经网络（RNN）等在图像识别领域取得了巨大的成功。
通过大量的图像数据训练，这些深度学习模型可以自动学习到图像的特征和规律，从而实现对图像的高效识别。
此外，深度学习技术还可以结合目标检测、语义分割等方法，实现对图像中不同目标的识别和定位，极大地拓展了图像识别的应用范围。
除了传统的特征提取和深度学习技术，近年来还涌现出一些新的图像识别方法。
例如，基于生成对抗网络（GAN）的图像生成和识别方法，可以实现对图像的逼真生成和识别。
另外，基于注意力机制的图像识别方法，可以实现对图像中重要区域的关注和识别，提高了识别的准确性和效率。
这些新的方法为图像识别技术的发展带来了新的机遇和挑战，也为图像识别在更多领域的应用提供了更多可能性。
综上所述，图像识别方法在不断地发展和演进，从传统的特征提取到深度学习技术再到新的方法，每一种方法都在不同程度上提升了图像识别的能力和效果。
随着人工智能技术的不断进步，相信图像识别方法将会在更多领域发挥重要作用，为人类社会带来更多的便利和进步。
希望本文对读者对图像识别方法有所帮助，也欢迎大家继续关注图像识别技术的发展和应用。
基于奇异值分解和判别式KL投影的人脸识别
周德龙 等:基于奇异值分解和征向量 . ui (i = k + 1,..., m ) 是为了表达上的方便而引入的 ( m − k ) 个向量 , 可以设想它是 AAT 对应于 λi = 0 的特征向量.同理, vi (i = k + 1,..., n ) 为 AT A 对应于 λi = 0 的特征向量.将式(1)写成乘积的形式:
1000-9825/2003/14(04)0783
©2003 Journal of Software 软 件 学 报
Vol.14, No.4
基于奇异值分解和判别式 KL 投影的人脸识别
周德龙 1+, 高 文 1,2,3, 赵德斌 1,3
1 2 3
∗
(中国科学院 研究生院,北京
100039) 100080) 150001)
∗ Supported by the National High-Tech Research and Development Plan of China under Grant No.2001AA114190 (国家高技术研究
发展计划 (863)) 第一作者简介 : 周德龙 (1966－ ),男 ,浙江义乌人 ,博士 ,主要研究领域为图像处理 ,模式识别 ,人体生物特征识别 .
彩色人脸识别方法.该算法采用模拟 K-L 变换、奇异值分解、主分量分析和 Fisher 线性判别分析技术来提取最 终特征 ,可以使分类器的设计更加简洁、有效 ,使用较少的特征向量数目就能取得较高的识别率 .仿真结果表明 了该方法的有效性. 关键词: 人脸识别;特征提取;K-L 变换;奇异值特征向量;主分量分析;Fisher 线性判别分析 文献标识码: A 中图法分类号: TP391
+ Corresponding author: Phn: 86-10-82649005, E-mail: dlzhou@
一种基于描绘辅助线的对于复杂背景下的星图识别方法
74 •电子技术与软件工程 Electronic Technology & Software Engineering图像与多媒体技术• Image & Multimedia Technology【关键词】星图识别 辅助线 复杂背景图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术；特征点的检测和匹配，则是计算机视觉中非常重要的技术之一。
在有纹理和明暗的图像中，特征点检测与匹配技术一般利用了图像的纹理信息构建特征方程而检测到图像的特征点的方式进行图像识别，经典算法有Sift ，Surf ，Orb 等算法。
而星图则有别于一般图像。
星图是以恒星为观测目标所获得的星空图，有别于一般图像，他只有一系列的点的明暗，而没有纹理。
直接使用经典算法会报错，因为使用传统算法会出现检测不到特征点的问题。
针对星图的识别方法目前有很多种，近几十年来，国内外学者在星图识别算法方面进行了大量的研究，提出了很多星图识别算法。
例一种基于描绘辅助线的对于复杂背景下的星图识别方法文/王润丰 樊桂花 张廷华如：三角形算法、各种改进三角形算法、金字塔算法、栅格算法、遗传算法和神经网络的算法等。
但概括起来可以分为两大类，子图同构法和模式识别方法。
前者以观测星图中星点为顶点，星角距作为边，构造匹配特征或特征组。
后者通常由某一个恒星一定邻域范围内恒星的几何分布特征构造匹配特征或匹配组。
而在实际用相机观测星空的时候，往往会发现实际观测时星空图有时不完全是没有纹理的亮点，比如有时会有月亮，有时会有极光，有时会观测到银河，还有时为了追踪目标，会拍到地面。
这时就会对我们观测星空产生一定的干扰。
而且极端情况如在特定背景下只能够观测到极少星点信息，这时如果使用三角形算法进行匹配识别则会因为星点太少而失败，而直接使用传统算法的话如在处理只含有稀疏星点的图像的时候则会导致匹配失败，从而导致无法连续的对所拍摄的视频进行识别处理。
一种利用已识别信息的星图识别算法
ｉｅ ｔ ｃ ｔ ｎ ｏ ｅｒｓ ｔ ｓｕ ｉｇｔｅｉｆｒ ａｉｎ ｏ ｅｉｅ ｔ ｅ ｔｒ．Ｔ ｅｅｔｂｉｈ ｎ ｐ ｒ ａ ｈａ ｄｔｅｄ ｔ ｔ ｃｕｅｏ ｅｇ ｉｅｓａ ｄ ｎｉ ａｉ ｆｔ ｅｔｓａ ｓｎ ｈ ｎｏ ｔ ｆｔ ｄ ｎｉ ｄ ｓａｓ ｈ ｓａ ｌ ｍｅ ｔ ｐ ｏｃ ｈ ａａｓ ｕ ｔｒ ｆ ｕｄ ｔｒ ｉ ｆ ｏ ｈ ｒ ｍ ｏ ｈ ｉ ｆ ｓ ａ ｎ ｒ ｈ ｔ ｃ ｔｌｇ ｅ ａｅ ｐｅｅ ｔｄ ａ ｅｌａ ｅ ｉｅ ｔ ｃｔ ｎ ｐ ｏ ｅｓ ｏ ｈ ｅｔｓａｓ ｕ ｉｇ ｔｅ ｉｆｒ ａｉｎ ｏ ｏ ｒ ｄ ｎｉｅ ｔｒ． Ｔ ｅ ａａｏ ｒｓｎｅ ｓ ｗ ｌ ｓ ｔ ｄ ｎｉ ａｉ ｒｃ ｓ ｆｔｅ ｒｓ ｔｒ ｓ ｈ ｎｏ ｔ ｆ３ ｒ ｍｏｅ ｉｅ ｔ ｄ ｓａｓ ｕ ｒ ｈ ｉ ｆ ｏ ｎ ｍ ｏ ｉ ｆ ｈ
图 特 征
可供用于星图识别 的恒星特征为 恒星在 天球上的位置和星 等 。在 地面上看来 ， 星在 天球 上的位置 固定 ， 随天球 绕地球 ’ 恒 并 旋转 ， 因此恒星 的方位 随时间变 化 ， 但是恒 星间的相对位 置关系 是不 变的。实 际上 ， 描述 恒星 间相对位 置关 系的恒 星间角距 有
ｓ ｌ．Ａｃｏｄｎ ｏｔｅｉｅ ｔ ｃ ｔ ｎｅ ｐ ｒ ｎｓ０． ｍｕａｉｎ ｌ Ｄ ｓａ ｐ ．ｔｅａ ｅａ ｅｉｅ ｔ ｉａｉｎｔ ｆ ｄ ｎｉ ｉｇｔｅｒｓ ｔｒ ｍａ１ ｃｒ ｉｇｔ ｈ ｄ ｎｉ ａｉ ｘ ｅ ｍｅ ｔ １ｅ ｌｔ ａ ｉ ｆ ｏ ｉ ３ ｏ ＣＣ ｔ ｍａ ｓ ｈ ｖ ｒｇ ｄ ｎｉｃ ｔ ｍｅｏ ｅ ｔｙｎ ｅｔｓａｓｉ ｒ ｆ ｏ ｉ ｉ ｆ ｈ ｓ
第 ２期
原 玉磊 等 ： 一种 利 用 已识 别信 息 的星 图识别 算 法
基于导航星域和K矢量的快速星图识别算法
基于导航星域和K矢量的快速星图识别算法邢飞;尤政;董瑛【期刊名称】《宇航学报》【年(卷),期】2010(031)010【摘要】星图识别算法是星敏感器的关键技术,快速性和可靠性一直是对其评价的重要指标.提出了基于K矢量查找表和导航星域联合进行超快速星图识别的方法.首先根据星敏感器视场和所能敏感的星等建立全天球导航星表;再依据K矢量的原则对全天的导航星按照星对角距进行分类,建立星对角距所对应导航星的K矢量和K 矢量查找表.利用星敏感器视场中的4颗星构成6组星对角距,将其中的5组星对角距所对应K矢量查找表域的星对组进行导航星表域(简称导航星域)的变换,根据另外一组星对角距所对应的K矢量查找表域的值对前面5组导航星域的值同时进行索引比较,直接找到了满足条件的4颗导航星,即完成全天的星图识别.最后,通过计算机仿真,实验室模拟和真实星空实验三个层次验证了此方法的可靠性和快速性.【总页数】7页(P2302-2308)【作者】邢飞;尤政;董瑛【作者单位】清华大学精密仪器与机械学系,精密测试与仪器国家重点实验室,北京,100084;清华大学精密仪器与机械学系,精密测试与仪器国家重点实验室,北京,100084;清华大学精密仪器与机械学系,精密测试与仪器国家重点实验室,北京,100084【正文语种】中文【中图分类】V448.22【相关文献】1.基于SOFM星聚类的星图识别算法 [J], 黄勇;杨坤涛2.一种改进的基于K矢量的星图识别算法 [J], 袁晓波;张超;时春霖3.基于星与目标拓扑结构变化差异的星图识别算法 [J], 肖保良4.基于星三角形外接圆的星图识别算法 [J], 文涛;王宏力;陆敬辉;詹巧林;高志勇5.一种基于星三角形的星图识别算法 [J], 孙晓雄;王宏力;陆敬辉因版权原因，仅展示原文概要，查看原文内容请购买。
P向量实现快速星图识别的方法
P向量实现快速星图识别的方法
杨建;张广军;江洁
【期刊名称】《航空学报》
【年(卷),期】2007(028)004
【摘要】提出了一种快速的星图识别方法.该方法识别时提取出描述观测三角形的一维特征量P,根据该值快速检索到对应的导航三角形,减少了计算过程.由于获得星点位置的时候存在误差,所以将一定误差范围内的三角形均作为待选三角形考虑.上述识别后引入了验证识别环节,保证识别的准确性.随机实验统计表明,同等星点位置噪声方差下,该方法和栅格算法相比识别率提高约1%,识别时间约为后者的1/5.【总页数】4页(P897-900)
【作者】杨建;张广军;江洁
【作者单位】北京航空航天大学,仪器科学与光电工程学院,北京,100083;北京航空航天大学,仪器科学与光电工程学院,北京,100083;北京航空航天大学,仪器科学与光电工程学院,北京,100083
【正文语种】中文
【中图分类】V321.1;P111
【相关文献】
1.一种基于蚁群聚类算法的快速星图识别方法 [J], 全伟;房建成
2.7CDMA解相关多用户检测的快速处理方法摘要]针对CDMA多用户检测的解相关方法运算过程的复杂度较高、异步情况下难以实现等问题进行了研究,提出了一
种解相关多用户检测的快速处理方法,从而便于实现及快速软件处理.仿真结果表明,该方法使运算复杂度大大降低,同时又使误码率较传统 [J], 胡艳军;朱近康
3.核向量机与支持向量机相结合的二阶段快速学习方法 [J], 蒲骏逸;雷秀仁
4.基于粗测位置和方位的三视场快速星图识别方法 [J], 王昊京;王建立;吴量;张世学;贾建禄
5.基于共有星的快速星图识别方法 [J], 杨上;周召发;刘先一
因版权原因，仅展示原文概要，查看原文内容请购买。
- 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)。
基于P向量法和K矢量的星图识别方法
作者：范经伟
来源：《科学与财富》2016年第31期
摘要：为了减少导航数据库的存储容量和提高星图识别的速度，在现有三角形算法及其改进的基础上，提出了一种新的三角形算法的改进。
首先在观测视场中构造导航三角形，通过引入一颗新的观测星，根据K矢量法快速搜索角距表，获得三角形各星点的匹配侯选星。
再通过对观测三角形构造P向量值对匹配侯选星进行匹配和验证。
最后通过仿真比较，本文算法较现有算法有一定的优势。
关键词：关键词：星图识别；三角形匹配；P向量；K矢量法
中图分类号：V448.2 文献标识码：A
一引言
本文在现有三角形算法及其一系列改进算法的基础上，提出一种新的星图识别方法。
首先根据Quine和Liebe的方法为观测星构造三角形。
在视场中找到三个观测星构造观测三角形，通过引入第四个观测星，减少匹配的次数，最后通过构造P向量进行观测三角形特征提取对匹配的星点进行验证，从而达到提高星图识别速度和识别成功率的目的。
二理论分析和可行性分析
1 引入观测三角形之外的观测星
和三角形算法类似，用到的恒星信息为星对之间的角距信息。
假设两颗观测星a，b和两颗导航星A，B的角距分别为θab和μAB，对于给定的门限误差ξ，当满足时，θab和μAB两角距匹配。
在本文的识别算法中，首先找到三颗观测星S1、S2、S3，这三颗观测星构造观测三角形，在三角形之外在找第四颗导航星S4。
识别的过程是通过找到引入观测星和导航三角形星点的三个角距对应的导航星对，确定各导航星的匹配候选星。
该过程运用投票法进行匹配。
假设此时星对角距为θab，匹配门限误差ξ，此时星点的实际星角距应该在区间[θab-ξ，θab+ξ]中。
给角距表中角距在该范围内的每一条记录中的导航星各记上一票。
星1585和星1661各通过θ14得到一票，同理其他各导航星的得票数如图1所示。
投票结束以后，首先进行初步的恒星识别，得票最多的恒星即为引入观测星对应的恒星。
此时可以确定星号为1585的恒星为S4的匹配候选星，同时可以得到星号为1661的恒星为S1
的匹配候选星，星号为1670的恒星为S2的匹配候选星，星号为1698的恒星为S3的匹配候选星。
2 P向量理论
采用P向量的方法来构造三角形并进行特征向量提取，特征向量由三角形角距构成。
求解特征向量采用主成分分析方法求取最佳投影主轴，使得所有特征三角形特征向量在该主轴的投影点相互分散，通过投影点得到唯一的匹配三角形。
3 K矢量理论
在角距表和P向量表中查找数据时，使用K矢量查找表来加快数据访问的速度。
K矢量方法属于曲线拟合的一种，是一种快速查找方法。
首先角距表按照星角距从小到大排列，P向量表按照P值从小到大排列。
下以角距为例进行说明，为方便表述特定义如下：
设n个角距信息按照递增排序形成一个向量s（满足s（i）
（ 5 ）
其中：，ξ为计算精度。
根据以上条件建立k-vector索引表：
（ 6 ）
其中：i=2～n-1。
当搜索时，计算jfirst=（θa-q）/m，jlast=（θb-q）/m
其中：表示向下取整，向上取整。
令k=k（jfirst）+1，k（jfirst）+1，...，k（jlast），则s（k）就是搜索结果。
4 算法可行性分析
首先，根据Quine和Liebe的方法为观测星构造三角形，并在该观测三角形外引入另外一颗导航星，通过投票法角距匹配，得到观测三角形中星点的候选匹配星，用候选匹配星构造三角形。
对构造的三角形运用P向量法验证，验证构造三角形的主星号和投影点P对应的主星号是否一致即可。
三导航星表的构造
本文的导航星库主要包括：导航星基本信息表、角距表、P向量表。
因此它较常见的方法存储导航三角形的导航星数据库占据的容量小。
1 导航星基本信息表
算法中选用的基本天文星表为SAO星表，选取星等小于6的作为导航星，筛选出双星、变星并进行均匀化之后得到导航星。
基本星表中包含的字段有：星号、赤经、赤纬、赤经自行、赤纬自行和星等。
其中赤经、赤纬信息都是历元时刻（J2000.0）下的平位置信息。
2 角距表
任何能够同时出现在视场范围内的两颗导航星都能构成一个星对。
角距表中每一条信息包含角距信息和对应星对的恒星星号。
3 P向量表
根据（二）中分析的方法进行对P向量的构造。
P星表中的每一条信息包含P值和与之对应的三角形的主星星号。
四算法流程
视场内恒星的个数>3个时，首先以观测星图中距离主轴最近的观测星为主星S1，在以主星为圆心6度为半径的范围内最亮的两颗星S2、S3，若找不到则扩大半径。
构造观测三角形S1S2S3计算观测三角形对应的P值。
在视场中选择第四颗导航星S4，通过对星对S1S4、
S2S4、S3S4进行匹配，得到S1、S2、S3的侯选星。
根据观测三角形S1S2S3的P值对侯选星进行验证，若匹配结果唯一则认为匹配成功。
当视场内恒星的个数=3时，之间构造导航三角形S1S2S3计算观测三角形对应的P值进行匹配，若匹配结果唯一，再通过模拟星图的方法进行验证。
若验证成功则认为匹配成功。
其中运用模拟星图进行验证的过程中，首先根据视轴的方向生成模拟星图，并存储其中导航星的星号。
将模拟星图和观测星图中恒星进行比较，即可验证识别是否成功。
五仿真结果和分析
1从全天区随机抽取100幅模拟星图进行识别，并在生成模拟星图的时候，加上不同方差的高斯噪声作为位置误差。
下图为各方法的识别率受位置噪声影响的仿真结果
根据以上仿真结果数据可以看出：匹配准确度方面，本文提出的算法较现有的算法有一定的优势。
六总结
本文在现有的三角形匹配算法的基础上，提出了一种新的星图识别算法。
在构造观测三角形的基础上，通过引入新的观测星，将新引入观测星和构成观测三角形的星点之间的星角距首先作为匹配量，得到各三角形星点的候选导航星。
在将P向量特征值作为索引量，对各星点的侯选星筛选，提高星图识别速度和识别的准确率。
仿真结果也反映了本文所提算法具有一定的优势。
参考文献
[1]杨建，张广军，江洁. P向量实现快速星图识别的方法[J]. 航空学报， 2007，28（4）：897-900.
[2]陈雪芬，康国华. 基于ITSI优选算法的星敏感器导航星库建立[J]. 传感技术学报，2015，28（3）：381-386.。