基于机器学习的物体识别设计

论文总字数：22261字

摘 要

识别技术是当代飞速发展的技术，广泛运用于各个领域。机器学习，专注于研究电脑怎样通过分析已有数据，学习新的事物与规律，达到“学习”的目的。将物体识别与机器学习相结合，可以在处理大量数据且没有明确分类标准时，实现快速建立分类模型从而实现识别功能的目的，潜力巨大

本文主要介绍如何基于机器学习的思想，辅助以机器视觉中的各项图片处理技术，实现图片中物体的分离与识别，通过训练，建立物体的特征参数颜色与形状分类模型，并通过硬件的应用实例——网球识别抓取智能车，实现物体识别的实例化应用。

关键词：机器学习，物体识别，图片处理，智能车

Abstract

With the development Recognition technology is the rapid development of contemporary technology, widely used in various fields.. Machine learning specializes in how the computer simulates or realizes human learning behavior to acquire new knowledge or skills and reach the purpose of “learning”. The combination of object recognition and machine learning can realize the purpose of recognizing the function and realize the goal of establishing the classification model quickly when dealing with a large amount of data and without explicit classification criteria.

This paper mainly introduces how to realize the separation and recognition of objects in the picture by the various image processing techniques in machine vision, and build the color and shape model of the object parameters by trainning, and through the application of the hardware——intelligent car, to achieve the object recognition application.

Keywords: machine learning, object recognition, image processing, intelligent car

目 录

摘要 V

Abstract VI

目 录 VII

第一章 绪论 1

1.1 研究背景 1

1.1.1 图像识别技术简介 1

1.1.2 机器学习简介 1

1.2 国内外研究现状 2

1.2.1 图像识别研究现状 2

1.2.2 机器学习研究现状 2

1.2.3 图像识别结合机器学习的研究 2

1.3 论文研究内容及意义 2

1.4 论文组织结构 3

第二章 图像识别 5

2.1 图像识别的背景 5

2.1.1 RGB与灰度图像 5

2.1.2 图像格式 5

2.2 图像识别的目的 5

2.3 图像识别的步骤 5

2.3.1 灰度化 6

2.3.2 滤波 7

2.3.3 二值化 8

2.3.4 边缘检测 9

2.3.5 阈值计算 10

2.4 本章小结 10

2.4.1 图像识别的意义 10

2.4.2 不足与改进 10

第三章 机器学习 12

3.1 机器学习思想 12

3.2 机器学习算法简介 12

3.3 模型训练 14

3.3.1 目的 14

3.3.2 训练方法 14

3.3.3 样本选取 14

3.3.4 训练过程 14

3.3.5 训练结果 15

3.4 模型测试 15

3.4.1 目的 15

3.4.2 测试指标 16

3.4.3 样本选取 16

3.4.4 测试过程 16

3.5 模型结果 17

3.6 本章小结 17

3.6.1 机器学习的意义 17

3.6.2 不足与改进 17

第四章 识别实例化 19

4.1 识别实例化的目的 19

4.2 识别实例结构 19

4.3 实例设计 20

4.3.1 部件选择 20

4.4 实例工作流程： 21

4.4.1 模型嵌入 21

4.4.2 采样 21

4.4.3 寻迹 21

4.4.4 识别 22

4.4.5 抓取 22

4.5 本章小结 23

4.5.1 实例化意义 23

4.5.2 不足与改进 23

第五章 总结与展望 25

5.1 总结 25

5.2 展望 25

致谢 26

参考文献 27

绪论

研究背景

图像识别技术简介

图像识别技术，是指电脑通过各种技术对图像进行分析，根据物体的特征，判断物体的类别，实现分类的一种技术。图像识别系统一般包括图像预处理、图像分析和物体识别。图像预处理部分包括图像分割、图像增强等方面，方便之后的分析与识别；图像分析部分主要指从预处理得到的图像中提取足够的特征信息；最后，物体识别则是所选用的分类器，根据分析得到的物体特征对图像进行识别，分类，作出判断。

对于人类来说，所谓图像识别，即是有画面作用于视觉系统，而人们通过与记忆中的对比，辨认出这是以前所看到过的某个画面的过程。因此，在图像识别中,要有目前新获得的信息，同时也需要有之前记忆的信息，才能进行所谓“识别”。

同理，对于计算机而言，也需要通过比较当前输入的图像与数据库存储的图像信息，实现图像识别。而由于图像不可能完全相同，比较的对象，往往是一些关键的特征参数。参数的吻合，则代表了识别对象的匹配。计算机的图像识别往往基于此。

机器学习简介

机器学习是目前十分火热的领域。在本文中所要涉及的机器学习，通俗来讲，是一种新的编程方式。它不像以往的编程方式，需要人来设定输入输出的函数关系。反之，只需要把足量的样本输入到电脑中，由电脑通过大量的计算与分析，得出这种映射关系。这种依靠计算机得出函数关系的方式，就叫做训练。而训练后，计算机将会得到得到一个经过训练的分类模型，这个模型就可以用来当做一个分类的标准了。

机器学习与计算统计学密切相关，这也是通过使用计算机来预测的。它与数学优化有着密切的联系，它为许多情境提供了方法，理论和应用领域。机器学习有时与数据挖掘混合，后者的子域更多地集中在探索性数据分析上，被称为无监督学习。机器学习也可以是无监督的，并被用于学习和建立各种实体的基线行为概况，然后用于发现有意义的异常。

剩余内容已隐藏，请支付后下载全文，论文总字数：22261字