资源描述：
《支持向量机在嵌入式图像识别中的分析》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、传统图像识别技术主要是利用数字图像处理技术和统计学原理，提取图像的特征,利用分类器对图像进行识别，算法计算量大，识别效果易受图像质量的影响。近年来发展起来的人工神经网络虽然在图像识别方面有很多优势（如并行处理），但是由于其自身的缺陷（局部极小值、过学习和欠学习等）限制了其应用。和神经网络、决策树不同，本文采用支持向量:机（SupportVectorMachine,SVM）对数字图像进行识别，它是基于结构风险最小化，具有更坚实的理论基础、更强的泛化能力，性能也更加优异。随着集成电子技术的发展，嵌入式系统逐渐向低功耗、
2、小体积、高性能方向发展,图像识别技术在各种嵌入式系统的使用越来越广泛。当在嵌入式系统屮用支持向量机进行图像识别时，由于SVM在训练过程中需要消耗较大的存储资源，特别是在训练样本数量较多时，其训练速度往往成为实际应用的瓶颈，这在一定程度上制约了该算法的推广和应用。另外支持向量机训练和分类的过程涉及到大量的浮点数运算，程序执行时间长，无法满足系统的实时性要求，必须对其加以改进。本文采用的嵌入式系统是三星公司的S3C2440,采用离线训练的SVM参数，即在PC机上用浮点运算训练好支持向量机，然后在嵌入式系统上将浮点运算转
3、化为定点整数运算，降低了运算的复杂性，提高了运算速度，以一定的精度损失带来训练过程数据计算的快捷性。另外采用整型参数对支持向量机进行训练，由于本文所用到的支持向量机的输入向量是数字图像的像素值，因此不必对训练样本进行整型化处理，只需对标准SVM算法中的拉格朗日参数规范化为一定范围内的整数值，并作为训练过程待优化的参数，采用改进的序贯最小优化算法，提高了SVM的训练和分类速度。关键词：图像识别，支持向量机，嵌入式系统，实时性ABSTRACTThetraditionalmethodsofimagerecognition
4、mainlyusedigitalimageprocessingtechnologyandtheprincipleofstatistics,extractthestatisticfeaturesofimageandthenuseclassifiertorecognizetheimage•Itneedsalargeamountofcalculationandtherecognitioneffectissusceptibletotheimagequality.Althoughtheartificialneuralnetw
5、orkhasmanyadvantages(suchasparallelprocessing)inimagerecognitioninrecentyears,butitsowndefects(localminimumvalue,overfitting)limitsitsapplication・Supportvectormachine(SVM)isdifferentfromneuralnetworkanddecisiontree.Itisbasedonstructureriskminimizationprinciple
6、,considerstheminimizationoftheempiricalriskandconfidencebounds.Therefore,SVMhasmoresolidtheoreticalfoundation,strongergeneralizationabilityandexcellentperformance.Withthedevelopmentofintegratedelectronictechnology,thedevelopmentdirectionofembeddedsystemislowpo
7、werconsumption,smallsizeandhighperformance,imagerecognitiontechnologyiswidelyusedinvariousembeddedsystem・WhenusingSVMforimagerecognitioninembeddedsystem,thedisadvantageofconsumingalargestorageresourcesintheSVMtrainingprocess,especiallywhenthetrainingsamplesset
8、isbig,makesthetrainingspeedofthetrainingstagebethebottleneckofpracticalapplications,whichrestrictsthepromotionandapplicationofthealgorithmtosomeextent.Inaddition,theprocessofSVMtra
