基于HOG特征与SVM算法的图像分类 .docx
需积分: 30 124 浏览量
2022-01-03
19:09:22
上传
评论
收藏 331KB DOCX 举报
基于 HOG 特征与 SVM 算法的图像分类
摘要：图像分类，指在给定的类别中，选出与该图像匹配的类别作为输入的图像处理方法。支持向量机
(SVM)是一种以统计学习理论为基础的用来解决二分类问题的机器学习方法。 SVM 是结构风险最小化模
型，较好的解决了数量较小时过拟合问题，能有效提高模型的泛化能力。在解决小样本、非线性及高维模
式识别问题中,表现出许多特有的优势。本次实验使用的是自己提出的一个关于路面裂缝的 crack 数据集，
为提升实验效果，先提取图像 HOG 特征，再利用 SVM 来进行分类训练，以识别图片中是否存在裂缝。
本文设计了完整的 HOG+SVM 识别算法,使用自己提出的 crack 数据集进行了实验测试，拟合得到分类
准确率可达 95%。
关键字：SVM（支持向量机）；裂缝分类；HOG(方向梯度直方图)；图像分类
Image Classification based on HOG
Features and SVM Algorithm
Abstract: Image classification, refers to the image processing method in which the category that matches the
image is selected as the input among the given categories. Support vector machines (SVMs) are a statistical
learning theory-based machine learning method for solving binary classification problems, and are structural risk
minimisation models that solve the problem of overfitting when the number is small and improve the
generalisation ability of the model. It has many advantages in solving small sample, non-linear and high-
dimensional pattern recognition problems. This experiment uses a proposed crack dataset on road cracks. To
enhance the experimental effect, the HOG features of the image are extracted first, and then the SVM is used for
classification training to identify the presence of cracks in the image. The complete HOG+SVM recognition
algorithm is designed in this paper, and the experimental test is conducted using the proposed crack dataset, and
the classification accuracy is up to 95%.
Keywords: SVM (support vector machine); Crack classification; HOG (Histogram of oriented gradient); Image
classification
0 引言
随着中国经济的迅速发展，全国各地
开始大力发展道路基础建设。飞机作为最
便捷的交通工具，越来越多的人选择乘坐
飞机出行。据最新的民航机场生产统计公
报[1]显示，我国 2019 年全年机场旅客吞
吐量为 135162.9 万人次，货邮吞吐量为
1710.0 万吨，完成飞机起降 1166.0 万
架次。2020 年旅客吞吐量为 85715.9 万
人次，货邮吞吐量为 1607.5 万吨，完成
飞机起降 904.9 万架次。面对如此庞大的
旅客运输量和货邮运输量，机场道面会不
可避免地出现病害，进而对飞机的起降安
全产生威胁。
机场道面多数病害表现为裂缝，传统
的裂缝检测主要为人工检测，效率低下而
且准确率低。因此，对于机场道面裂缝的
自动检测具有极大的研究意义。
在裂 缝 的特 征 中 ， 方向 梯 度直 方图
（HOG）特征和 Haar-like 特征都有比较
可观的效果。但考虑到光照和阴影条件的
影响，使用 Haar-like 特征[2]会使得检测
效果较差，误检率较高。HOG 特征对于图
像光照强度变化对很好的抗干扰能力，对
于目标的描述具有较强的鲁棒性[3]，再加
上支持向量机（SVM）算法表现出系统结
构简单 、全局最优、 训练时间短等 优势
资源评论
