论文投稿_医学论文投稿_核心期刊,职称论文投稿发表_论文部落

　　为了验证选用直方图交叉核的合理性，本文分析对比了两种核函数：高斯核和直方图交叉核。实验分为5组，将15类奶牛按照名称排序后分别对其中的前5类、8类、10类、12类和15类奶牛识别分类。表1给出的是BOF模型中选用优化HOG作为特征描述符，使用高斯核和直方图交叉核作为分类器核函数时的识别精度情况。选择的SVM类型为C-SVC，松弛变量为200，其中高斯核参数gamma=2，直方图交叉核为本文自定义核，N表示类别数目。
　　由表1可知，在实验环境和参数设置相同的条件下，选用直方图交叉核和高斯核作为分类器核函数时，算法的平均识别精度分别可达93.3%、90.8%，选用直方图交叉核作为核函数比选用高斯核作为核函数能将算法的识别性能平均提高将近2.5个百分点，并且随着奶牛类别数目的增多，其提高的识别率整体上呈现增大的趋势。因此，本文算法选用直方图交叉核作为分类器核函数以提高识别性能。
　　2）空间金字塔提高识别精度。
　　为了验证金字塔匹配原理的有效性，本文同样是进行了5组对比实验，将15类奶牛按照名称排序后分别对前5类、8类、10类、12类和15类奶牛识别分类。表2给出了将优化HOG特征分别引入BOF模型和基于空间金字塔匹配的BOF模型时的识别精度情况，分类器核函数为本文自定义直方图交叉核。将优化HOG特征引入到基于SPM的BOF模型即为本文算法，N表示类别数目。
　　由表2可知，本文算法和BOF模型的平均识别精度分别可达95.3%、93.3%。本文算法能够将算法的识别精度平均提高将近2个百分点，验证了本文算法使用基于金字塔匹配的BOF模型的有效性。
　　3.3.2与基于其他特征的算法对比分析
　　本文算法，选用直方图交叉核作为分类器核函数，对BOF模型的识别性能作出优化。为验证本文优化HOG作为特征描述符相比传统HOG作为特征描述符在不引起性能损失的前提下提高了算法的计算效率、相比SIFT作为特征描述符在保证识别精度的基础上提高了算法的计算性能，同样是进行了上述5组对比实验。表3将本文算法与其他算法对比分析，给出了本文算法，分别使用传统HOG、优化HOG、SIFT作为图像特征描述符时算法的运行时间和识别精度。为使实验数据具有可比性，实验中基于传统HOG、SIFT特征的算法其图像大小、金字塔层数、字典大小等参数设置与本文算法完全一致，分类器核函数均为本文自定义直方图交叉核。
　　从表3的结果可知，在实验环境和参数设置完全相同的条件下，本文算法和基于传统HOG特征算法的平均识别精度分别可达95.3%、74.0%。使用本文优化HOG特征相比使用传统HOG特征，算法识别性能平均提高21.3个百分点，运算效率为其1.68倍，证明本文优化HOG特征的优越性。
　　另一方面，在实验环境和参数设置相同的条件下，文本算法和基于SIFT特征算法的平均识别精度分别可达95.3%、95.6%。导致本文算法平均识别精度较低的主要原因在于第2组实验中二者的识别精度相差较大，这与本文算法中K-Means的初始聚类质心是随机选择的有关。与使用SIFT作为特征描述符的算法相比，使用优化HOG作为特征描述符的本文算法在保证识别精度平均达到95.3%的基础上，计算性能为其7.10倍，并且随着奶牛类别数目的增多，优化HOG作为特征描述符时的识别精度逐渐超过SIFT作为特征描述符时的识别精度，其提高的计算性能也出现增多的趋势。
　　综合分析表3的结果可知，本文算法具有较好的鲁棒性和实用性，在实验数据集部分图像噪声较多、干扰较大的情况下依然能够取得好的实验结果。
　　4结语
　　本文算法在BOF模型的基础上，引入空间金字塔匹配原理对其加以改进，并引入优化31维HOG特征作为图像特征描述符，在此基础上选用图像处理领域中常用于直方图特征分类的直方图交叉核作为分类器的核函数。将该算法用于奶牛个体识别，在本文数据集上的实验结果表明，本文算法具有较好的鲁棒性和实用性，使用基于空间金字塔匹配的BOF模型和基于直方图交叉核的分类器提高了算法的识别性能，优化HOG作为特征描述符在保证识别精度的基础上改善了算法的计算性能，缩短了计算时间。本文接下来的研究方向为针对具体的奶牛个体识别问题，在K-Means聚类阶段制定更好的初始质心选取规则，以降低识别精度的随机性。