专利名称：数字全息三维物体识别方法与系统的制作方法
技术领域：
本发明涉及数字全息术(Digital Holography)，尤其涉及数字全息三维物体识别 方法与系统。
背景技术：
早期的相关模式识别技术依赖于透镜，因此识别范围只限于二维输入图像。近年 来，电子光学设备的发展推动了光学相关技术的进步。基于光学相关技术的各种三维识别 方法应运而生，三维光学信息处理成为近期的研究热点。
一种基本的方法是处理一组三维输入物体和参考物体的二维投影，首先通过全息 技术处理这些图像，并分多路存储，然后用传统的二维光学傅立叶变换技术依次处理这组 二维图像。为了避免光学处理中大量的二维透视图，将参考物体的二维透视图组合起来设 计成有效的抗失真的滤波器来识别三维物体的不同二维场景。另一种方法是用矩不变量如 Fourier-Mellin描述符来表示三维物体的透视图特征空间轨迹来进行三维物体分类。
一些研究对通过三维图像平面编码进行三维卷积或相关运算进行了分析。传统的 傅立叶处理技术可以应用到经过编码的二维图像上。其中一种方法是对三维图像的某一维 进行采样，从而得到一组物体的二维截面。其他三维信息映射到二维平面上的方法也层出 不穷。
另一种方法也需要获取不同二维透视图，但识别是通过三维傅立叶变换实现的。 采用三维光电相关技术处理获取的信息可以实现所需要的三维识别。在这种方法中，用电 子手段进行三维数据处理，用光学手段实现二维傅立叶变换。这种方法被扩展到失真不变 的模式识别中。
此外，傅立叶轮廓变换法或深度图像法等表面测量技术被用于三维形状识别中。 在傅立叶轮廓变换法中，干涉条纹被投影到三维参考物体或输入物体上。物体的深度和形 状信息通过傅立叶变换法得到并采用传统二维相关技术实现实时三维物体识别。
随着数字全息技术的诞生，各类有效对抗物体形变的相关技术被应用到数字全息 三维物体识别领域中，从而开辟了相关模式识别的一个新应用方向。
现有技术方案主要包括
综合鉴别函数(SyntheticDiscriminant Function，简称 SDF) :1980 年，Hester 和Casasent提出了 SDF，该方法首次利用相关滤波器来对抗模式识别中物体的形变。但是， SDF滤波器存在的主要问题是输入平面没有考虑噪声影响，任何随机噪声的扰动均可能 严重影响输出结果，从而降低判别率；算法假定h(x，y)是所有训练样本的线性组合，仅能 保证训练样本与滤波器h(x，y)互相关运算在原点处的取值是c，而其峰值往往落在相关平 面的其他位置。基于该算法进行模式识别严重依赖于训练样本的选取。
M^^F^ffi^i^iS (MACH Maximum Average Correlation Height) 5 ! ! : ! 波器为继综合鉴别函数(SDF)之后颇有代表性的相关滤波器之一。与后者不同，他不再对 样本之间的组合方式和输出平面的某些孤立点加以约束，而是利用整个样本空间的统计特征来设计滤波器。但是，由于MACH滤波器的设计只依赖于类内统计量，如训练样本的平均 值，平均能量矩阵和ASM矩阵。因此在实现过程中需要较少的存储空间。此外由于根据整 个样本空间的全局特征进行设计，因此MACH滤波器能够产生尖锐的相关峰同时能够保证 同类样本行为的相似性。虽然MACH具有较好的类间识别能力，但由于其所含的信息多为物 体类的特征统计信息，冗余信息较少，因此往往容易受噪声干扰，影响识别结果。
混合光学神经网络滤波器(Hybrid Optical Neural Network, HONN)近年来，随 着人工神经网络理论的发展和成熟，其良好的非线性叠加和泛化能力逐渐得以验证和应 用。因此，有学者提出利用神经网络来构建相关滤波器的思想。HONN就是其中的代表，它将 人工神经网络与相关模式识别技术有机融合到数字滤波器的实现中。构建HONN滤波器需 要有两个模块，即神经网络训练模块和相关组合模块。首先让原始训练样本依次通过神经 网络接受训练，然后将经过训练后的样本组合构建相关滤波器。虽然，HONN滤波器利用神 经网络良好的非线性叠加能力有效改进了相关滤波器的识别性能和抗噪声干扰能力。但由 于神经网络容易陷入局部极小点，同时算法的收敛依赖于初始值的选取，因此HONN滤波器 的稳定性较差，需要多次试探，才能得到最佳滤波器。此外，HONN滤波器的训练时间往往较 长。在合成过程中，神经网络有选择性地将部分样本组合在一起，同样的训练样本可以合成 识别性能差别较大的滤波器。发明内容
本发明的目的在于提供一种数字全息三维物体识别方法与系统。
本发明公开了一种数字全息三维物体识别方法，包括如下步骤获取训练样本； 采用线性核函数，利用支持向量机网络训练所述训练样本，得到支持向量和分类函数；确定 所述分类函数和组合滤波器的相似性；基于所述相似性，将分类函数系数和所述支持向量 组合到一起，构建相关滤波器。
另一方面，本发明还公开了一种数字全息三维物体识别系统，包括用于获取形变 样本的模块；用于采用线性核函数，利用支持向量机网络训练所述形变样本，得到支持向量 和分类函数的模块；用于确定所述分类函数和组合滤波器的相似性的模块；用于基于所述 相似性，将分类函数系数和所述支持向量组合到一起，构建相关滤波器的模块。
为了与支持向量机(SVM:Support vector machine)相关滤波器进行比较， 本发明同时测试了其他三种结构的相关滤波器的识别性能，即综合鉴别函数(SDF Synthetic Discriminate Function) ^^ ! ^^ ^ ^! ] (MACH :Maximum Average Correlation Height)相关滤波器、混合光学神经网络(HONN :Hybrid Optical Neural Network)相关滤波器，对四类滤波器在抗平面内旋转、抗平面外旋转和抗噪声干扰三方面 的识别情况进行了比较，并绘制了相应的特性曲线。
实验结果表明，SVM相关滤波器具有良好的泛化性能和并行快速运算的特点，在所 有滤波器中，SVM相关滤波器具有最优的抗平面内旋转和抗噪声性能力。结合滤波器对非 训练类物体的识别性能和训练时间两方面，可以认为SVM相关滤波器是一种能有效对抗旋 转和噪声干扰的相关模式识别技术，具有良好的稳定性和实时性，更为重要的是采用较少 的样本即可实现高精确率的识别。
图Ia为SVM的最优分类平面示意图Ib为本发明数字全息三维物体识别方法实施例的步骤流程图Ic为支持向量机的网络；
图2为本发明数字全息三维物体识别系统实施例的结构简图3a为本发明实施例所涉及的实验中，选取目标类物体的示意图北为本发明实施例所涉及的实验中，选取非目标类物体的示意图4为相关滤波器抗平面内旋转能力的示意图，主要是通过识别率与样本的关系 来体现；
图5为相关滤波器抗平面外旋转能力的示意图，主要是通过识别率与样本的关系 来体现；
图6为相关滤波器抗噪声性能比较的示意图7为在一定噪声下，四类相关滤波器抗平面外旋转性能的比较示意图8为平面外固定形变范围180度之内，没有加噪声的情况下，四类相关滤波器抗 平面外旋转性能比较示意图9为平面外固定形变范围180度之内，有一定噪声的情况下，四类相关滤波器抗 平面外旋转性能比较示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实 施方式对本发明作进一步详细的说明。
本发明将支持向量机(SVM)算法和相关滤波器思想相结合，构建SVM相关滤波器， 有效地把SVM算法的“少量样本得到全局最优解”的特点与相关滤波器的并行运算的特点 结合起来，在此基础上，采用SVM相关滤波器来解决数字全息三维物体识别系统中待识别 物体发生旋转和噪声干扰的问题。
首先，介绍一下支持向量机(SVM)原理
支持向量机(SVM)方法是从线性可分情况下的最优分来面(Optimal Hyper Plane)提出的，考虑图Ia所示的二维两类线性可分情况，图中实心点和空心点分别表示两 类物体的训练样本，H是把两类物体无错误地分开的分类线，H1和吐分别是各类样本中离 分类线最近的点且平行于分类线的直线，H1和H2之间的距离叫做两类的分类空隙或分类间 隔(margin)。所谓最优分来线就是要求分类线不但能将两类无错误地分开，而且要使两类 的分类空隙最大。前者是保证经验风险最小(为0)，而通过后面的讨论可以看到，使分类空 隙最大实际上就是使推广性的界中的置信范围最小，从而使真实风险最小。推广到高维空 间，最优分类线就成为最优分类面。
设线性可分样本集为伐A)，i = 1，·.·，n，x e Rd y e {+1,-1}是类别标号。d维 空间中线性判别函数的一般形式为《？(。= #·$+ 6 ,分类面方程为+ = 0
对判别函数进行归一化，使两类所有样本都满足|g(X) I彡1，即使离分类 平面最近的样本Ig(X)I = 1，这样分类间隔就等于2/Il W Il，因此使间隔最大等价于 使Il W Il (或Il W Il2)最小；而要求分类线对所有样本正确分类，就是要它满足
权利要求
1.一种数字全息三维物体识别方法，其特征在于，包括如下步骤 获取训练样本；采用线性核函数，利用支持向量机网络训练所述训练样本，得到支持向量和分类函数；确定所述分类函数和组合滤波器的相似性；基于所述相似性，将分类函数系数和所述支持向量组合到一起，构建相关滤波器。
2.一种数字全息三维物体识别系统，其特征在于，包括 用于获取形变样本的模块；用于采用线性核函数，利用支持向量机网络训练所述形变样本，得到支持向量和分类 函数的模块；用于确定所述分类函数和组合滤波器的相似性的模块；用于基于所述相似性，将分类函数系数和所述支持向量组合到一起，构建相关滤波器 的模块。
全文摘要
本发明公开了一种数字全息三维物体识别方法与系统。所述方法包括获取形变样本；采用线性核函数，利用支持向量机网络训练所述形变样本，得到支持向量和分类函数；确定所述分类函数和组合滤波器的相似性；基于所述相似性，将分类函数系数和所述支持向量组合到一起，构建相关滤波器。具有良好的泛化性能和并行快速运算的特点，在所有滤波器中，SVM相关滤波器具有最优的抗平面内旋转和抗噪声性能力。
文档编号G06K9/62GK102043962SQ20101054172
公开日2011年5月4日 申请日期2010年11月12日 优先权日2010年9月1日
发明者杨光临 申请人:北京大学