條件隨機(jī)場(chǎng)中嵌入先驗(yàn)信息的圖像理解算法研究.pdf

1、場(chǎng)景圖像理解(Scene Image Understanding)是計(jì)算機(jī)視覺(jué)(Computer Vision)研究領(lǐng)域中的重要內(nèi)容，它是視覺(jué)媒體內(nèi)容更高層語(yǔ)義理解的基礎(chǔ)，在圖像檢索、自動(dòng)駕駛等應(yīng)用中起著關(guān)鍵作用。近年來(lái)，場(chǎng)景圖像理解一直是學(xué)術(shù)界的研究熱點(diǎn)，倍受研究者的關(guān)注。以條件隨機(jī)場(chǎng)(Conditional Random Field, CRF)為基本框架，研究者在場(chǎng)景圖像理解算法的設(shè)計(jì)上取得了可喜的進(jìn)展，其中，CRF下嵌入局部平滑、

2、位置、共現(xiàn)等上下文先驗(yàn)信息的圖像理解算法取得了較好的分類效果，但目標(biāo)分類精度仍需進(jìn)一步提高，因此如何挖掘更加有效的上下文先驗(yàn)信息有待進(jìn)一步研究。
　　本研究主要內(nèi)容包括：⑴提出了CRF框架中嵌入顯著性檢測(cè)先驗(yàn)信息的圖像理解算法(CRF basedImage Understanding by Embedding Saliency Prior, SPCRF)。該算法以CRF為基本框架，通過(guò)閾值法分割圖像中前景目標(biāo)，進(jìn)而構(gòu)建統(tǒng)一的CRF

3、分類模型。SPCRF算法在前景目標(biāo)區(qū)域采用超像素作為分類單元，構(gòu)建超像素間全連接關(guān)聯(lián)關(guān)系，可相對(duì)有效地解決復(fù)雜前景目標(biāo)中各子區(qū)域間由于顏色紋理差異較大引起的分類不一致問(wèn)題。在圖像理解數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，SPCRF算法有效地提高了前景目標(biāo)的分類精度且取得了較高的整體分類精度。⑵提出了CRF框架中嵌入目標(biāo)置信度先驗(yàn)信息的圖像理解算法(CRF basedImage Understanding by Embedding Object Con

4、fidence Prior, OCPCRF)。該算法以CRF為基本框架，通過(guò)在CRF中嵌入目標(biāo)置信度語(yǔ)義上下文先驗(yàn)信息并結(jié)合目標(biāo)空間位置先驗(yàn)信息實(shí)現(xiàn)圖像標(biāo)注。與傳統(tǒng)基于簡(jiǎn)單統(tǒng)計(jì)構(gòu)造的目標(biāo)共現(xiàn)上下文信息不同, OCPCRF算法通過(guò)采用一對(duì)多策略構(gòu)建目標(biāo)分類器，進(jìn)而有效地計(jì)算目標(biāo)置信度語(yǔ)義信息，以此提升模型的泛化能力。實(shí)驗(yàn)結(jié)果表明，OCPCRF算法可有效提高圖像標(biāo)注的精度。⑶提出了CRF框架中嵌入圖像間配準(zhǔn)信息的弱監(jiān)督場(chǎng)景圖像理解算法(CR