基于機器視覺的目標分類與場景定位研究.pdf

1、基于機器視覺的目標分類與場景定位技術是機器視覺領域具有挑戰(zhàn)性的研究熱點問題。前者與場景中的目標檢測、追蹤和行為分析密切相關。而后者能夠有效地幫助和提高機器人對于結構化和非結構化的室內外場景的分析和認知能力。場景中動態(tài)目標的分類問題，往往因為目標自身形變和外界因素的干擾，不易獲取穩(wěn)健的分類特征，且分類實時性較差。近年來，源于文本領域的詞包(Bag-of-words, BOW)模型主要被用于圖像分類，稱為視覺詞包(Bag-of-visual

2、-words, BOVW)模型， BOVW模型對場景圖像有較強的描述能力，適合大規(guī)模室外場景的定位應用，但也存在信息處理量大的不足。圍繞上述問題，本文主要研究內容如下：
　　首先，提出一種基于輪廓特征的動態(tài)目標分類方法。動態(tài)目標由區(qū)分能力較好的多種輪廓特征構建的特征向量模型來描述，輪廓特征的選取對于動態(tài)目標平移、旋轉變化具有魯棒性。該方法首先運用混合高斯模型提取出視頻動態(tài)場景目標，經圖像形態(tài)學處理獲得較為準確的目標輪廓圖像。然后運

3、用構建的特征向量模型提取目標外輪廓特征作為支持向量機分類器分類的依據。實驗結果表明該方法具有較高的分類精度，且實時性較好，有助于智能機器人對動態(tài)目標的認知和理解，為其導航、可行區(qū)域檢測、運動優(yōu)先級判別等任務提供有力的幫助。
　　其次，針對GPS等定位用傳感器某些情況下使用受限的問題，提出一種基于BOVW視覺詞包模型的圖像匹配方法，并應用于移動體的場景定位。該方法引入了雙層索引匹配結構和投票定位算法，對圖像集進行分組建立“由粗到精”

4、的雙層索引結構，減小圖像匹配的搜索空間,降低了內存負載與計算復雜度。且定位時不易受前景變化的影響，對于復雜時變的校園環(huán)境具有較好的定位準確性。僅依靠單目視覺實現定位，彌補了其他傳感器定位能力的不足，為移動機器人通過視覺導航和運動規(guī)劃提供了較好的支持。
　　最后，針對單視角模板匹配在室外運動情景下定位的不足，一種多視角特征點匹配的室外場景目標定位方法被應用。方法選用SURF特征點進行特征描述與匹配，該特征對于室外大范圍場景中景物的多