基于不變特征的目標檢測方法研究.pdf

1、目標檢測是計算機視覺領域的研究熱點,在圖像檢索、智能交通、智能視頻監(jiān)控、高級人機交互等領域都具有廣泛的應用前景。由于不同的目標形狀外觀的不確定性,應用場景的復雜性,目標之間以及目標與背景之間的相互遮擋等原因導致目標檢測成為一個具有挑戰(zhàn)性的問題。盡管目標檢測技術已經被國內外很多學者研究過,但到目前為止還沒有一個通用、魯棒、精確和實時的目標檢測算法。本文主要圍繞對圖像中目標提取不變特征,并針對不同目標、不同場景情況下的目標檢測方法進行研究。

2、具體研究內容和成果如下:
　　1、詳細討論了目標檢測的關鍵技術,包括特征的提取和描述以及檢測過程中分類器的選擇。在特征提取和描述方面,我們介紹了顏色、不變矩、SIFT(Scale invariant feature transform)特征以及圖像輪廓特征的相關理論,并著重介紹了針對輪廓特征的特征描述。在檢測階段,我們分別使用了BP(Back Propagation)神經網絡和SVM(Support Vector Machine)

3、作為分類器。
　　2、通過對比各種描述特征量的性質以及優(yōu)缺點,提出了一種融合全局與局部特征,使用主成分分析和BP神經網絡的目標檢測方法。采用全局和局部特征提取和訓練相結合的檢測方法,通過視覺相似性來檢測目標。實驗結果表明,目標多種特征融合,再利用主成分分析法對其進行降維,可以有效改善因特征維數太高耗時的影響,并且提高了對目標的檢測效率。
　　3、針對復雜場景中背景復雜、目標周圍噪聲多及目標只占圖像中較小部分而難于檢測的問題,

4、提出了一種新的基于局部輪廓特征檢測目標的方法。該方法首先利用改進的gPb(globalized probability of boundary, gPb)算法提取圖像的輪廓,然后應用Otsu(最大類間方差法,Otsu)進行自動閾值處理得到圖像的顯著性輪廓;再提取顯著性輪廓的k鄰接大致直線輪廓段(k connected roughly straight contour segments, kAS),并以kAS作為局部特征,用于復雜場景中的