基于不變特征的目標(biāo)檢測(cè)方法研究.pdf

1、目標(biāo)檢測(cè)是計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn),在圖像檢索、智能交通、智能視頻監(jiān)控、高級(jí)人機(jī)交互等領(lǐng)域都具有廣泛的應(yīng)用前景。由于不同的目標(biāo)形狀外觀的不確定性,應(yīng)用場(chǎng)景的復(fù)雜性,目標(biāo)之間以及目標(biāo)與背景之間的相互遮擋等原因?qū)е履繕?biāo)檢測(cè)成為一個(gè)具有挑戰(zhàn)性的問題。盡管目標(biāo)檢測(cè)技術(shù)已經(jīng)被國(guó)內(nèi)外很多學(xué)者研究過,但到目前為止還沒有一個(gè)通用、魯棒、精確和實(shí)時(shí)的目標(biāo)檢測(cè)算法。本文主要圍繞對(duì)圖像中目標(biāo)提取不變特征,并針對(duì)不同目標(biāo)、不同場(chǎng)景情況下的目標(biāo)檢測(cè)方法進(jìn)行研究。

2、具體研究?jī)?nèi)容和成果如下:
　　1、詳細(xì)討論了目標(biāo)檢測(cè)的關(guān)鍵技術(shù),包括特征的提取和描述以及檢測(cè)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(guān)理論,并著重介紹了針對(duì)輪廓特征的特征描述。在檢測(cè)階段,我們分別使用了BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)和SVM(Support Vector Machine)

3、作為分類器。
　　2、通過對(duì)比各種描述特征量的性質(zhì)以及優(yōu)缺點(diǎn),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(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法。采用全局和局部特征提取和訓(xùn)練相結(jié)合的檢測(cè)方法,通過視覺相似性來檢測(cè)目標(biāo)。實(shí)驗(yàn)結(jié)果表明,目標(biāo)多種特征融合,再利用主成分分析法對(duì)其進(jìn)行降維,可以有效改善因特征維數(shù)太高耗時(shí)的影響,并且提高了對(duì)目標(biāo)的檢測(cè)效率。
　　3、針對(duì)復(fù)雜場(chǎng)景中背景復(fù)雜、目標(biāo)周圍噪聲多及目標(biāo)只占圖像中較小部分而難于檢測(cè)的問題,

4、提出了一種新的基于局部輪廓特征檢測(cè)目標(biāo)的方法。該方法首先利用改進(jìn)的gPb(globalized probability of boundary, gPb)算法提取圖像的輪廓,然后應(yīng)用Otsu(最大類間方差法,Otsu)進(jìn)行自動(dòng)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(fù)雜場(chǎng)景中的