目標的視覺檢測、分析與描述.pdf

1、計算機技術(shù)與人工智能的迅速發(fā)展,激發(fā)著人們?yōu)橛嬎銠C構(gòu)造一套像人類一樣精密而復(fù)雜,同時又具有認知能力的視覺系統(tǒng)。上述工作便是計算機視覺學(xué)科的研究目標。國際上學(xué)術(shù)界和工業(yè)界對這個領(lǐng)域做出了廣泛而深入的研究,并取得了長足的進步與發(fā)展。本文的研究不僅涉及到機器視覺的底層問題,又面向高層的圖像理解。從底層講,包括數(shù)據(jù)的采集與儲存、圖像與視頻顯著區(qū)域的提取;從高層講則希望能進一步對目標的特點、運動軌跡以及背后的行為進行認知。這項技術(shù)在智能監(jiān)控、運動

2、分析、視頻編解碼等領(lǐng)域有廣泛而潛在的應(yīng)用價值。
　　本文從機器視覺的縱向角度出發(fā),在大量閱讀國內(nèi)外期刊文獻的基礎(chǔ)上,研究了數(shù)據(jù)的獲取、存儲方法以及進一步的特征分析,特征描述,目標識別,多目標跟蹤,人體運動分析等。針對現(xiàn)有研究的不足,改進并提出了一些新的理論和方法,具體主要的研究內(nèi)容和創(chuàng)新點如下:
　　(1)大數(shù)據(jù)量的實時存儲。本文針對如今無標記運動捕捉儀中群攝像機的同步采集與存儲任務(wù),在非高端計算機中給出了服務(wù)于捕捉儀的物理

3、層(硬件架構(gòu))與數(shù)據(jù)獲取存儲層的解決方案。每秒可處理300M數(shù)據(jù)采集與存儲。
　　(2)自然彩色圖像顯著性區(qū)域識別。本文從人眼視覺系統(tǒng)的顯著性機制出發(fā),設(shè)計了一種基于計算模型的顯著性檢測方法,用于圖像中目標區(qū)域(又稱語義區(qū)域)的提取,通過在公開數(shù)據(jù)集上的實驗證明了算法的有效性,與當前的領(lǐng)先算法相比具有一定的競爭力。解決了其他研究工作中沒有解決的具有復(fù)雜紋理背景圖像的顯著性區(qū)域識別問題。為進一步的應(yīng)用,比如智能視頻處理和目標檢測提供

4、了一個思路。
　　(3)工業(yè)玻璃生產(chǎn)中缺陷類型的可靠性分類。針對研究對象的本質(zhì)問題,提出了有效的特征描述方法 BSP,并將其與常見特征融合并納入一個統(tǒng)一的分類器,給出了玻璃生產(chǎn)中由于受現(xiàn)有工藝流程所限的不可避免的缺陷的實時可靠分類的方法。實驗結(jié)果表明其準確率為95％,單缺陷的處理時間為0.05ms。
　　(4)基于前景提取的群目標跟蹤方法。在大規(guī)模運動群體中,每個個體的形狀、紋理都很相似。本文基于魯棒的前景提取,采用區(qū)域與輪