視覺(jué)物體分類(lèi)中局部特征建模方法研究.pdf

1、視覺(jué)物體分類(lèi)是圖像檢索、海量視頻數(shù)據(jù)應(yīng)用、視覺(jué)感知替代、自動(dòng)機(jī)器人和交互式游戲等應(yīng)用中極具挑戰(zhàn)性的關(guān)鍵技術(shù)，具有廣泛的應(yīng)用需求和重大的應(yīng)用研究?jī)r(jià)值。視覺(jué)物體分類(lèi)的研究目標(biāo)是發(fā)現(xiàn)圖像中的物體并決定其所屬類(lèi)別。本文在視覺(jué)詞袋模型框架下，研究視覺(jué)物體分類(lèi)中的局部特征建模方法，包括局部特征線(xiàn)性編碼、池化方式以及空間匹配方案，并給出了相應(yīng)的改進(jìn)方法，主要工作及創(chuàng)新點(diǎn)如下：
　　 (1)提出了局部約束主成分線(xiàn)性編碼方法。從分析局部特征與K個(gè)

2、近鄰視覺(jué)單詞的線(xiàn)性相關(guān)性和檢驗(yàn)局部線(xiàn)性編碼模型的顯著性著手，指出引起局部線(xiàn)性編碼模型中單個(gè)權(quán)重系數(shù)不顯著的根本原因?yàn)镵個(gè)近鄰視覺(jué)單詞之間的復(fù)共線(xiàn)性。為此，給出主成分估計(jì)的改進(jìn)辦法，該方法解決了復(fù)共線(xiàn)性帶來(lái)的不穩(wěn)定、均方誤差大的問(wèn)題。在Caltech-4圖像數(shù)據(jù)集上的視覺(jué)物體分類(lèi)實(shí)驗(yàn)結(jié)果表明，該方法提高了視覺(jué)物體分類(lèi)正確率。
　　 (2)提出了基于視覺(jué)詞匯主成分的局部約束線(xiàn)性編碼方法。通過(guò)分析發(fā)現(xiàn)局部約束主成分線(xiàn)性編碼方法在解決復(fù)

3、共線(xiàn)性問(wèn)題的同時(shí)也增加了編碼過(guò)程的時(shí)間開(kāi)銷(xiāo)。針對(duì)該問(wèn)題，本文將對(duì)于每個(gè)局部特征的K個(gè)近鄰視覺(jué)單詞的主成分的確定簡(jiǎn)化成對(duì)視覺(jué)詞匯只做一次主成分確定，視覺(jué)詞匯主成分的數(shù)量根據(jù)累積貢獻(xiàn)率而定。實(shí)驗(yàn)結(jié)果表明，基于視覺(jué)詞匯主成分的局部約束線(xiàn)性編碼方法將線(xiàn)性編碼時(shí)間減少了1/3；當(dāng)累積貢獻(xiàn)率為85％，視覺(jué)詞匯主成分個(gè)數(shù)為20時(shí)，基于視覺(jué)詞匯主成分的局部約束線(xiàn)性編碼方法的性能是最優(yōu)的，綜合考慮了編碼時(shí)間和分類(lèi)效果；本文提出的兩種線(xiàn)性編碼方法在每種池化

4、方式下都提高了分類(lèi)正確率，并且它們的分類(lèi)正確率相近，證明基于視覺(jué)詞匯主成分的局部約束線(xiàn)性編碼方法在減少時(shí)間開(kāi)銷(xiāo)的同時(shí)，保留了局部約束主成分線(xiàn)性編碼方法的優(yōu)點(diǎn)。
　　 (3)針對(duì)目前局部特征建模中引入空間位置信息的空間金字塔匹配方法缺乏對(duì)圖像中視覺(jué)物體平移、縮放和旋轉(zhuǎn)的考慮，本文提出一種基于視覺(jué)詞匯形狀描述模型的空間匹配方法。該方法相對(duì)于每個(gè)視覺(jué)單詞的幾何中心建立空間幾何模型，保證平移不變性；給出對(duì)數(shù)極坐標(biāo)空間金字塔匹配，對(duì)對(duì)數(shù)極

5、半徑和極角做等比例劃分，保證縮放不變性；并在空間金字塔劃分過(guò)程中確定極角的主方向，從而保證旋轉(zhuǎn)不變性。分別在Caltech-4數(shù)據(jù)集和自建圖像數(shù)據(jù)集上對(duì)該方法進(jìn)行了驗(yàn)證和比較。實(shí)驗(yàn)結(jié)果表明，該方法提高了分類(lèi)識(shí)別正確率，特別是對(duì)于包含明顯平移、縮放和旋轉(zhuǎn)變化的圖像數(shù)據(jù)集；而且該方法的方差變小，說(shuō)明其魯棒性更強(qiáng)。
　　 (4)在研究局部特征線(xiàn)性編碼方法的基礎(chǔ)上，討論局部特征編碼的池化方法，引進(jìn)指標(biāo)規(guī)范化。在Caltech-4數(shù)據(jù)集上

6、的實(shí)驗(yàn)結(jié)果表明，引入的指標(biāo)規(guī)范化降低了局部特征描述模型向量的稀疏性；明確了局部特征描述模型向量的稀疏程度對(duì)分類(lèi)結(jié)果的重要影響。
　　 (5)綜合本文提出的有關(guān)局部特征建模的方法進(jìn)行綜合實(shí)驗(yàn)。Matlab環(huán)境中的實(shí)驗(yàn)結(jié)果表明，Caltech-101圖像數(shù)據(jù)集上本文方法的平均分類(lèi)正確率(ACA)高于其它5種流行方法；Pascal VOC2007圖像數(shù)據(jù)集上本文方法在沒(méi)有考慮多種局部特征融合以及采用線(xiàn)性SVM分類(lèi)器的情況下，平均查準(zhǔn)率