基于復雜網(wǎng)絡的圖像目標識別方法研究.pdf

1、圖像目標識別技術是人工智能研究的重點領域之一。在視頻監(jiān)控、人機交互、交通監(jiān)控、行為識別、自動導航等方面都有大量成功應用的例子。目前已經(jīng)形成了許多有價值的目標識別方法。根據(jù)識別過程用到的目標對象特征，可以將目標識別方法大致劃分為基于區(qū)域的算法、基于輪廓的算法、基于模型的算法以及基于特征的算法四類。根據(jù)所采用算法的不同，又可以將目標識別方法大致劃分為基于濾波理論的目標識別方法、基于MeanShift的目標識別方法、基于偏微分方程的目標識別方

2、法等三類。值得注意的是，由于這些識別方法多與圖像中點的位置和順序緊密相關，因此在面對圖像平面旋轉不變性、平移不變性、縮放不變性等特性時，其識別效果都有不同程度的減弱，在實際應用中，圖像輪廓輕微變化、光照強度小幅度變化以及局部遮擋等因素都會對識別效果產(chǎn)生不良影響。
　　 復雜網(wǎng)絡是復雜系統(tǒng)理論中的重要研究對象，復雜網(wǎng)絡理論研究受到越來越多研究者的重視，相關的概念和方法都是當前的研究熱點。復雜網(wǎng)絡利用數(shù)學圖論建立模型，僅考慮節(jié)點間的

3、相對位置等拓撲關系，對網(wǎng)絡節(jié)點間的順序關系、節(jié)點所處位置等關注較少，網(wǎng)絡圖的整體旋轉、平移等對復雜網(wǎng)絡拓撲特性沒有影響。因此，如果能夠利用復雜網(wǎng)絡作為平面圖像邊界形狀的描述模型，并在此基礎上建立形狀識別算法，那么這種算法將能夠有效地適應圖像邊界形狀的改變。
　　 本文在現(xiàn)有相關研究基礎上，將復雜網(wǎng)絡方法應用于圖像目標識別領域，針對形狀輪廓識別和灰度圖像識別等應用環(huán)境，提出一類基于復雜網(wǎng)絡的圖像目標識別方法。通過將基于輪廓的圖像識

4、別方法與復雜網(wǎng)絡方法優(yōu)點相融合，本文方法既保留基于輪廓的識別方法所具有的過程簡單、識別效率高等特點，又充分發(fā)揮復雜網(wǎng)絡方法僅考慮網(wǎng)絡拓撲結構，與節(jié)點位置、順序無關等特點，克服了圖像輪廓輕微變化、光照強度小幅度變化以及局部遮擋等因素對識別方法的影響，使得識別方法具有平面旋轉不變性、平移不變性、縮放不變性以及一定程度的容噪性。
　　 本文研究內(nèi)容屬于二維序列圖像中的目標識別。通過獲取目標的輪廓，對運動目標進行識別，目標行為的跟蹤、分

5、析、描述和理解提供可靠的數(shù)據(jù)支持。本文方法的主要技術路線是首先對待識別的圖像提取形狀輪廓和灰度輪廓組，分別保留圖像的形狀特征和顏色特征。然后將上述輪廓以圖的形式表示，利用復雜網(wǎng)絡理論建立相應的網(wǎng)絡模型，并計算與復雜網(wǎng)絡相關的參數(shù)。最后通過對所有網(wǎng)絡模型提取特征參數(shù)，匯集形成識別參數(shù)，產(chǎn)生圖像目標識別算法用于對象目標的識別和分類。
　　 本文研究內(nèi)容的創(chuàng)新性主要體現(xiàn)在以下幾個方面:
　　 (1)融合復雜網(wǎng)絡與輪廓識別方法。

6、利用復雜網(wǎng)絡方法抽取目標的輪廓拓撲信息，形成識別參數(shù)，將復雜網(wǎng)絡方法的優(yōu)點融入到基于輪廓的目標識別方法中，簡化目標網(wǎng)絡模型的復雜程度，增強識別方法的容噪性，形成一種有效的目標識別方法。
　　 (2)控制復雜網(wǎng)絡規(guī)模。本文通過利用圖像輪廓、使用簡單網(wǎng)絡參數(shù)、改進建模步驟等方式，從多個方面控制復雜網(wǎng)絡模型的規(guī)模，減少識別方法占用的存儲空間，縮短計算時間。在更簡單的網(wǎng)絡模型基礎上，獲取盡可能多的拓撲信息用于目標識別。
　　 (

7、3)改進圖像輪廓提取方法。本文提出針對灰度圖像分別提取形狀輪廓、灰度輪廓用于復雜網(wǎng)絡目標識別的新思路，綜合利用灰度圖像中目標對象的形狀特征、色彩特征，提升目標間的區(qū)別度，提升識別效率。其中，在灰度輪廓提取方面，本文提出一種使用簡單的二值化圖像去除鄰接點的輪廓提取方法，既克服了二值化圖像像素點多的缺點，又在一定程度上保留了圖像的色彩信息。
　　 (4)調整閾值參數(shù)和識別參數(shù)。本文在閾值參數(shù)和識別參數(shù)選取方面做了改進。提出一種距離閾

8、值判定(DTD)方法，利用樣本組的輪廓計算判定參數(shù)，用于協(xié)助確定距離閾值的取值范圍，減少主觀判斷造成的識別效果不確定性。選擇識別參數(shù)時，使用了基于節(jié)點度的一系列簡單的網(wǎng)絡參數(shù)，通過一次計算得到一組參數(shù)，既反映了更豐富的網(wǎng)絡模型的拓撲特征，也減少了計算量。
　　 仿真實驗數(shù)據(jù)證明本文方法具有對輪廓圖精確度依賴性較低、復雜網(wǎng)絡規(guī)模小、閾值參數(shù)少、能有效適應邊界形狀改變等優(yōu)點，在給定的形狀輪廓識別、灰度圖像識別應用方面具有較高的準確率