形狀的潛在語義結(jié)構(gòu)表示及匹配研究.pdf

1、以視覺感知為特征的機器系統(tǒng)具有非常廣泛的應(yīng)用領(lǐng)域，如智能視頻分析、智能交通、場景識別、戰(zhàn)場感知、景象匹配制導、遙感圖像分析、圖像檢索、自動導航、機器人工件抓取等。然而，那些具有視覺感知能力的機器的性能及其應(yīng)用前景又依賴于目標表示和識別所能達到的水平，目標表示與識別的性能水平成為了機器實現(xiàn)視覺感知能力的技術(shù)瓶頸，同時，它還是任何一個具有視覺感知能力的實際應(yīng)用系統(tǒng)的核心問題和關(guān)鍵技術(shù)。形狀是物體最基本的有感知意義的特征之一，因此對形狀表示和

2、識別方法的研究一直是計算機視覺領(lǐng)域的熱點問題。
　　形狀表示的最大難點在于形狀容易受到形變或扭曲等因素的干擾。目前，主流的基于輪廓的全局、及結(jié)構(gòu)化表示方法都是依靠構(gòu)建魯棒的描述器來消除各種干擾因素對形狀的影響，但這種僅依靠構(gòu)建描述器的方法并不能很好的解決較大干擾因素的對形狀的影響。為此，本文提出了一種新的形狀表示研究思路，即：形狀的潛在語義結(jié)構(gòu)模型（ShapeLatentSemanticStructureModel,SLSSM）。

3、與以往構(gòu)建描述器的表示方法相比，SLSSM模型不再僅依靠構(gòu)建魯棒的描述器來消除各種干擾因素對形狀的影響；而是首先容忍較大形變或扭曲等干擾因素對形狀局部輪廓的影響，然后通過語義分析方法挖掘出受干擾影響的局部輪廓之間的真實語義關(guān)系，從而獲取形狀的潛在語義結(jié)構(gòu)。
　　SLSSM模型主要包含以下幾部分：特征檢測、形狀分割、局部輪廓描述、形狀單詞構(gòu)建、形狀語義。其中，形狀單詞和形狀語義是本文提出的新的概念，同時也是該模型的重點和難點。形狀單

4、詞的概念與文本中單詞概念類似，表示的是在形態(tài)上具有相似性的一類局部輪廓。當形狀受到較大干擾因素影響后，其局部輪廓在形態(tài)上的差異性會變得很大，這樣的局部輪廓將會被表示為不同的形狀單詞，但它們之間的語義關(guān)系卻是一樣的；也就是說形狀單詞也有類似于文本單詞的“近義詞”語義歧義現(xiàn)象。為此，本文采用潛在語義模型挖掘形狀單詞之間的真實語義關(guān)系，從而獲得形狀的潛在語義結(jié)構(gòu)。
　　最后，本文在多種常用的形狀數(shù)據(jù)庫下驗證了SLSSM形狀表示模型的有效