基于多特征融合的室內(nèi)物體分類方法研究.pdf

1、物體分類，其實(shí)質(zhì)就是以計(jì)算機(jī)的角度識別出圖像或者視頻中所包含物體的類別，如臺燈、椅子等。近年來，由于智能移動設(shè)備的大范圍普及和網(wǎng)絡(luò)技術(shù)的快速發(fā)展，數(shù)字圖像的數(shù)量每天都在爆炸式地增長。面對海量的圖像信息，人們希望能夠利用計(jì)算機(jī)技術(shù)來快速有效地處理這些數(shù)據(jù)并從中提煉到有價值的信息，這就促使了物體分類領(lǐng)域的產(chǎn)生。
　　本文是在詞袋模型框架的基礎(chǔ)上，研究物體分類技術(shù)中有效的多特征融合方法。鑒于單一特征在物體類別比較多的情況下，存在著對物體

2、外觀特征表達(dá)不完整的現(xiàn)象，多特征融合技術(shù)逐漸成為一個熱門的研究方向，并取得一定成果，但同時還存在諸多的問題，例如：時間空間開銷不可避免會增大、單一特征的缺點(diǎn)也有可能會被放大等等。本文的主要研究工作就是如何在提高物體類別識別正確率的同時，有效地解決以上兩個問題，具體的工作有以下幾個方面：
　?。?）提取圖像的尺度不變特征轉(zhuǎn)換(SIFT)特征和多尺度的局部二值模式(LBP)特征。SIFT特征是一種發(fā)展較為成熟的多尺度特征，描述的是圖像

3、的梯度方向信息，并且對室內(nèi)物體光照條件比較弱的特性具有較好的解決能力。LBP特征描述的圖像的紋理信息，而多尺度LBP特征提取到的圖像紋理信息則更為詳細(xì)。本文采用這兩種特征進(jìn)行融合，可以結(jié)合兩者各自的優(yōu)勢并相互補(bǔ)充，進(jìn)而對圖像進(jìn)行更全面的特征描述。
　?。?）本文將詞袋模型中詞包的概念應(yīng)用到LBP算法中，提出一種基于詞袋模型的LBP特征提取方法，與常用的LBP特征提取方法相比，可以有效地降低圖像LBP特征向量的維數(shù)，從而降低后續(xù)對物