

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認(rèn)領(lǐng)
文檔簡介
1、在機器學(xué)習(xí)、模式識別和計算機視覺等領(lǐng)域,目標(biāo)識別一直是最具挑戰(zhàn)性的難題之一。研究目標(biāo)識別技術(shù)是解決目標(biāo)跟蹤、行為理解和場景分析等復(fù)雜視覺任務(wù)的基礎(chǔ),具有重要的實用價值和理論指導(dǎo)意義,已成為非常重要的研究熱點和難點。目標(biāo)識別是利用計算機對圖像進行處理、分析和理解,獲取感興趣的目標(biāo)或區(qū)域相關(guān)信息的技術(shù)。研究目標(biāo)識別技術(shù)的最終目標(biāo)是,使計算機像人腦視皮層一樣快捷高效地“讀懂”圖片的內(nèi)容,引領(lǐng)我們進入更加智能的未來。這也促進了對生物視覺認(rèn)知機制
2、及其智能性進行研究的興趣。尤其是在復(fù)雜惡劣環(huán)境下,需要處理視覺信息時,傳統(tǒng)的基于統(tǒng)計學(xué)習(xí)的計算機視覺方法遇到較大困難。鑒于此,如何從視覺認(rèn)知的角度去研究和設(shè)計計算機視覺算法成為一項迫切而又富有挑戰(zhàn)性的任務(wù)。
本文主要針對生物視覺認(rèn)知系統(tǒng)的關(guān)鍵環(huán)節(jié)—分層最大化和學(xué)習(xí)機制開展研究工作,在深刻理解其運行機制和原理的基礎(chǔ)上,將其運用于目標(biāo)分類、識別系統(tǒng),并在靜態(tài)2D圖像數(shù)據(jù)集和連續(xù)幀2D圖像數(shù)據(jù)集上對優(yōu)化的算法模型進行性能評估和分析,
3、取得了重要的進展。首先,研究了兩個經(jīng)典的基于生物視覺的計算模型HTM(分層時序模型)和HAMX(分層最大化模型)。然后,結(jié)合視覺認(rèn)知機制重新設(shè)計優(yōu)化了傳統(tǒng)的計算機視覺模型。具體研究內(nèi)容如下:
(1)針對傳統(tǒng)目標(biāo)識別模型存在通用性差、目前尚未與視覺認(rèn)知機制有效結(jié)合等難題,首先對HMAX和HTM兩個仿腦模型進行了計算理論層次與算法設(shè)計層次上的分析,指出其本質(zhì)上和計算機視覺模型的原理對應(yīng)關(guān)系。然后,詳細(xì)分析了視覺認(rèn)知理論在目標(biāo)分類、
4、識別中的應(yīng)用。
?。?)針對光照突變導(dǎo)致識別時檢測率低的問題,提出結(jié)合優(yōu)化的同態(tài)濾波算法,設(shè)計了基于Patch的更具區(qū)分性的LBP特征,改進后的算法應(yīng)用于目標(biāo)識別系統(tǒng),實驗結(jié)果驗證了優(yōu)化后算法的有效性和可行性。
?。?)針對遮擋情況下,有效檢測目標(biāo),并同時能識別出遮擋目標(biāo)的可見部分是目前面臨的一個主要挑戰(zhàn),研究該方向有具有一定的理論指導(dǎo)意義和實際工程價值。針對上述難點本文提出結(jié)合外觀特征和幀間運動信息對目標(biāo)進行顯式遮擋建
5、模的方法。該方法將基于單幀的部件級目標(biāo)檢測與基于連續(xù)幀的目標(biāo)遮擋估計相融合,解決了因為可利用信息不足導(dǎo)致識別性能不高的難題,有效提升了遮擋情況下的目標(biāo)檢測率。
?。?)針對傳統(tǒng)的視皮層前饋分層模型僅局限于探討目標(biāo)分類問題,提出了一種面向多視角目標(biāo)檢測的視皮層前饋分層模型。該模型采用基于視角的目標(biāo)表達(dá)方法,通過增加一個簡單單元層來表達(dá)目標(biāo)的不同視角,增加一個復(fù)雜單元層來表達(dá)不同視角簡單單元的投票結(jié)果,從而完成視角不變的目標(biāo)檢測。學(xué)
6、習(xí)方面,在原有的底層特征分片學(xué)習(xí)的基礎(chǔ)上,該模型在高層增加了對視角的學(xué)習(xí),從而形成一個兩層的學(xué)習(xí)結(jié)構(gòu),這一結(jié)構(gòu)可以有效的提高學(xué)習(xí)的效率。在PASCAL VOC2011數(shù)據(jù)集上的測試結(jié)果表明,改進后的模型性能與傳統(tǒng)的計算模型相比,取得了更好的檢測效果。
?。?)針對被檢測目標(biāo)在視角變化和遮擋時較難識別的問題,提出利用多特征融合的方式來降低視角的干擾,聯(lián)合利用Gabor特征和視角變換時共有的LIOP特征(Local Intensit
7、y Order Pattern)對目標(biāo)進行多角度識別的新算法。首先,利用二維Gabor濾波器組對輸入圖像進行濾波,得到含有方向信息的Gabor特征響應(yīng)圖,進而通過相關(guān)算法得到具有尺度及平移不變的特征向量。其次,通過幾何變換算法獲得不同視角下的LIOP特征向量。然后,為了降低時間復(fù)雜度,通過主成分分析算法(principal component analysis)對聯(lián)合特征降維。最后,把降維后的特征向量輸入支持向量機(SVM)進行訓(xùn)練學(xué)習(xí)
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于視覺認(rèn)知的自然圖像目標(biāo)識別研究.pdf
- 基于單目視覺的水下目標(biāo)識別與定位技術(shù)研究.pdf
- 目標(biāo)識別技術(shù)研究.pdf
- 光視覺球形目標(biāo)識別技術(shù)的研究.pdf
- 基于聲納圖像的目標(biāo)識別技術(shù)研究.pdf
- 基于KINECT的室內(nèi)目標(biāo)識別技術(shù)研究.pdf
- 基于視覺的水下目標(biāo)識別算法研究.pdf
- 海上目標(biāo)識別技術(shù)研究.pdf
- 基于視覺的帶電作業(yè)機器人作業(yè)目標(biāo)識別技術(shù)研究.pdf
- 基于張量學(xué)習(xí)的目標(biāo)識別技術(shù)研究.pdf
- 基于紅外圖像的目標(biāo)識別技術(shù)研究.pdf
- 基于視覺通路目標(biāo)識別算法的研究.pdf
- 基于模糊邏輯控制的目標(biāo)識別技術(shù)研究.pdf
- 基于圖像內(nèi)容的水下目標(biāo)識別技術(shù)研究.pdf
- 基于特征融合的自動目標(biāo)識別技術(shù)研究.pdf
- 艦船目標(biāo)識別技術(shù)研究.pdf
- 水下目標(biāo)識別技術(shù)研究.pdf
- 基于集成學(xué)習(xí)的視覺目標(biāo)識別.pdf
- 基于SIFT和NDLT的目標(biāo)識別技術(shù)研究.pdf
- 基于視頻的多運動目標(biāo)識別技術(shù)研究.pdf
評論
0/150
提交評論