基于視覺認(rèn)知的目標(biāo)識(shí)別技術(shù)研究.pdf

1、在機(jī)器學(xué)習(xí)、模式識(shí)別和計(jì)算機(jī)視覺等領(lǐng)域，目標(biāo)識(shí)別一直是最具挑戰(zhàn)性的難題之一。研究目標(biāo)識(shí)別技術(shù)是解決目標(biāo)跟蹤、行為理解和場(chǎng)景分析等復(fù)雜視覺任務(wù)的基礎(chǔ)，具有重要的實(shí)用價(jià)值和理論指導(dǎo)意義，已成為非常重要的研究熱點(diǎn)和難點(diǎn)。目標(biāo)識(shí)別是利用計(jì)算機(jī)對(duì)圖像進(jìn)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(shí)別技術(shù)的最終目標(biāo)是，使計(jì)算機(jī)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(jìn)入更加智能的未來。這也促進(jìn)了對(duì)生物視覺認(rèn)知機(jī)制

2、及其智能性進(jìn)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(shí)，傳統(tǒng)的基于統(tǒng)計(jì)學(xué)習(xí)的計(jì)算機(jī)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(jì)計(jì)算機(jī)視覺算法成為一項(xiàng)迫切而又富有挑戰(zhàn)性的任務(wù)。
　　本文主要針對(duì)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(jī)制開展研究工作，在深刻理解其運(yùn)行機(jī)制和原理的基礎(chǔ)上，將其運(yùn)用于目標(biāo)分類、識(shí)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(duì)優(yōu)化的算法模型進(jìn)行性能評(píng)估和分析，

3、取得了重要的進(jìn)展。首先，研究了兩個(gè)經(jīng)典的基于生物視覺的計(jì)算模型HTM（分層時(shí)序模型）和HAMX（分層最大化模型）。然后，結(jié)合視覺認(rèn)知機(jī)制重新設(shè)計(jì)優(yōu)化了傳統(tǒng)的計(jì)算機(jī)視覺模型。具體研究?jī)?nèi)容如下：
　　（1）針對(duì)傳統(tǒng)目標(biāo)識(shí)別模型存在通用性差、目前尚未與視覺認(rèn)知機(jī)制有效結(jié)合等難題，首先對(duì)HMAX和HTM兩個(gè)仿腦模型進(jìn)行了計(jì)算理論層次與算法設(shè)計(jì)層次上的分析，指出其本質(zhì)上和計(jì)算機(jī)視覺模型的原理對(duì)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(shí)別中的應(yīng)用。
　?。?）針對(duì)光照突變導(dǎo)致識(shí)別時(shí)檢測(cè)率低的問題，提出結(jié)合優(yōu)化的同態(tài)濾波算法，設(shè)計(jì)了基于Patch的更具區(qū)分性的LBP特征，改進(jìn)后的算法應(yīng)用于目標(biāo)識(shí)別系統(tǒng)，實(shí)驗(yàn)結(jié)果驗(yàn)證了優(yōu)化后算法的有效性和可行性。
　　（3）針對(duì)遮擋情況下，有效檢測(cè)目標(biāo)，并同時(shí)能識(shí)別出遮擋目標(biāo)的可見部分是目前面臨的一個(gè)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(shí)際工程價(jià)值。針對(duì)上述難點(diǎn)本文提出結(jié)合外觀特征和幀間運(yùn)動(dòng)信息對(duì)目標(biāo)進(jìn)行顯式遮擋建

5、模的方法。該方法將基于單幀的部件級(jí)目標(biāo)檢測(cè)與基于連續(xù)幀的目標(biāo)遮擋估計(jì)相融合，解決了因?yàn)榭衫眯畔⒉蛔銓?dǎo)致識(shí)別性能不高的難題，有效提升了遮擋情況下的目標(biāo)檢測(cè)率。
　?。?）針對(duì)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(cè)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(gè)簡(jiǎn)單單元層來表達(dá)目標(biāo)的不同視角，增加一個(gè)復(fù)雜單元層來表達(dá)不同視角簡(jiǎn)單單元的投票結(jié)果，從而完成視角不變的目標(biāo)檢測(cè)。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(duì)視角的學(xué)習(xí)，從而形成一個(gè)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(cè)試結(jié)果表明，改進(jìn)后的模型性能與傳統(tǒng)的計(jì)算模型相比，取得了更好的檢測(cè)效果。
　　（5）針對(duì)被檢測(cè)目標(biāo)在視角變化和遮擋時(shí)較難識(shí)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(shí)共有的LIOP特征(Local Intensit

7、y Order Pattern)對(duì)目標(biāo)進(jìn)行多角度識(shí)別的新算法。首先，利用二維Gabor濾波器組對(duì)輸入圖像進(jìn)行濾波，得到含有方向信息的Gabor特征響應(yīng)圖，進(jìn)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(shí)間復(fù)雜度，通過主成分分析算法（principal component analysis）對(duì)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(jī)(SVM)進(jìn)行訓(xùn)練學(xué)習(xí)