学位论文 > 优秀研究生学位论文题录展示
基于图像结构的目标检测方法研究
作 者: 杨风雷
导 师: 吕岳
学 校: 华东师范大学
专 业: 系统分析与集成
关键词: 目标检测 图像结构表示 稀疏结构 边缘结构 目标轮廓 拓扑关系 层次结构 共享结构
分类号: TP391.41
类 型: 博士论文
年 份: 2010年
下 载: 529次
引 用: 2次
阅 读: 论文下载
内容摘要
目标检测是图像理解的核心问题,对图像中各种变化的处理是目标检测面对的主要难题之一。结构反映了事物的内在关系以及上下文约束,是图像中相对稳定的信息特征,能够为图像中各种变化的有效处理提供有力支持。本文以图像结构信息的分析和提取为切入点,研究基于图像结构的目标检测技术,根据不同的检测任务,提出了多种基于图像结构的目标检测方法。本文的主要研究内容与创新之处有:(1)提出了一种基于图像结构的目标检测方法。图像稀疏结构的学习首先形成图像的稀疏结构表示,然后在此基础上通过Gentle Boosting学习算法进行分类器的训练。针对单一目标产生多个检测结果的问题,提出了一种非最大抑制的方法,经过两次抑制操作保证了检测的准确性。(2)提出了一种基于轮廓的目标检测方法。该方法通过“平均”训练集中目标样本的轮廓特征来定义目标轮廓模板,然后,通过一个结合TPS变换的检测过程来捕捉图像中的目标。该检测过程开始于种子区域的选择,接着在TPS变换的基础上计算种子区域与目标的轮廓模板的差别,不断地调整种子区域的边界,逐步接近整个目标对象的区域。(3)提出了一种基于图像拓扑层次结构的目标检测方法。该方法将图像区域之间的拓扑关系表示为一个层次结构,并将目标区域的上下文约束表示为层次结构的一个路径,通过路径匹配方法就可以检测出图像中潜在的目标区域。(4)提出了一种基于多尺度Shape Context的目标检测方法。该方法使用不同尺度的目标部分构成目标的层次结构表示,把目标检测问题视为Bayesian MAP的优化问题,然后把MAP问题进一步转化为两个最大似然问题。通过两个似然函数的最大化,完成目标检测的任务。(5)提出了一种基于图像共享结构学习的目标检测方法。在共享结构的学习中,使用了一种简单的似然模型,该模型不需定义任何的结构形式,不需使用码字表,也不需指定特征拥有者,为各种复杂的图像结构的提取提供了足够的弹性。共享结构的学习采取无监督的方式进行,可以应用于各种复杂检测任务中。
|
全文目录
论文摘要 6-7 ABSTRACT 7-13 第1章 绪论 13-22 1.1 引言 13-14 1.2 目标检测方法概述 14-20 1.2.1 相关研究工作 14-16 1.2.2 基本方法 16-20 1.3 本文的研究内容及结构 20-21 1.4 本文的主要创新之处 21-22 第2章 基于图像稀疏结构学习的目标检测方法 22-35 2.1 引言 22-24 2.2 图像稀疏结构的学习 24-28 2.2.1 码字表的构建 25-26 2.2.2 图像的表示 26-27 2.2.3 分类器学习 27-28 2.3 目标检测方法 28-29 2.4 实验结果 29-33 2.5 小结 33-35 第3章 基于边缘结构的目标检测方法 35-58 3.1 引言 35-36 3.2 中低层边缘结构的检测 36-39 3.2.1 底层边缘结构检测 37-38 3.2.2 中层边缘结构的检测 38-39 3.3 基于边缘对比结构学习的目标检测方法 39-48 3.3.1 方法简介 40-41 3.3.2 边流检测方法 41-44 3.3.3 基于边流的特征描述 44-46 3.3.4 核函数的学习 46-47 3.3.5 实验结果 47-48 3.4 基于轮廓的目标检测 48-57 3.4.1 图像层次分割 49-50 3.4.2 Shape Context与目标轮廓定义 50-52 3.4.3 检测方法 52-55 3.4.4 实验结果 55-57 3.5 小结 57-58 第4章 基于图像层次结构的目标检测方法 58-72 4.1 引言 58-59 4.2 基于拓扑层次结构的目标检测 59-66 4.2.1 层次性拓扑结构的定义 60-61 4.2.2 路径匹配与目标检测 61-62 4.2.3 实验结果 62-66 4.3 基于多尺度Shape Context的目标检测 66-70 4.3.1 目标多尺度Shape Context的定义 66-67 4.3.2 目标检测的概率模型 67-69 4.3.3 实验结果 69-70 4.4 小结 70-72 第5章 基于共享结构学习的目标检测方法 72-93 5.1 引言 72-73 5.2 相关方法 73-76 5.2.1 HOG方法 73-74 5.2.2 Mean-shift方法 74-75 5.2.3 Bayesian学习方法 75-76 5.3 共享结构的学习模型 76-78 5.4 特征提取 78-82 5.4.1 稀疏取样 78-81 5.4.2 密集取样 81 5.4.3 两种取样方式的平衡 81-82 5.4.4 特征描述的选择 82 5.5 聚类和分层 82-84 5.5.1 聚类 82-84 5.5.2 分层 84 5.6 稳定空间关系的检测 84-87 5.6.1 空间关系的离散化 85-86 5.6.2 投票方案 86-87 5.7 实验结果 87-92 5.7.1 单一目标的检测 88 5.7.2 多目标检测 88-92 5.8 小结 92-93 第6章 总结与展望 93-96 6.1 本文总结 93-95 6.2 研究展望 95-96 参考文献 96-105 作者攻读博士学位期间发表的学术论文 105-106 后记 106-107
|
相似论文
- 双传感器图像联合目标检测及系统实现研究,TP391.41
- 基于嵌入式图像处理单元的运动目标跟踪系统研究,TP391.41
- 移动机器人视觉检测和跟踪研究,TP242.62
- 基于运动目标轨迹分析的智能交通监控系统,TP277
- 基于视频的运动目标检测与跟踪方法应用研究,TP391.41
- 基于支持向量机的视频目标检测方法研究,TP391.41
- 视频运动目标跟踪方法研究,TP391.41
- 视频中多运动目标分类的研究,TP391.41
- 运动目标检测和跟踪算法研究,TP391.41
- 视频监控若干技术研究,TP391.41
- 基于全方位视觉的多运动目标检测、跟踪与定位,TP391.41
- 基于混合高斯的背景建模与更新算法的研究与实现,TP391.41
- 基于主动视觉的运动目标检测与跟踪研究,TP391.41
- 嵌入式多参数环境智能监测系统的设计与实现,TP274
- 基于活动轮廓模型的行人检测方法研究,TP391.41
- 复杂背景下红外小目标检测方法研究,TN215
- 天空背景下红外弱小目标的检测与跟踪算法研究,TN215
- 基于类内共享特征模型的多类遥感图像目标识别方法研究,TP751
- 视频监控运动目标检索方法研究,TP391.41
- 安防监控系统中运动目标检测算法研究,TP391.41
- 基于视频监控的特定目标识别研究,TP391.41
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|