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

基于图像结构的目标检测方法研究

内容摘要

全文目录

相似论文