学位论文 > 优秀研究生学位论文题录展示

面向图像处理的概率图模型应用研究

作　者: 孙建中
导　师: 熊忠阳
学　校: 重庆大学
专　业: 计算机科学与技术
关键词: 概率图模型视觉跟踪非匀质图像 Gibbs抽样 Dirichlet过程模型
分类号: TP391.41
类　型: 博士论文
年　份: 2013年
下　载: 145次
引　用: 0次
阅　读: 论文下载

内容摘要

在图像信息智能分析中，不确定性问题的研究成为一项重要而又具有挑战性的工作，概率图模型为解决这一问题提供了一种重要途径。本文对基于概率图模型的图像局部特征描述、非匀质图像分割和视觉跟踪的问题进行了深入研究。图像局部特征描述的核心问题是不变性(鲁棒性)和可区分性。然而特征描述子的可区分性的强弱和其不变性是矛盾的，也就是说，一个具有诸多不变性的特征描述子，它区分图像局部内容的能力就稍弱；而一个非常容易区分不同图像局部内容的特征描述子，它的鲁棒性往往比较低。因此，在基于局部特征的图像处理中，研究不仅具有较强不变性、还具有较好区分性的特征描述子有着重要意义。非匀质图像是包含有多个灰度级目标的图像。传统方法中的边界模型虽然能够分割非匀质图像，但对噪声、弱边缘或不连续边较敏感，而区域模型中分片匀质的统计假设，使其无法分割灰度非匀质图像。因此，研究基于概率图模型融合局部特征信息的区域模型，对非匀质图像进行快速分割的问题，有着较重要的学术价值和应用前景。视觉跟踪过程中，目标表观的动态变化容易造成目标漂移或丢失问题。传统的模型更新算法大多采用固定的先验模型克服该问题。一方面，普适的固定先验容易使被跟踪目标漂移到相似的对象；另一方面，受限的固定先验因无法处理突变的目标表观而导致跟踪失败。因此，在跟踪过程中，利用概率图模型解决不确定性信息的能力，构建在线自适应先验表观模型是具有良好应用前景的研究方向。论文取得的主要成果与创新工作概括如下：①在形状变化、被遮挡、噪声情况下，存在难以完整分割目标形状的问题，为此，提出一种采用隐含形状约束马尔可夫随机场模型的形状分割方法。引入目标的先验形状知识，用水平集符号距离函数隐含表示目标的先验形状模型；以先验形状模型作为约束构造出MRF能量函数；采用graph cut法求解能量函数极小值，利用形状对准和最大流法演化初始轮廓，快速准确地分割出目标的形状。实验表明新方法能有效快速分割带遮挡、噪声以及发生形状变化的目标，增强了形状分割的鲁棒性。②针对灰度非匀质图像分割困难及效率低下的问题，提出了一种基于马尔可夫随机场的局部区域活动轮廓模型快速分割方法。该方法结合核函数和割测度定义一个新的能量函数。一方面，在中心点被核函数掩模的局部区域内，用邻近点的加权均值拟合数据项，能有效处理图像的非匀质分布。另一方面，用割测度逼近的曲线长度作为全局正则性，利于轮廓快速定位于物体边界。在轮廓演化过程中，使用基于栅格图的最大流算法，避免了传统模型计算代价高昂的水平集函数。合成图像和真实图像的实验结果表明，提出的方法能有效快速地分割灰度非匀质图像中的弱边缘物体及复杂的多灰阶结构物体；对初始轮廓线位置和噪声具有较好的鲁棒性。③针对目标跟踪过程中，可变目标表观的特征数据会发生“分布漂移”的问题，基于时间Dirichlet过程混合模型，提出了一种学习多模表观模型的方法并用于目标跟踪。以时间Dirichlet过程为先验分布，把先前估计的目标样本划分为不同的聚集，使得每个聚集表示一类表观，每个表观类被建模为判别式分类器；基于贝叶斯后验推断，权衡先前表观模型的分类误差和拆分聚集的代价，从数据中自主学习表观模型；基于Noisy-OR模型，以贪心（Greedy）策略协同各表观分类器判别出目标。仿真结果表明该方法能较好的跟踪可变目标表观，改善了目标跟踪性能。④为有效解决视觉跟踪过程中的目标“漂移”问题，基于分层Dirichlet过程演化聚类模型，提出一种采用自适应先验表观模型的目标跟踪方法。该方法在一致的架构内融合HDP-EVO演化聚类模型和在线Boosting学习。以分层Dirichlet过程为先验分布，对总体表观示例进行聚类分析，获得随时间自适应演化的表观类先验知识；另一方面，利用共享的表观类混合比例的权重平滑约束各时刻的表观模型；改进Gibbs抽样过程，使之能融入目标示例的分类误差，并交替迭代地从数据中自主学习聚类和表观分类器；根据表观模型中各表观类的权重系数组合它们的分类评分去定位目标位置。仿真实验表明新方法学习的表观模型能较鲁棒的自适应于目标的表观变化，提高了目标跟踪精度。

全文目录

摘要  3-5
ABSTRACT  5-11
1 绪论  11-27
  1.1 研究背景和意义  11-15
    1.1.1 研究背景  11-12
    1.1.2 选题意义  12-15
  1.2 国内外研究现状  15-23
    1.2.1 概率图研究现状  15-17
    1.2.2 图像分割研究现状  17-20
    1.2.3 视觉跟踪研究现状  20-23
  1.3 主要研究内容和创新点  23-25
  1.4 本文系统框架和组织结构  25-27
2 概率图模型分析  27-49
  2.1 概率图模型简介  27-29
  2.2 相关研究的概率图模型  29-40
    2.2.1 隐马尔可夫模型  29-32
    2.2.2 高斯混合模型  32-35
    2.2.3 Dirichlet 过程混合模型  35-37
    2.2.4 分层 Dirichlet 过程—隐马尔可夫模型  37-40
  2.4 概率图模型推理方法  40-48
    2.4.1 图割法  40-45
    2.4.2 马尔可夫链蒙特卡罗方法  45-48
  2.5 本章小结  48-49
3 图像局部特征的不确定性描述  49-73
  3.1 引言  49-51
  3.2 非下采样 Contourlet 变换的局部特征描述方法  51-64
    3.2.1 非下采样 Contourlet  51-52
    3.2.2 各向异性扩散  52-53
    3.2.3 SIFT 算子  53-54
    3.2.4 模糊各向异性的边缘增强方法  54-57
    3.2.5 融合 SIFT 的关键点检测方法  57-59
    3.2.6 仿真实验分析  59-64
  3.3 隐含先验约束的形状特征  64-72
    3.3.1 隐含先验形状  65-66
    3.3.2 基于 MRF 的图像分割模型  66-67
    3.3.3 隐含先验约束 MRF 的形状分割  67-70
    3.3.4 仿真实验分析  70-72
  3.4 本章小结  72-73
4 快速非匀质图像分割方法  73-85
  4.1 引言  73-74
  4.2 基于区域的活动轮廓模型  74-75
  4.3 提出的灰度非匀质图像分割方法  75-79
    4.3.1 定义能量函数  75-78
    4.3.2 最小化能量函数  78-79
    4.3.3 复杂度分析  79
  4.4 仿真实验分析  79-83
  4.5 本章小结  83-85
5 基于时间 Dirichlet 过程演化的在线学习目标跟踪方法  85-97
  5.1 引言  85
  5.2 时间 Dirichlet 过程  85-86
  5.3 基于时间 Dirichlet 过程的表观模型  86-91
    5.3.1 基本定义  86-88
    5.3.2 结构分析  88-89
    5.3.3 后验推断  89-91
  5.4 目标跟踪  91
  5.5 仿真实验分析  91-95
  5.6 本章小结  95-97
6 基于分层 Dirichlet 过程演化的在线学习目标跟踪方法  97-109
  6.1 引言  97
  6.2 HDP-EVO 模型  97-100
  6.3 基于分层 Dirichlet 过程演化聚类的表观模型  100-104
    6.3.1 任务描述  100
    6.3.2 基于 HDP-EVO 的后验推断  100-104
    6.3.3 目标跟踪  104
  6.4 仿真实验分析  104-108
  6.5 本章小结  108-109
7 总结与展望  109-111
致谢  111-113
参考文献  113-123
附录  123
  A 作者在攻读学位期间发表的论文目录  123
  B 作者在攻读学位期间参加的科研项目  123

相似论文

贝叶斯方法下二值与多值序次数据模型与异常点的同时识别,O212.1
隐马尔可夫模型在视频场景分析中的应用研究,TP391.41
马尔科夫协整转换模型的研究,F224
基于CUDA的粒子滤波并行算法研究,TP391.41
基于SIFT的视觉跟踪算法研究,TP391.41
多特征融合的视觉跟踪算法研究,TP391.41
基于概率图模型的态势估计,E917
基于图像的主动视觉跟踪技术研究,TP391.41
基于粒子滤波的可靠视觉跟踪技术研究,TP391.41
基于机器视觉的智能车跟踪系统研究与实现,TP391.41
基于Contourlet概率图模型的遥感图像边缘检测与分割研究,TP751
基于视觉的三维纺织复合材料预制件单面缝合接缝检测与缝合仿真研究,TP391.41
曲线轨迹的机器人视觉跟踪系统研究,TP242.62
基于SURF的主动视觉跟踪技术的研究,TP391.41
基于马尔科夫逻辑网络的实体解析技术研究及系统实现,TP18
嵌入式视觉跟踪系统研究,TP391.41
室内环境下基于单目视觉的目标跟踪方法研究,TP242
基于概率图模型的图像特征点匹配算法,TP391.41
概率图上的流形学习,TP181
基于视觉的运动汽车跟踪技术研究,TP391.41
基于像素级空间金字塔和乘法融合的目标跟踪,TP391.41