学位论文 > 优秀研究生学位论文题录展示

基于局部特征的结构模型学习及其在目标检测与定位中的应用

作　者: 刘足华
导　师: 熊惠霖
学　校: 上海交通大学
专　业: 控制工程
关键词: 复杂图像 SIFT局部特征 随机森林分类器 结构模型学习 判别式码本模型 概率Hough投票
分类号: TP391.41
类　型: 硕士论文
年　份: 2012年
下　载: 124次
引　用: 0次
阅　读: 论文下载
 

内容摘要


目标检测是图像处理与计算机视觉领域的一个重要的研究领域。是图像理解﹑自动图像分割﹑运动目标跟踪﹑场景理解等应用的基础。现实场景生成的图像往往存在光照强度变化﹑目标尺度缩放﹑成像视角不同﹑目标遮挡以及冗余背景干扰等诸多复杂情况,对这种复杂场景图像中各种变化的处理是目标检测方法需要面对的一个难题。由于目标的局部信息所形成的结构往往是目标中比较稳定的特征信息。比如,人脸的面部特征(眼睛,鼻子,嘴巴)就是一个典型的例子。局部特征是根据某种显著性准则定义的与其邻域相区别的图像表征。它对图像中的各种变化(几何变化、光照变化、仿射失真、目标遮挡、背景混淆)常常具有较强的鲁棒性,所以使用局部特征和空间结构模型来解决复杂图像中目标检测的问题是可行的。本文基于以上认识提出了一种基于SIFT局部特征和随机森林分类器的结构模型学习算法,并利用概率投票模型对复杂图像中目标进行检测与定位。其主要过程如下:1)结构模型学习,采用从训练图像中提取出来的SIFT特征来构造一个随机森林分类器。在决策树的每个叶子节点中,记录到达该节点的局部特征相对于目标中心的偏移量及其相应的类别信息﹑以及该叶子节点的类别信息。决策树中所有叶子节点就可以看作是一个基于树型结构的判别式投票码本模型。2)目标检测,首先对从测试图像中提取出来的SIFT局部特征进行类别粗分类,并通过广义Hough变换对可能的目标中心进行概率Hough投票。这样得到的概率投票具有良好的准确性和可靠性。接着对概率投票空间进行搜索得到概率密度峰值区域,即候选的目标中心,再利用底层分割信息来验证候选的目标中心。这样做的目的是为了减少目标的错误检测,提高算法的检测精度。我们使用多视角的摩托车图像集和UIUC-Cars图像集对本文提出的算法的性能进行评估和分析。得到的结论是:该算法可以较好地解决复杂图像中目标存在尺度变化﹑视角变化,目标之间存在遮挡,光照变化和强背景干扰等情况下目标检测与定位问题。

全文目录


摘要  3-5
ABSTRACT  5-9
第一章 绪论  9-17
  1.1 研究背景及意义  9-10
  1.2 本课题的研究现状  10-15
    1.2.1 局部特征提取算法的研究现状  11-12
    1.2.2 图像表示方法的研究现状  12-15
  1.3 本文研究内容及结构安排  15-17
第二章 SIFT 局部特征  17-29
  2.1 引言  17-18
  2.2 SIFT 局部特征提取  18-28
    2.2.1 尺度空间的构建  18-22
    2.2.2 局部极值点的检测  22-23
    2.2.3 候选特征点的精确定位  23-25
    2.2.4 特征点主方向的计算  25-27
    2.2.5 特征点描述子的生成  27-28
  2.3 本章小结  28-29
第三章 基于随机森林分类器的结构模型学习  29-42
  3.1 随机森林  29-36
    3.1.1 决策树  30-33
    3.1.2 随机森林的数学理论基础  33-36
  3.2 基于SIFT 局部特征的随机森林分类器  36-39
    3.2.1 构建随机森林的输入样本  36-37
    3.2.2 分支节点的分裂机制  37-38
    3.2.3 叶子节点  38-39
  3.3 基于随机森林分类器的结构模型学习  39-41
  3.4 本章小结  41-42
第四章 基于概率投票模型的目标检测与定位  42-61
  4.1 Mean Shift 算法  43-52
    4.1.1 非参数的核密度估计  43-48
    4.1.2 基于核密度估计的Mean Shift 算法  48-51
    4.1.3 Mean Shift 算法的迭代过程  51-52
  4.2 局部特征的粗分类  52
  4.3 概率Hough 投票  52-53
  4.4 候选目标中心和尺度的检测与验证  53-60
    4.4.1 Mean Shift 算法在概率投票模型的应用  54-56
    4.4.2 Figure-Ground 分割模型  56-58
    4.4.3 基于最小描述长度的Hypothesis 验证  58-60
  4.5 本章小结  60-61
第五章 实验结果与分析  61-72
  5.1 实验演示程序介绍  61-62
  5.2 图像数据集  62-64
  5.3 多视角的摩托车图像数据集  64-67
  5.4 UIUC-Cars 图像数据集  67-69
  5.5 目标检测系统运行速度分析  69-71
  5.6 本章小结  71-72
第六章 总结与展望  72-74
  6.1 本文的主要工作  72-73
  6.2 对未来的展望  73-74
参考文献  74-81
致谢  81-82
攻读硕士论文期间已发表或录用的论文  82-84

相似论文

  1. 结合改进的SIFT特征匹配方法的运动跟踪算法,TP391.41
  2. 基于SCOSM自适应远程教学系统研究,TP391.6
  3. 视频目标跟踪技术研究,TP391.41
  4. 基于FPGA的数字图像处理基本算法研究与实现,TP391.41
  5. 基于用户兴趣特征的图像检索研究与实现,TP391.41
  6. 图像拼接技术研究,TP391.41
  7. 基于三维重建的焊点质量分类方法研究,TP391.41
  8. 基于智能学习的多传感器目标识别与跟踪系统研究,TP391.41
  9. 基于TMS320C6713的SPIHT图像压缩算法研究及实现,TP391.41
  10. 雾天或背光条件下图像清晰化算法研究及硬件实现,TP391.41
  11. 基于纹理特征的视频编码技术研究,TP391.41
  12. 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
  13. Q学习在基于内容图像检索技术中的应用,TP391.41
  14. 电子稳像系统中旋转稳像算法研究,TP391.41
  15. 图像的稀疏表示及编码模型研究,TP391.41
  16. 直推式支持向量机研究及其在图像检索中的应用,TP391.41
  17. 中医舌诊中舌形与齿痕的特征提取及分类研究,TP391.41
  18. 红外超光谱图像的虚拟探测器研究,TP391.41
  19. 图像分割中阴影去除算法的研究,TP391.41
  20. 空间交会接近视觉测量方法研究,TP391.41
  21. 图像实时采集、存储与处理方法研究,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