基于非對(duì)稱逆布局模型的目標(biāo)識(shí)別方法研究.pdf

1、圖像目標(biāo)識(shí)別是圖像理解和計(jì)算機(jī)視覺領(lǐng)域研究的熱點(diǎn)和難點(diǎn),其識(shí)別的困難主要是目標(biāo)形狀和表面特征的變化造成目標(biāo)個(gè)體的差異,而且沒有規(guī)律性。對(duì)目標(biāo)形狀和表面特征的變化進(jìn)行分析,根據(jù)變化影響力的范圍可以將其分為兩類:目標(biāo)全局變化和目標(biāo)局部變化。
　　針對(duì)目標(biāo)的全局變化,在非對(duì)稱逆布局模式表示模型的思想的啟發(fā)下,提出了非對(duì)稱逆布局目標(biāo)表示模型(Non-symmetry and Anti-packing Object Representati

2、on Model, NAOM)。NAOM目標(biāo)表示模型由若干特征各異的目標(biāo)局部塊組成,模型通過空間位置和權(quán)重將目標(biāo)局部塊組織起來,使其能夠充分的描述目標(biāo)的各種形狀變化。目標(biāo)塊的數(shù)量、大小和形狀等屬性依據(jù)目標(biāo)自身的特征來選擇和定義,目標(biāo)塊之間的約束關(guān)系通過學(xué)習(xí)目標(biāo)的全局變化來獲取。NAOM模型包含兩個(gè)變換函數(shù),一個(gè)是根據(jù)目標(biāo)樣本可以把目標(biāo)分解成若干合適的目標(biāo)局部塊,學(xué)習(xí)目標(biāo)局部塊之間的約束關(guān)系,建立目標(biāo)表示模型;另一個(gè)是在待檢測(cè)圖像中可以尋

3、找目標(biāo)局部塊,結(jié)合局部塊之間的約束關(guān)系,將有效的目標(biāo)局部塊組合,檢測(cè)出目標(biāo)。
　　針對(duì)目標(biāo)的局部變化,提出的目標(biāo)局部塊描述符可以有效的應(yīng)對(duì)目標(biāo)的局部變化。目標(biāo)的邊緣輪廓是描述目標(biāo)最重要的特征。基于方向梯度直方圖的思想,提出了網(wǎng)格狀邊緣方向直方圖(Grid of Histogram of Edge Direction, GHED)來描述目標(biāo)的邊緣輪廓。該描述符的核心思想是目標(biāo)邊緣輪廓的形狀可以被邊緣輪廓像素切線的方向分布很好的描述。

4、運(yùn)用已有的邊緣提取算法進(jìn)行邊緣輪廓提取,計(jì)算出邊緣輪廓的切線方向,之后在網(wǎng)格中統(tǒng)計(jì)邊緣像素分布直方圖,并按照順序連接每個(gè)直方圖,形成了GHED特征向量。GHED描述符的貢獻(xiàn)主要有兩個(gè)方面:一是充分運(yùn)用了已有的邊緣提取算法對(duì)邊緣提取的能力,減少其它因素的干擾,提高了對(duì)邊緣輪廓形狀特征的描述能力;二是GHED描述符只對(duì)邊緣像素進(jìn)行統(tǒng)計(jì),降低了特征提取算法的時(shí)間復(fù)雜度和空間復(fù)雜度。
　　NAOM模型和GHED特征描述符分別應(yīng)對(duì)目標(biāo)的全局

5、變化和局部變化。基于非對(duì)稱逆布局目標(biāo)表示模型和模型學(xué)習(xí)算法,從目標(biāo)檢測(cè)的準(zhǔn)確率和速度出發(fā),提出了基于局部塊權(quán)重的Hough投票檢測(cè)法。該檢測(cè)算法在投票過程中加入了局部塊的判別權(quán)重,以區(qū)分不同的塊在目標(biāo)檢測(cè)中的影響力。算法具有三個(gè)方面的特點(diǎn):一是對(duì)局部塊分類器檢測(cè)值進(jìn)行量化,將檢測(cè)值轉(zhuǎn)化為局部塊相似度;二是局部塊的檢測(cè)相似度和權(quán)重相結(jié)合,采用Hough投票算法投票;三是建立局部非極大值抑制算法,減少同一目標(biāo)的重復(fù)檢測(cè)。
　　實(shí)驗(yàn)的結(jié)