基于生物視覺機制的場景識別關鍵技術研究.pdf

1、基于生物視覺機制的場景識別是通過模擬人類的感知能力來挖掘圖像中的場景特征，進而推斷出圖像間的類別關系，從而自動地識別出圖像所隸屬的場景。由于場景識別技術可以有助于解決目標跟蹤與定位、視頻內容分析、圖像智能檢索和視覺機器人導航等一系列具有代表性的計算機視覺及模式識別領域的應用問題，所以場景識別成為該領域中非常活躍和富有挑戰(zhàn)性的研究課題之一，受到了國內外研究者的廣泛關注。本文針對基于生物視覺機制的場景識別的關鍵問題展開研究，主要研究內容及成

2、果主要體現在以下幾個方面:
　　研究人類視覺系統(tǒng)的注意力選擇機制及顯著性檢測模型的原理，分析并對比空域檢測模型和頻域檢測模型的內在機理與性能。提出了一個將SR、PFT及PQFT為代表的頻譜檢測模型囊括其中的統(tǒng)一的基于幅度譜調制的視覺顯著性檢測算法框架。在此基礎上，提出了基于幅度譜均衡調制的ASBM模型，在一定程度上解決傳統(tǒng)算法在特定條件下的檢測不準確問題。仿真實驗證明，本文提出的ASBM模型在檢測的準確性，魯棒性以及抗噪能力方面均

3、優(yōu)于該領域中性能較好的PQFT模型，因此使視覺顯著性檢測算法得到進一步優(yōu)化。
　　針對光照變化給視覺顯著性檢測及場景識別帶來的問題，研究基于顏色恒常性理論的圖像增強算法，重點分析了經典的多尺度Retinex算法的原理，并指出其采用的高斯濾波所存在的不足，提出了基于魯棒各向異性擴散的改進多尺度Retinex算法，從而在一定程度上解決了傳統(tǒng)方法存在的邊緣偽增強問題，能夠進一步保護具有場景分析價值的邊緣信息，并將改進的算法應用于顏色恢復

4、。對比實驗證實，該算法在得到較好的顏色恢復效果同時，還能獲取更清晰的邊緣信息，為具有場景代表性的區(qū)域分割以及局部穩(wěn)定特征提取工作提供必要的保障。
　　研究了基于圖像內容表征的場景識別方法，提出了快速的基于視覺顯著性的場景代表性區(qū)域分割框架，在一定程度上解決傳統(tǒng)的面向場景識別的圖像處理方法需要遍歷整幅圖像所帶來的計算低效率問題。其中，基于熵優(yōu)先策略的區(qū)域提取算法通過計算顯著點的鄰域信息熵來確定場景代表性區(qū)域中心，實驗證明該算法具有較

5、好的魯棒性和抗噪性，并且提取到的區(qū)域與局部不變興趣點之間存在較好的場景一致性。而基于先驗知識的顯著建筑物分割算法可以實現建筑物區(qū)域信息在圖像像素級上的精確檢測，并將其應用于室外場景數據集。與其他方法相比，該分割算法不僅能夠檢測到圖像中建筑物的存在，還可以提取其細致的區(qū)域信息，并在去除非遮擋干擾目標的同時還能去除遮擋建筑物的干擾目標。
　　研究局部不變特征描述子的特點及構造過程，并通過對比分析選擇了性能較好的SURF算法作為重點研究

6、及使用目標，提出了基于多方向融合的主方向定位算法，能夠獲得比SURF算法更好的主方向定位結果。提出了基于興趣點強度、對比度及微小尺度子空間的興趣點密度的相似興趣點競爭策略，進一步去除了興趣點中的噪聲點，從而提高了局部特征的匹配準確率及目標的識別效率。
　　研究現有場景識別方法的特點及流程，結合本論文課題研究的劃分粒度較小的固定場景識別問題，選擇了本論文提出的具有較好性能的ISURF特征，并利用前面得到的場景代表性區(qū)域的分割結果來有