基于特征組合的一般物體識別相關算法研究.pdf

1、一般物體識別(General Object Recognition)是視覺(Vision)領域的一個相當困難和根本的問題。目前為止，雖然針對特定物體的識別任務（如人臉檢測及識別）已有較為成熟的方法進行處理，但如何設計出一套適用于一般環(huán)境一般物體的通用系統，從而接近甚至達到人腦視覺系統的性能，仍然非常具有挑戰(zhàn)性。視覺研究本身是一個跨學科領域的問題，涉及到計算機視覺及神經生物學這兩個截然不同的學科。本文主要從計算機視覺這一角度出發(fā)進行闡述，

2、側重于數學模型與解模算法設計。內容上，本論文就近年來在此領域內的進展作一綜述，并重點分析基于小塊(patch)的算法方案；而后以計算機視覺的語言詳細解析基于特征組合的仿生學計算模型HMAX，指出其與計算機視覺的緊密關聯；接著，本文提出了兩種較新的局部改進方案，并完成了相關實驗。實驗結果表明了這兩種改進方案的可行性。本論文的主要工作和創(chuàng)新點包括以下幾個方面：1）對于視覺皮層計算模型HMAX，本文詳細分析了其四層結構(S1,C1,S2,C2

3、)的算法步驟，并建立它在計算機視覺上的功能對應，即“分塊直方圖”(S1+C1)級聯“直方圖”(S2+C2)的結構。在此基礎上，本文得到這樣的結論：若以“分塊直方圖”作為組合層數的標尺，HMAX事實上是“一層半”的（有監(jiān)督的）特征組合模型。2）本文對HMAX的一些算法部件做了改進：針對HMAX中8 ￡ 8的固定區(qū)域劃分，本文提出了非均勻劃分方案；針對HMAX中隨機選取小塊(patch)的局部訓練方法，本文提出了從整體出發(fā)在同類圖片中自動選

4、取共同區(qū)域的算法。與純機器學習上的改進不同，本論文更著重于視覺建模的特質，即建模二維圖像的結構關系。3）本論文給出了這兩個方案的詳細解模過程。對于方案a)，本文就其一維和二維的情況分別展開分析，一維情況下可以用動態(tài)規(guī)劃(Dynamic Programming)精確快速求解；二維情況下則沒有這樣好的性質，然而可以利用依坐標下降的優(yōu)化策略求解。對于方案b)，本文以生成模型建模此問題，并用經典的EM算法求解之。對于這兩個方案，本文分別實現了上