基于中層特征學(xué)習(xí)的旋轉(zhuǎn)對(duì)稱(chēng)目標(biāo)檢測(cè)算法研究.pdf

1、對(duì)稱(chēng)結(jié)構(gòu)在自然界廣泛存在，對(duì)稱(chēng)性檢測(cè)在現(xiàn)實(shí)世界人和動(dòng)物的感知中扮演著重要角色，在目標(biāo)對(duì)象識(shí)別與分類(lèi)中也起著重要作用。一種高效而魯棒的對(duì)稱(chēng)性檢測(cè)算法可以使許多計(jì)算機(jī)視覺(jué)和圖形應(yīng)用從中受益。
　　目前大多數(shù)對(duì)稱(chēng)性檢測(cè)算子的共同瓶頸在于：首先，它們大多使用局部的低層特征來(lái)描述對(duì)稱(chēng)性，對(duì)含有單個(gè)目標(biāo)的圖像有效，對(duì)于包含多個(gè)目標(biāo)的圖像，則需要事先進(jìn)行分割；其次，大多依靠精確的數(shù)學(xué)定義來(lái)進(jìn)行對(duì)稱(chēng)性檢測(cè)，而自然界中的對(duì)稱(chēng)物體一般都只是一定程度上

2、滿(mǎn)足對(duì)稱(chēng)的數(shù)學(xué)定義，一般會(huì)存在局部的形變和缺失。因此目前方法普遍適用范圍較小，檢測(cè)結(jié)果也會(huì)受到一定程度的影響，甚至直接檢測(cè)失敗，而且計(jì)算復(fù)雜度較高，在檢測(cè)精確性上也存在不足。
　　針對(duì)自然界中旋轉(zhuǎn)對(duì)稱(chēng)物體的不規(guī)則性和隨機(jī)性特點(diǎn)，本文使用更有描述力的中層特征，提出了一種新的旋轉(zhuǎn)對(duì)稱(chēng)目標(biāo)檢測(cè)算法。該算法沒(méi)有按照精確的數(shù)學(xué)定義來(lái)檢測(cè)旋轉(zhuǎn)對(duì)稱(chēng)，而是通過(guò)對(duì)圖像中的關(guān)鍵點(diǎn)的位置分布統(tǒng)計(jì)分析來(lái)估計(jì)旋轉(zhuǎn)對(duì)稱(chēng)中心的位置。主要的研究?jī)?nèi)容和成果包括：<

3、br>　　1)提出了基于中層特征的旋轉(zhuǎn)對(duì)稱(chēng)簇提取算法。本文提出了旋轉(zhuǎn)對(duì)稱(chēng)簇（通過(guò)對(duì)上述的關(guān)鍵點(diǎn)進(jìn)行旋轉(zhuǎn)不變性的聚類(lèi)后得到）這一概念來(lái)對(duì)旋轉(zhuǎn)對(duì)稱(chēng)的問(wèn)題進(jìn)行描述，并在此基礎(chǔ)上提出了更為廣義的旋轉(zhuǎn)對(duì)稱(chēng)目標(biāo)的統(tǒng)計(jì)表示方法。首先通過(guò)素描令牌提取圖像中視覺(jué)感興趣的關(guān)鍵點(diǎn)的位置，以保證更多對(duì)于視覺(jué)有意義的信息參與到后期的分布統(tǒng)計(jì)中;然后通過(guò)給定的置信度閾值對(duì)信息較強(qiáng)的關(guān)鍵點(diǎn)特征進(jìn)行篩選，并使用sift描述子對(duì)所篩選位置進(jìn)行特征描述，最后使用k-mea

4、ns進(jìn)行特征學(xué)習(xí)，將這些位置聚類(lèi)為不同的旋轉(zhuǎn)特征簇。
　　2)提出了多尺度旋轉(zhuǎn)對(duì)稱(chēng)中心加權(quán)算法。為了能夠?qū)Σ煌叨鹊男D(zhuǎn)對(duì)稱(chēng)目標(biāo)進(jìn)行提取，本文提出了多尺度旋轉(zhuǎn)對(duì)稱(chēng)中心加權(quán)疊加算法。對(duì)各個(gè)尺度下的概率映射圖進(jìn)行加權(quán)疊加得到最終的旋轉(zhuǎn)對(duì)稱(chēng)概率映射圖，并通過(guò)顯著度檢測(cè)工具包獲取旋轉(zhuǎn)對(duì)稱(chēng)中心坐標(biāo)。
　　本文也對(duì)基于頻域的對(duì)稱(chēng)性檢測(cè)方法進(jìn)行了研究，選取其中效果最好的Yanxi Liu等人的方法進(jìn)行了實(shí)驗(yàn)，最后通過(guò)對(duì)他們提供的旋轉(zhuǎn)圖像測(cè)