基于詞袋模型的物體識(shí)別方法研究.pdf

1、物體識(shí)別是目前計(jì)算機(jī)視覺(jué)領(lǐng)域中最活躍的研究方向之一。物體識(shí)別具有良好的應(yīng)用前景,日益激增的軍用和民用需求,智能導(dǎo)航,互聯(lián)網(wǎng)中海量的基于內(nèi)容的檢索,陪護(hù)機(jī)器人,圖像自動(dòng)標(biāo)注等,識(shí)別物體的能力是滿足這些需求的應(yīng)具備的基本功能之一。隨著人工智能與模式識(shí)別技術(shù)的不斷進(jìn)步,現(xiàn)有的物體識(shí)別技術(shù)取得了不錯(cuò)的效果,但是仍存在一些問(wèn)題?，F(xiàn)有的算法,有基于圖像底層全局特征的,但無(wú)法克服背景,遮擋,尺度和角度變化帶來(lái)的干擾;有基于部件與結(jié)構(gòu)的,往往忽略圖像中

2、的部分與部分之間的位置信息。
　　圖像局部特征具有計(jì)算量小和信息含量高的特點(diǎn),其中尺度不變特征變換(Scale Invariant Feature Transform,SIFT)描述子在物體識(shí)別中應(yīng)用廣泛,但是圖像中提取的SIFT特征點(diǎn)個(gè)數(shù)往往不定,無(wú)法直接輸入至分類(lèi)器中進(jìn)行訓(xùn)練識(shí)別。詞袋模型在局部特征基礎(chǔ)上,將圖像任意維數(shù)的局部特征向量集表示為一個(gè)固定維數(shù)的向量并作為機(jī)器學(xué)習(xí)算法的輸入,完成識(shí)別任務(wù)。近年來(lái),基于圖像局部特征的詞

3、袋模型在場(chǎng)景及物體識(shí)別方面取得了輝煌的成果。但是基本的詞袋模型無(wú)法從背景上得到物體的形狀或者分割,因?yàn)樵撃Ｐ褪乔氨尘安环值?另外該方法完全忽略了圖像局部特征的空間信息,在描述上也有一定的局限性。
　　本文就物體識(shí)別面臨的困難,綜合考慮局部特征和詞袋模型的優(yōu)點(diǎn),對(duì)基于詞袋模型的物體識(shí)別方法進(jìn)行研究,并進(jìn)行了改進(jìn),旨在一定程度上解決傳統(tǒng)詞袋模型存在的問(wèn)題,經(jīng)實(shí)驗(yàn)分析,證明了本文提出的方法的有效性。本文的主要研究?jī)?nèi)容和創(chuàng)新點(diǎn)如下:

4、>　　(1)針對(duì)構(gòu)建詞袋模型的視覺(jué)單詞即圖像局部特征所表現(xiàn)的不穩(wěn)定、不可靠、受背景影響問(wèn)題,提出一種基于顯著區(qū)域詞袋模型的物體識(shí)別方法。本文避免使用復(fù)雜的圖像分割技術(shù),利用局部不變特征檢測(cè)算子檢測(cè)特征點(diǎn),根據(jù)不變性特征點(diǎn)的分布定位出圖像的感興趣區(qū)域。在感興趣區(qū)域提取局部特征,能有效減少與物體無(wú)關(guān)的特征點(diǎn),確保提取的特征點(diǎn)能有效反映物體的本質(zhì)信息,濾除來(lái)自背景上的特征點(diǎn)帶來(lái)的干擾。
　　(2)受空間金字塔模型的啟發(fā),提出一種基于多方