基于機(jī)器視覺的對(duì)象檢測(cè)算法研究.pdf

1、基于機(jī)器視覺的對(duì)象檢測(cè)是軍事、民用和工業(yè)生產(chǎn)中經(jīng)常面臨的一個(gè)重要的問題。它主要是通過計(jì)算機(jī)來處理數(shù)據(jù),然后對(duì)從不同的傳感器獲取的數(shù)據(jù)對(duì)象進(jìn)行探測(cè)、跟蹤和檢測(cè),它涉及到多學(xué)科,需要使用不同的技術(shù)和專業(yè)知識(shí)。然而,到現(xiàn)在為止,沒有任何一種方法可以解決所有對(duì)象的檢測(cè)問題,也沒有任何一個(gè)對(duì)象跟蹤和檢測(cè)系統(tǒng)可以解決全部問題。論文在分析了對(duì)象檢測(cè)研究算法、Hough變換算法和神經(jīng)網(wǎng)絡(luò)的國(guó)內(nèi)外研究現(xiàn)狀的基礎(chǔ)上,進(jìn)行了不同類對(duì)象的檢測(cè)算法研究。

2、　　針對(duì)現(xiàn)有的線段檢測(cè)定位精確度低、容易出現(xiàn)單邊緣的多次響應(yīng)等問題,論文提出一種基于Canny算子的改進(jìn)Hough變換的對(duì)象檢測(cè)算法,根據(jù)線段對(duì)象的特性從常用的邊緣檢測(cè)算子中尋找綜合性能最佳的算子,并且對(duì)累加器單元的細(xì)分做了推導(dǎo)。該算法可有效的去除噪聲的干擾,解決了計(jì)算精度與計(jì)算速度之間的最優(yōu)匹配問題,并有效的解決多峰值檢測(cè)問題以及虛假峰值問題,提高了線段檢測(cè)的魯棒性。
　　針對(duì)剛性對(duì)象在受到自身以及外界干擾時(shí)不會(huì)產(chǎn)生自遮擋、形變

3、、陰影的特性,以及現(xiàn)有特征矩在剛性對(duì)象檢測(cè)時(shí)精確度低的問題,從Hu矩構(gòu)建了十個(gè)不變量的組合矩,利用表觀表示法和形狀表示法相結(jié)合,用組合矩來對(duì)對(duì)象特征進(jìn)行描述。論文提出一種基于神經(jīng)網(wǎng)絡(luò)的剛性對(duì)象檢測(cè)算法,文中給出了一種基于BP神經(jīng)網(wǎng)絡(luò)的分類器,在確定了網(wǎng)絡(luò)的輸入和輸出后,針對(duì)實(shí)際應(yīng)用選擇合適的模型結(jié)構(gòu),進(jìn)行參數(shù)訓(xùn)練,對(duì)算法進(jìn)行誤差分析和效率分析,并且分析了部分參數(shù)對(duì)網(wǎng)絡(luò)泛化能力的影響,該分類器具有較好的實(shí)時(shí)性和檢測(cè)率。
　　針對(duì)行人

4、對(duì)象姿態(tài)的復(fù)雜性、多樣性,行人對(duì)象紋理的多樣性,以及容易受到外界條件干擾的特殊性,在對(duì)比了現(xiàn)有的類Haar特征、Shapelet特征和SIFT特征后,設(shè)計(jì)了一種對(duì)角特征來對(duì)類Haar特征進(jìn)行擴(kuò)展,并且利用近似積分圖像法快速計(jì)算混合特征值,該特征既保持了標(biāo)量特征運(yùn)算速度快的優(yōu)勢(shì),又提高了特征描述能力。文中提出一種基于混合特征的AdaBoost算法的行人檢測(cè)算法,根據(jù)強(qiáng)、弱分類器的特性構(gòu)建了樹形級(jí)聯(lián)分類器,在進(jìn)行正、負(fù)樣本檢測(cè)時(shí)速度快,該算