基于上下文的目標檢測與識別方法研究.pdf

1、目前主流的目標檢測與識別方法是基于局部特征的，但是該類方法在圖像質(zhì)量比較差的情況下存在不確定性或者歧義性，而且視覺搜索效率比較低。上下文信息主要有兩個作用，即消除不確定性或歧義性以及減少處理時間。因此上下文信息正好適合解決基于局部特征方法的問題。為此本文的研究內(nèi)容是基于上下文的目標檢測與識別方法，包括不同層次的上下文特征的研究和分類器算法的研究。
　　 在幾何上下文方面，從生物學原理出發(fā)，結(jié)合計算機視覺中的模型，提出了一種基于特

2、征的幾何上下文的目標檢測識別方法，利用生命期來描述特征點的穩(wěn)定性，利用一組模板來捕獲特征點分布的空間信息，既捕獲了亮度信息和幾何上下文信息，又很好地獲得了判別能力和泛化能力之間的折衷。
　　 在鄰域上下文方面，考慮到部件檢測在基于局部特征方法中的重要性，提出了一種基于鄰域上下文約束的部件檢測方法，即在檢測部件過程中考慮了鄰域的上下文約束，其中鄰域上下文用基于塊的局部二值模式來描述，該描述計算簡單快速，保證了部件檢測的準確性和速度

3、，進一步提高了目標檢測算法的性能。
　　 在全局上下文方面，從目標檢測的準確率和速度方面出發(fā)，分析了全局上下文特征在目標檢測中的作用，在此基礎(chǔ)上提出一種自上而下的目標檢測方法，利用嵌套的級聯(lián)結(jié)構(gòu)將全局上下文特征、局部上下文特征和局部表觀特征組織起來，充分利用三種特征各自不同的作用，最后得到了一種快速而準確的目標檢測算法。
　　 在場景上下文方面，針對兩種情況進行了研究。一是針對模板匹配方法，在分析生物學研究成果的基礎(chǔ)上，

4、得到了空間一致性規(guī)律；然后依據(jù)該規(guī)律提出了一種基于場景上下文的模板匹配方法，將模板與子圖的相似性放到場景上下文中度量，提高了模板匹配方法的魯棒性。二是針對場景分類任務(wù)，詳細分析了當前主流的基于場景整體特征的模型，提出了一種更加魯棒的方法，考慮了像素域和調(diào)制域兩個通道的信息，并且考慮了粗糙的空間分布信息，這些豐富的信息保證了該方法的突出性能。
　　 在分類器的研究方面，提出了一種改進的AdaBoost算法，包括距離相關(guān)的判別準則，