一種物體識別方法的研究及若干應(yīng)用.pdf

1、物體識別是當(dāng)今計算機(jī)視覺領(lǐng)域的一個難點問題,引起越來越多的計算機(jī)視覺工作者的興趣與關(guān)注,其主要過程是使用相關(guān)算法在圖像中把感興趣的物體識別出來。同時,它也是機(jī)器入導(dǎo)航、人機(jī)交互、圖像理解、圖像自動標(biāo)注、基于內(nèi)容的圖像搜索、智能視頻監(jiān)控等應(yīng)用項目中的關(guān)鍵難題,有著廣泛的研究和應(yīng)用背景。本課題的研究進(jìn)展將會促使相關(guān)應(yīng)用領(lǐng)域當(dāng)中的關(guān)鍵問題得到更好地解決。
　　本文對基于特征匹配結(jié)合分割驗證的物體識別方法進(jìn)行了研究。在前人基于投票機(jī)制的物

2、體識別方法的基礎(chǔ)上,整合SIFT(ScaleInvariantFeatlireTransform,以下都簡稱SIFT)特征提取和特征投票的過程,采用MeanShift算法對投票結(jié)果的統(tǒng)計方法進(jìn)行了改進(jìn),達(dá)到較好的實驗結(jié)果。
　　對物體識別的兩個應(yīng)用:基于內(nèi)容的圖片搜索和視頻跟蹤,本課題也進(jìn)行了細(xì)致的研究。
　　在圖片搜索領(lǐng)域,目前主流的技術(shù)是通過文本去查找圖片。谷歌和百度等搜索引擎采用的便是基于圖片標(biāo)簽的匹配,用戶輸入文本信

3、息,系統(tǒng)返回文本對應(yīng)的圖片。本課題的研究目的:是用戶輸入一幅圖片,系統(tǒng)返回與之相似的圖片。Sivic和Zisserman借鑒了文本信息檢索當(dāng)中的tf-idf模型,得到了比較好的實驗結(jié)果。首先把從訓(xùn)練集中提取得到的特征進(jìn)行kmeans聚類,生成的每一個簇集定義為一個單詞,給每個單詞關(guān)聯(lián)一個倒排文件(它表示的含義是該單詞在訓(xùn)練集所有圖片當(dāng)中的分布情況)。然后把從查詢圖片中提取到的特征量化到這些單詞當(dāng)中,最后對查詢圖片與訓(xùn)練集中圖片進(jìn)行相似度

4、評測。Nister和Stewenius在這個工作基礎(chǔ)上提出了分層聚類的做法,利用樹形索引,極大地縮短了特征量化所需的時間。我們的工作在前人的基礎(chǔ)上利用模糊分類理論,改進(jìn)了特征量化的過程,實現(xiàn)了一個小型的圖片搜索系統(tǒng)。
　　在視頻跟蹤領(lǐng)域當(dāng)中,實際應(yīng)用中復(fù)雜的動態(tài)背景、運動目標(biāo)的尺度伸縮、目標(biāo)遮擋、光線亮度的變化等等都給跟蹤造成巨大的挑戰(zhàn)。本課題期望實現(xiàn)一種魯棒實時的跟蹤系統(tǒng),能夠克服運動目標(biāo)的尺度變化、部分遮擋以及光線亮度變化等不