基于內(nèi)容的場景和物體類別識別研究.pdf

1、近年來，隨著Internet的快速發(fā)展和普及，在網(wǎng)絡(luò)上存儲、傳播著海量的信息和數(shù)據(jù)，尤其是圖像和視頻。因而，按照語義快速方便地分類和檢索圖像越來越重要。但是，由于光照、尺度、旋轉(zhuǎn)、視角、姿態(tài)等變化，正確地識別場景和物體類別難度依然很大。此外，由于人們對圖像的視覺感知不同所造成的視覺歧義，對識別算法提出了新的要求。本文主要研究如何快速準(zhǔn)確地識別場景和物體類別。
　　首先，本文設(shè)計了一個實用場景和物體類別識別系統(tǒng)并提出了一種新的多重特

2、征通道圖像表示。為了勝任不同的場景和物體類別識別任務(wù)，本系統(tǒng)首先從給定圖像中提取多個特征“通道”，每個特征通道利用詞包模型計算圖像或子圖像的視覺單詞直方圖，并通過空間金字塔引入單詞之間的位置信息。各個特征通道的主要區(qū)別在于詞包模型中采用哪種特征檢測器/特征描述符組合，因而具有不同水平的辨識能力和不變性。這種多重特征通道圖像表示為有效地組織和利用各種稀疏或稠密特征檢測器、局部特征描述符提供了一個統(tǒng)一的框架。對于每個特征通道，該系統(tǒng)然后使用

3、基于直方圖交叉核或x2核的支持向量機計算圖像屬于各個可能類別的得分。最后利用邏輯推理或統(tǒng)計推理的方法，綜合所有特征通道的識別結(jié)果得到測試圖像的識別結(jié)果?；诙嘀靥卣魍ǖ赖膶嵱脠鼍昂臀矬w類別識別方法計算復(fù)雜性低、通用性強，而且對基準(zhǔn)場景和物體圖像庫的平均識別率高于大多數(shù)流行方法，表明了該方法的有效性和合理性。
　　其次，本文研究了不同特征通道的組合問題，提出了四種規(guī)則(統(tǒng)稱為x-max):max-max、sum-max、prod-m

4、ax和classifier-max。x-max通過不同的方式組合各“單”特征通道的識別結(jié)果，進而得到圖像的最終類別。其中，max-max、sum-max和prod-max分別由各單特征通道得分的極大值、算術(shù)平均值和幾何平均值確定測試圖像屬于某個可能類別的得分;而classifier-max根據(jù)第一級分類器得到的各單特征通道的識別結(jié)果，由第二級分類器確定測試圖像屬于某個可能類別的得分。在x-max中，最后得分最高的類便是測試圖像的識別結(jié)果

5、。與場景和物體類別識別中兩種最流行的特征組合規(guī)則（多核學(xué)習(xí)和線性規(guī)劃提升）相比，x-max規(guī)則的優(yōu)點有三:一是它基于分布式組合的思想，魯棒性高，每個組合節(jié)點處理負(fù)擔(dān)小，并便于并行處理;二是擴展性強，當(dāng)加入新的特征通道時，只需學(xué)習(xí)與新特征通道有關(guān)的分類器，毋需重新從頭開始學(xué)習(xí)所有分類器;三是計算復(fù)雜性低，適用于識別大型場景和物體圖像庫。對五個基準(zhǔn)圖像庫的實驗結(jié)果表明，與多核學(xué)習(xí)和線性規(guī)劃提升相比，使用x-max組合多重特征通道，時間復(fù)雜度

6、降低了1-2個數(shù)量級，平均識別準(zhǔn)確率高于多核學(xué)習(xí)，并接近線性規(guī)劃提升。
　　最后，本文提出了一種新的基于金字塔主題直方圖(PHOTO)和AdaBoost分類器的場景和物體類別識別算法。概率隱語義分析(pLSA)在文本語義分析和處理中用來挖掘文本文檔的主題。本文在pLSA模型的基礎(chǔ)上，通過空間金字塔引入位置信息，利用EM算法計算圖像金字塔中各個單元格的主題混合系數(shù)向量，并拼接形成一個“長”向量(稱為金字塔主題直方圖(PHOTO))用