基于視覺顯著性的圖像識別的研究.pdf

1、隨著科學(xué)技術(shù)的發(fā)展和信息的日益豐富,機(jī)器視覺受到了廣泛的重視。如何應(yīng)用計算機(jī)模仿人類處理圖像的機(jī)制來快速而準(zhǔn)確地將海量圖片進(jìn)行識別和分類,需要同時結(jié)合計算機(jī)科學(xué)、生物物理學(xué)以及心理學(xué)的研究。通常,這類研究會結(jié)合基于人眼的視覺注意機(jī)制,也就是當(dāng)人眼接觸一個視覺場景時,會注意場景中更為顯著或者更為感興趣的區(qū)域,然后視作為重要區(qū)域進(jìn)行優(yōu)先處理。根據(jù)這一特性,目前已經(jīng)有很多基于顯著性的計算模型。在此基礎(chǔ)上也有很多學(xué)者提出將任務(wù)驅(qū)動的模型與其結(jié)合

2、,從而能夠?qū)μ囟ǖ膱D像進(jìn)行分類和識別。本文以視覺顯著性的計算模型為基礎(chǔ),進(jìn)行圖像識別的研究。
　　首先介紹了人眼視覺的生理結(jié)構(gòu),分析了基于視覺信息處理機(jī)制的視覺顯著性計算模型和利用具有先驗知識的貝葉斯識別模型。接下來,詳細(xì)的闡述了將ITTI顯著性模型和貝葉斯模型相結(jié)合的圖像識別算法。該算法在提取顯著性特征后,選用高斯密度分布函數(shù)來擬合特征值得到訓(xùn)練參數(shù),并作為先驗知識。在識別時,基于訓(xùn)練參數(shù)進(jìn)行貝葉斯識別。這一模型較好的實現(xiàn)了基于

3、先驗知識的視覺特征,進(jìn)行有目的的圖像識別和分類。本文的研究內(nèi)容主要是基于該模型提出改進(jìn)的算法。
　　其次,研究了貝葉斯模型中似然函數(shù)的估計方法。原模型中主要采用高斯概率密度函數(shù)來擬合特征值的分布,但隨著訓(xùn)練圖片的增多,特征值包含的信息更豐富,分布更復(fù)雜,單一高斯模型的誤差更大。本文選用的混合高斯模型彌補(bǔ)了這一不足,通過對特征值進(jìn)行聚類,然后對每一聚類進(jìn)行單一高斯擬合,有效地提高了擬合精度從而提高識別的效率。
　　基于混合高斯

4、模型的思想,提出了一個根據(jù)特征值的分布特性自動選擇其分布函數(shù)的自適應(yīng)系統(tǒng)。這一系統(tǒng)采用兩個判定,根據(jù)特征值分布的特點,在單一高斯、雙高斯以及混合高斯模型中進(jìn)行選擇。從而提高了處理速度和識別效率。
　　為了提高自適應(yīng)系統(tǒng)的識別效率,本文又結(jié)合ITTI顯著性模型的特點,提出了改進(jìn)的顯著性度量的方法。主要是基于已經(jīng)學(xué)習(xí)到的圖像集合的特征分布特性,為每幅子特征圖添加權(quán)值系數(shù),從而更加突出顯著區(qū)域。經(jīng)過多次實驗發(fā)現(xiàn),這一基于統(tǒng)計特性的加權(quán)方

5、法,在特定的圖像數(shù)據(jù)庫中是有效的,能提高自適應(yīng)系統(tǒng)的識別效率。但是其廣泛的適用性還有待進(jìn)一步研究。
　　本文提出的改進(jìn)算法主要是基于顯著性引導(dǎo)的圖像識別系統(tǒng)。在給定某一對象的多幅訓(xùn)練圖的前提下,本系統(tǒng)經(jīng)過學(xué)習(xí)得到對象的一個具體描述,然后對包含對象的待測圖像進(jìn)行識別,給出這個圖片會被正確識別的概率列表。本文針對ALOI圖像數(shù)據(jù)庫進(jìn)行大量的實驗,結(jié)果顯示,本文提出的改進(jìn)算法有效的提高了識別的效率,并且此自適應(yīng)系統(tǒng)在時間消耗上小于混合高