基于機器視覺的場景目標識別方法研究.pdf

1、基于機器視覺的目標識別是一門復雜的學科，結(jié)合了數(shù)字圖像處理、模式識別、機器人理論等學科，現(xiàn)已充分融入到了工業(yè)自動化、軍事、國防以及醫(yī)療等領域。由于基于移動機器人的目標識別是建立在機器人室內(nèi)和室外導航、機器人路徑規(guī)劃、機器人地圖構(gòu)建等的基礎，因此，受到了國內(nèi)外學者廣泛的關(guān)注。經(jīng)過幾十年來，國內(nèi)外學者不斷的努力，目標識別已經(jīng)獲得了巨大的成果。但是，因為基于移動機器人的目標識別所應用的環(huán)境會有光照、遮擋、陰影等的情況，并且待識別的目標本身會有

2、多種變化。由于目標本身的多變性以及環(huán)境的復雜程度則對目標的識別的結(jié)果造成了極大地影響。
　　根據(jù)識別目標的分類，又可分為動態(tài)目標識別以及靜態(tài)目標識別。本文結(jié)合學術(shù)前沿的知識，對動態(tài)多目標識別以及場景目標識別等問題，提出了新的算法，提高了識別的準確性和魯棒性。最后還應用到移動機器人平臺上，較好的準確性與實時性驗證了本文的算法。
　　本文所采用的測試視頻以及樣本圖像均為作者本人在杭州電子科技大學中使用機器人采集的。本文的對目標識

3、別的研究主要有以下幾個方面：
　　(1)目標分割是動態(tài)多目標識別的重要步驟之一。本文將兩幀幀差法、三幀幀差法、高斯混合建模對動態(tài)目標進行分割并比較。兩幀差分法就是將視頻采集到的序列圖像的相鄰兩幀圖像進行差分。三幀幀差法將采集到的序列圖像前后三針圖像進行差分。高斯混合模型是以像素為單位，使用高斯模型計算像素在時間軸上的變化。對這三種方法實驗對比，由于分割出的運動目標輪廓的完整性以及實時性的考慮，最終確定使用兩幀幀差法。
　　(

4、2)本文提出了基于視覺的動態(tài)多目標識別將基于LBP特征與基于Gabor特征的動態(tài)多目標識別，最后根據(jù)性能評價指標得出，基于Gabor特征的動態(tài)多目標識別更具有優(yōu)勢。該方法首先根據(jù)前后幀之間像素的變化，分割出運動目標。對分出出來的運動目標和樣本圖像，使用Gabor濾波器提取圖像的特征，得到特征向量。最后使用Fisher判別準則分類識別，將得到的分類識別結(jié)果自動標注在輸出圖像中。將已經(jīng)標注識別結(jié)果的圖像連續(xù)輸出，便能獲得已經(jīng)識別完成的輸出視

5、頻。
　　(3)場景目標識別是場景理解的重要內(nèi)容之一，本文提出一種新穎的基于視覺顯著性的場景目標識別的方法。該方法受生物視覺認知機理的啟發(fā)，利用視覺顯著機制來凸顯場景中的感興趣區(qū)域。首先利用GBVS模型對圖像數(shù)據(jù)進行高效篩選，獲得特定感興趣的顯著性區(qū)域。然后基于圖分割理論的（Graph Cuts Theory）的GrabCut算法被用于提取圖像中的顯著性目標。最后運用SURF特征描述目標對象，通過SURF特征的學習來產(chǎn)生目標物體的