扩展目标的特征提取及目标识别

论文摘要

基于视觉的目标识别技术在民用及国防领域具有非常广泛的用途。与此相关的特征提取及特征识别技术一直是国内外研究的热点。由于自适应光学系统的矫正对象只有几倍到十几倍衍射极限尺度的小目标，且对动态随机扰动的大气湍流误差不能做到完美校正，而只能部分校正，所得到的实时矫正的图像存在部分高频误差，其具有图像轮廓不很清晰的特点，通用算法应用于其上难以表现出与常规图像相当的性能，主要表现为点检测器重复度和描述子分辨力均下降。因此，研究针对自适应光学成像系统所获图像的特征提取及识别方法很有必要。本论文针对自适应光学成像系统所得图像与常规图像的差异，创新性地将近两年提出的新型点检测器和局部特征描述子技术结合起来，对目前该技术领域中的若干问题进行了研究和探索。显著度为点检测器提供了一条可行的改进途径；二值描述子体系为提高描述子分辨力开辟了一个新的途径。由于前者对含有高信息量的图像局部敏感性较高，本文将其用于基于通用点检测器的改进，分别作于特征选择的方法和作用于点检测器自身两种途径展开研究；后者源自随机森林分类器，具有很快的计算速度和较好的描述能力，从而保证了局部图像特征描述子的无关性和分辨力。这两者的结合，比传统方法更能有效提升特征检测识别方法在所研究图像上的表现，并且在计算速度上有显著优势。编写了通用点特征检测器和描述子的算法评测程序，采用Matlab和C++/OpenCv作为开发平台，采用回归精度与1-precision对算法在常规图像和所研究图像下的表现进行评测。并就评测结果提出课题中关键问题的解决策略。参与评测的点检测器包括Harris，GFTT，FAST，DoG和DoH，局部图像特征描述子包括SIFT，SURF和BRIEF。为后续实验工作奠定了基础。全文的主要研究结果包括：第一，研究了对点特征检测器得到的特征进行特征选择的方法。以显著度作为特征选择的手段，利用显著度对高信息量局部图像的敏感性对SURF点特征进行筛选并优化特征尺度，得到稳定特征。实验结果表明：这种方法对特征表现的多样性具有较好的容差性；特征筛选过后特征间区分性也有所上升，说明筛选掉的特征具有较弱稳定性。此外，这种借助快速特征提取算法的特征选择方式弱化了显著区域提取速度较慢的弱点，对算法计算速度和提取特征的充分性的进行了平衡。第二，研究了在通用检测器本身中引入更强的抗噪性的方法。以熵作为备选特征的权重，在经典Harris算法的基础上，针对图像噪声提出的两步Harris方法。一方面自动选择Harris算法阈值，获取充分的备选角点；另一方面以局部熵作为加权获取更有可能分布在目标之上，具有更多有效信息量的点。实验结果表明：同常规算法相比，这种方法在较强噪声情况下仍能稳定提取目标角点，尤其在椒盐噪声下重复度在Harris算法基础上提高了1倍以上。与Harris算法相比，本方法显著提高角点匹配重复度（由Harris算法的2030%提高到7090%），并降低噪声角点比例。第三，研究了以无特征描述子计算的方法来完成特征识别的方法。以分类器实现特征匹配，联合分类器Ferns和增强框架Adaboost，实现目标的稳定定位。对训练集尺度变化和旋转变化的限定使得对特征表现多样性程度可以配置；Adaboost解决了由于缺少细节所带来的图像局部区分力下降，导致Ferns识别率下降的问题。实验结果表明：增强分类器可实现比SURF更为稳定的特征点识别，且在训练集定制范围内识别率显著高于SURF，相较于Ferns也有显著提升。第四，研究了快速特征识别的方法。利用二值描述子BRIEF快速，低维且具分辨力的特性，利用高速角点检测器FAST，实现快速特征检测和特征识别；并针对BRIEF方向敏感性高的弱点，引入了旋转无关性，使其实现与常规图像上的识别率相当的效果。实验结果表明：该方法速度能达到SURF的10倍左右，同时保持同等水平的识别率，达到高效的特征识别。本文以通用点特征检测特征识别方法为基础，针对所研究的具有轮廓模糊，细节不可分辨的图像进行了算法的裁剪和改进，并取得了实际的优化效果。全文内容集中在稳定提取特征和有效描述特征的若干问题，涉及问题的分析，解决方案的制定和实现。研究结果表明：对于所研究图像，视觉上具有显著性的特征更具稳定性，对旋转，尺度，视角变化等有较好的鲁棒性，可提升检测器的重复度；引入随机性的二值描述子和无描述子计算的方法更适用于所研究图像，其效果与传统直方图型描述符相当而计算量更小，可有效地解决图像细节缺失所带来的特征识别率下降的问题。此外，本文对通用算法在常规图像和所研究图像上的性能评测，为以后在所研究图像上开展进一步研究如特征跟踪，目标的类别识别等积累了一定的理论基础和工程经验。

论文目录

• 致谢
• 摘要
• ABSTRACT
• 1 绪论
• 1.1 引言
• 1.2 国内外研究进展
• 1.2.1 计算机视觉概述
• 1.2.2 目标识别
• 1.2.3 特征的提取
• 1.2.4 特征的描述/识别
• 1.3 本论文研究内容及意义
• 1.4 本论文章节安排
• 2 通用算法在自适应光学成像图像上的表现
• 2.1 点检测算法
• 2.1.1 基于自相关矩阵响应值的点特征提取
• 2.1.2 基于几何定义的点特征提取
• 2.1.3 尺度无关的关键点提取
• 2.2 常用特征识别方法的剖析比较
• 2.2.1 直方图型局部图像特征描述子
• 2.2.2 基于比较的二值特征描述子
• 2.2.3 无描述子计算的方法
• 2.3 仿真实验
• 2.3.1 点特征提取比较
• 2.3.2 描述子比较
• 2.4 本章小结
• 3 基于显著性的特征选择
• 3.1 算法原理
• 3.1.1 快速 DoH 点检测
• 3.1.2 显著区域的选择
• 3.1.3 局部熵的衡量
• 3.1.4 基于尺度间显著度的显著尺度选择
• 3.2 算法实现流程图与步骤
• 3.2.1 流程图
• 3.2.2 参数设置
• 3.3 仿真结果
• 3.3.1 计算时间
• 3.3.2 重复度
• 3.3.3 类间差异的健壮性
• 3.3.4 对分类的区分性
• 3.4 本章小结
• 4 基于局部熵的两步 Harris 方法
• 4.1 算法原理
• 4.1.1 Harris 角点的提取
• 4.1.2 基于视觉显著性的角点选择
• 4.1.3 针对角点提取和局部熵的自动阈值选择
• 4.2 仿真结果
• 4.2.1 不同噪声下算法测试结果
• 4.2.2 单纯背景目标图像下的重复度比较
• 4.2.3 两类图像测试结果
• 4.3 本章小结
• 5 基于机器学习的特征识别
• 5.1 算法原理
• 5.1.1 蕨分类器实现分类问题
• 5.1.2 蕨结构与树结构的比较
• 5.1.3 蕨分类器随机性的注入
• 5.1.4 蕨分类器的增强
• 5.2 步骤
• 5.2.1 流程图与步骤
• 5.2.2 参数设置
• 5.3 仿真结果
• 5.3.1 特征点识别率
• 5.3.2 图像序列
• 5.4 本章小结
• 6 快速特征识别方法
• 6.1 算法原理
• 6.1.1 快速角点提取
• 6.1.2 快速特征描述
• 6.1.3 旋转无关性约束
• 6.2 步骤
• 6.3 仿真结果
• 6.3.1 计算速度比较
• 6.3.2 特征点识别率比较
• 6.3.3 大姿态变化下的特征点跟踪
• 6.4 本章小结
• 7 总结
• 7.1 论文主要研究结果
• 7.2 论文主要创新点
• 7.3 未来工作展望
• 参考文献
• 作者简介及在学期间发表的学术论文与研究成果