户外目标识别及在增强现实中的应用

论文摘要

大范围应用增强现实ξAugmented Reality,简称ARο技术是当前该领域的研究热点。其中目标识别技术是实现该任务的关键技术之一,计算机需要在图像中定位和识别用户感兴趣的对象。然而现实环境中的目标种类繁多,外界干扰因素严重,极大地增加了识别的难度。根据目标类型的不同,本文将目标识别任务分为两类:ξ1ο以整幅图为目标的场景识别任务;ξ2ο一幅图像有多个目标的物体检测识别任务。计算机视觉提供了丰富的场景识别和物体检测识别技术。然而这些方法大多忽略了增强现实对算法的实时性要求。大多数场景识别方法使用单一特征导致相似场景识别失败。同时,当场景数量继续扩展,算法的实时性和准确性都会降低。另外,现有基于部件的模型具有良好的物体检测速度和精度,但由于缺乏描述部件组成结构的方法,限制了识别的精度。为完善目标识别的方法和提高目标检测识别的精度和实时性,本文主要研究了户外场景识别和物体检测识别算法,完成的研究工作包括:ξ1ο针对场景识别使用特征单一的问题,本文提出使用融合地理位置信息和视觉信息的方法。首先,把所有的场景划分为几个区域,识别时根据地理位置信息查找用户对应的区域,实现场景的初定位。接着使用本文提出的混合特征模型,使用纹理。轮廓和颜色三种视觉特征精确定位用户感兴趣的场景,提高了算法的鲁棒性和实时性。ξ2ο针对场景数量增加导致识别实时性和准确性降低的问题。本文提出一种地理信息检索树的方法层次化地自动划分场景。通过聚类算法递归的建立了一棵K叉树,将场景划分为由树的叶节点定义的若干原子区域。使用地理信息检索树保持每个原子区域中的场景维持在一个相对较少的数量,保证了识别算法的实时性和稳定性。ξ3ο针对物体检测识别中缺乏描述物体组成结构的问题,本文提出一种重构模型,学习物体的组成结构以捕捉特征的空间关系,提高物体的检测和识别率。为描述部件,本文定义了由不同大小。长宽比和位置的部件组成的字典。通过与或搜索学习字典的一个非重叠子集作为最优组成结构,提高检测和识别的精度。实验证明本文提出的场景识别算法和目标检测识别算法很好地解决了增强现实中户外复杂环境下的目标识别问题。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 增强现实概述
• 1.2 课题研究背景
• 1.3 国内外研究现状
• 1.3.1 户外场景识别发展现状
• 1.3.2 复杂环境下目标检测发展现状
• 1.4 本文的内容和结构
• 1.4.1 论文的研究目的
• 1.4.2 论文的研究内容
• 1.4.3 论文章节结构
• 第2章 自然特征提取和处理
• 2.1 特征提取与不变性
• 2.2 尺度空间与尺度金字塔
• 2.3 特征的组织结构
• 2.4 主成份分析
• 2.5 本章小结
• 第3章 场景分类与识别
• 3.1 混合特征模型
• 3.1.1 混合特征选取
• 3.1.2 地理信息检索树与混合特征模型
• 3.2 混合特征模型的学习算法
• 3.2.1 随机 Ferns
• 3.2.2 测试函数
• 3.3 基于自适应权重的识别算法
• 3.4 校园导航应用
• 3.5 本章小结
• 第4章 物体检测识别
• 4.1 基于部件的重构模型与物体的组成结构
• 4.2 重构模型的学习算法
• 4.2.1 支持向量机
• 4.2.2 风险最小化-支持向量机的统计解释
• 4.2.3 分类算法的比较
• 4.2.4 含有隐变量的支持向量机
• 4.2.5 最优组成结构中的外观参数学习
• 4.2.6 基于与或搜索算法的最优组成结构
• 4.2.7 基于Group Lasso 的最优组成结构
• 4.3 基于重构模型的检测算法
• 4.4 重构模型的应用
• 4.4.1 车辆检测
• 4.4.2 手机移动增强现实
• 4.5 本章小结
• 第5章 实验
• 5.1 场景识别性能分析
• 5.2 物体检测识别性能分析
• 5.3 本章小结
• 第6章 结论和展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 攻读学位期间发表论文与研究成果清单
• 致谢