基于空间邻域词袋模型的图像标注技术

论文摘要

图像目标自动识别标注是计算机视觉研究的一个重要问题,在最近几年得到了很大发展。如基于SIFT（Scale-invariant feature transform）关键点特征的词袋模型技术,在图像场景分类及目标识别标注中均得到了很好的应用。但是仍然存在很多问题,如尺度变换、光照变换、多视角变化、同种类别间的差异以及类别的增多等给识别标注造成了很大困难。针对传统的目标自动识别标注所存在的一些问题,在如下几个方面做出了一些创新性工作:1)基于用户先验的交互式目标提取的框架,将两类交互式图像分割问题拓展到多类情况。结合多层图模型,利用用户的初始画笔信息最优化全局能量函数,获得图像的分割结果。2)提出了基于字典的空间邻域特征,在描述图像特征时,考虑到词袋模型忽略了图像的空间结构关系,将图像的局部空间关系也融入到特征矢量中,改进了基于图像关键点的识别方法,并将此方法应用到场景分类中,取得了较好的识别结果。3)融合了基于多分割的图像预处理技术和区域邻域直方图统计信息,并结合条件随机场进行优化,研究如何利用图像分割指导目标识别问题,然后结合自顶向下和自底向上的学习方法,识别和定位图像中的目标。最后通过多个分类器的投票,来决策最终识别的结果。实现了自动图像标注系统和交互式目标提取系统,给定一幅图像,通过模式识别和机器学习等方法,自动的标注该图像中存在的目标及其位置,在一些主流数据集上达到了较高的识别率。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景与意义
• 1.2 国内外研究现状
• 1.3 本文结构
• 2. 场景分类技术介绍
• 2.1 场景分类引言
• 2.2 词袋模型
• 2.3 SIFT 尺度不变关键点
• 2.4 视觉词汇表
• 2.5 支持向量机学习
• 2.6 基于用户先验的目标提取
• 2.7 本章小结
• 3. 融合空间信息场景分类
• 3.1 空间金字塔模型
• 3.2 融合空间邻域信息场景分类算法
• 3.3 实验结果
• 3.4 本章小结
• 4. 融合邻域信息和多尺度分割的图像标注技术
• 4.1 引言
• 4.2 多分割模型
• 4.3 融合相邻区域的特征信息
• 4.4Graph Cut 介绍
• 4.5 条件随机场对分类结果的优化
• 4.6 实验结果
• 4.7 本章总结
• 5 系统分析
• 5.1 数据集的选取
• 5.2 评价方法
• 5.3 实验环境
• 5.4 系统分析
• 5.5 本章小结
• 6 总结与展望
• 6.1 工作总结
• 6.2 未来工作
• 致谢
• 参考文献
• 附录 1 攻读学位期间发表论文研究成果