关节式物体检测识别及应用

论文摘要

计算机视觉(Computer Vision)是研究如何使机器对多维图像数据产生智能感知的科学。目标对象检测识别属于基础领域研究,对图像理解至关重要。有效的目标对象检测识别算法框架是图片检索、医学图像处理、视频监测、人机界面交互系统等领域的前提、保障。然而,目标对象检测识别技术尚处在初级阶段、前景广阔,关节式物体检测识别的通用鲁棒性理论和算法框架仍未出现。本文提出简单的基于可变形模型的迭代关节式物体检测识别算法框架。该算法对传统的关节式物体模型作出相应的改进,基于改进的底层图像形状特征寻找局部关节式物体匹配,并组织起来产生目标对象检测识别的假设结果。背景杂物干扰信号是影响目标对象检测识别性能的关键因素,特征改进主要是为避免背景信号对目标对象的形状特征产生干扰并使得形状特征对关节式物体局部形变有着较好容忍。利用先验概率模型在图像中寻找关节式物体假设检测结果是自顶向下的搜索识别过程,目标对象检测识别率较高但精确度却不理想。为有效提高目标对象的检测识别精确度,利用分类器对关节式物体检测识别的假设结果作真假辨别,并结合自底向上局部分割区域获取关节式物体在图像中的前景估计信息。由最终实验结果可以看出,利用该方法所抽取的图像底层形状特征可以较好地去除掉背景杂物干扰信号,进行目标对象检测识别,检测识别精确度较高。匹配目标对象的检测识别结果过程中保证关节式物体底层局部形状信息真实、完整。在数字化服装领域中,个性化服装定制(P.MTM)是人体识别算法的重要应用场景。基于客户体型的人体模型可以为批量服装制造提供快捷渠道。本文提出的物体识别方法能够提供用户身体参数信息用于建立个性化人体模型。

论文目录

• 目录
• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景和意义
• 1.2 研究内容和方法
• 1.2.1 研究问题描述
• 1.2.2 研究方法回顾
• 1.3 主要设计难点
• 1.4 本文的组织结构
• 第二章 物体检测识别综述
• 2.1 图像特征提取与特征选择
• 2.1.1 基于颜色通道的直方图特征
• 2.1.2 基于局部点的特征
• 2.2 物体识别方法综述
• 2.2.1 基于统计的方法与基于物体部件的识别框架
• 2.2.2 基于特征匹配的物体识别分类方法
• 2.3 物体识别性能评估标准
• 2.4 物体识别数据库简介
• 2.4.1 数字手写体（MNIST）数据库
• 2.4.2 Caltech 101数据库
• 2.4.3 Microsoft object recognition database数据库
• 2.4.4 PASCAL Visual Object Classes数据库
• 2.5 本章小结
• 第三章 结合识别与分割的关节式物体检测方法
• 3.1 算法动机
• 3.2 预处理
• 3.3 图像特征提取和特征选择
• 3.3.1 边缘信息特征
• 3.3.2 直方图区间模糊化处理
• 3.3.3 特征选择
• 3.4 关节式物体模型
• 3.4.1 条件随机场
• 3.4.2 树结构模型
• 3.5 自顶向下的假设估计
• 3.5.1 迭代分析算法
• 3.5.2 新颖的推理分析过程
• 3.5.3 回溯过程
• 3.5.4 泛化能力
• 3.6 利用分类器进行假设验证
• 3.7 关节式物体姿势估计
• 3.8 试验结果
• 3.8.1 实验数据集
• 3.8.2 基于可变形模型的可视化效果
• 3.8.3 使用图像形状特征和前景掩码的迭代效果
• 3.8.4 运动目标检测可视化效果
• 3.8.5 定性分析
• 3.8.6 其他复杂图片检测识别效果
• 3.9 本章小结
• 第四章 关节式物体识别检测应用场景分析
• 4.1 面向个性化的服装定制
• 4.1.1 应用背景
• 4.1.2 算法流程
• 4.1.3 模型映射
• 4.1.4 试验结果
• 4.2 线条画提取绘制
• 4.2.1 非真实感绘制
• 4.2.2 线条画提取
• 4.2.3 算法流程
• 4.2.4 试验结果
• 4.3 本章小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢