基于快速鲁棒性特征的物体识别检测算法研究

论文摘要

物体的识别检测是计算机视觉领域各项研究中的基础环节,对物体进行准确的识别检测能够为计算机视觉中的其他研究工作提供良好的指导。在基于学习有监督的物体识别检测中主要解决两个问题:一是如何选取有效的特征解决物体的旋转、平移、尺度变化,同时降低识别检测中的遮挡、噪声的影响来构造分类器以达到比较好的识别准确率;二是在分类器达到比较好的识别率的基础上如何提高物体检测的速度,从而能够在图像中快速识别检测到物体的位置。首先,针对第一个问题,由于图像的局部特征描述符具有以上特点,本文提出采用SURF这种局部特征描述符构造分类器。在图像的局部特征描述符中,SIFT有较好的性能,但是维数过高,计算时间过长,而本文采用的快速鲁棒性特征（SURF）相对SIFT有较低的维数和较快的特征计算速度,能够快速提取图像的局部特征。由于图像的局部特征是无序的、数量不定的,可以将该特征结合Bag-of-word模型和SVM构造分类器。实验证明这种分类方法比SIFT特征分类有更快的计算速度,并且对于复杂条件的图像达到了比较好的识别率。其次,针对第二个问题提出使用物体多分辨率检测框架进行物体检测。这种检测方法相比单分辨率下进行检测大大减少了物体检测的空间,从而减少了物体检测的时间,而且思路简单、易于实现。最后,针对目标跟踪中的均值平移（Mean-shift）跟踪算法中不能自动检测待跟踪物体初始位置的缺点,将上述快速鲁棒性特征物体检测算法与均值平移跟踪算法相结合,从而使得均值平移跟踪算法能够自动完成对于特定类别物体的检测跟踪。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 物体识别检测技术研究现状
• 1.3 本文研究工作与贡献
• 1.4 本文组织结构
• 第二章 相关工作及综述
• 2.1 物体识别技术分类
• 2.1.1 以匹配为手段的物体识别
• 2.1.2 以统计为手段的物体识别
• 2.2 物体检测技术分类
• 2.2.1 基于特征点的物体检测方法
• 2.2.2 基于背景减除的物体检测方法
• 2.2.3 基于图像分割的物体检测方法
• 2.2.4 基于学习的物体检测方法
• 2.3 使用相关数据库介绍
• 第三章 基于快速鲁棒性特征物体分类器的构造
• 3.1 引言
• 3.2 SURF特征的提取和特征描述符的生成
• 3.2.1 图像的多尺度表示
• 3.2.2 快速Hessian特征检测
• 3.2.3 SURF特征的特征描述
• 3.3 Bag-of-word模型结合支持向量机分类器的构造
• 3.3.1 Bag-of-word模型
• 3.3.2 图像特征的Bag-of-word模型
• 3.3.3 图像SVM分类器构造
• 3.4 实验过程描述及结果分析
• 3.4.1 SURF特征和SIFT特征速度比较
• 3.4.2 SURF特征分类器和SIFT特征分类器性能比较
• 3.4.3 不同训练集数量SURF特征分类器性能比较
• 3.4.4 不同数据库SURF特征分类器的性能比较
• 3.5 本章小结
• 第四章 基于多分辨率框架的物体检测
• 4.1 图像多分辨率
• 4.2 多分辨率物体检测框架
• 4.3 多分辨率框架与快速鲁棒性分类器结合
• 4.3.1 多分辨率框架分类器构造流程
• 4.3.2 多分辨率框架下物体检测流程
• 4.4 实验过程描述及结果分析
• 4.5 本章小结
• 第五章 快速鲁棒性特征识别检测算法在目标跟踪领域的应用
• 5.1 目标跟踪背景及问题描述
• 5.2 目标跟踪面临的问题
• 5.3 快速鲁棒性特征物体识别检测算法在均值平移目标跟踪中的应用
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 全文工作总结
• 6.2 未来展望
• 参考文献
• 发表论文和参加科研情况说明
• 致谢