基于局部学习的超像素级图像目标识别

论文摘要

随着计算机视觉的广泛应用和图像处理技术的发展,人们对计算机智能化的图像内容识别提出了愈来愈高的要求,以适应实际应用以及更高级的图像处理算法的需要。图像目标识别的目的,不仅需要确定图片中是否有特定的目标存在,还要进一步确定目标的位置、尺度等。传统的基于滑动窗的目标识别方法,通过矩形框扫描的方法,确定图像区域包含某类目标的概率来判定目标。该方法计算量大且只能得到一个表示目标大概位置的矩形框。基于分割的目标识别方法先将图片分割为图像块,再在各图像块中判定目标的所在,从而减小运算量,然而其过分依赖于分割算法的准确性。像素级目标识别为一张图片中的每一个像素赋予一个类别标签,实现以像素为单位的目标识别。然而该方法也存在运算量大、数据冗余的问题,且由于像素提供的图像信息较弱,判别结果的准确性和连续性较差。本文采用过分割方法得到的超像素作为图像目标识别的基本单元,通过确定图像中每个超像素的类别标签来进行目标识别。超像素可以将图像中连续的同质区域结合在一起,从而减少了图像中的冗余信息。超像素也可以保留目标的边界信息,可以得到更好的目标分割边界。为了解决超像素分类的类内差异问题,本文提出了一种基于局部学习的超像素分类方法。与传统的在整个数据集上训练一个全局分类器不同,该方法通过将整个数据集分解为若干个子集,在每个子集上训练一个局部的分类器,从而将一个复杂的高度非线性分类问题,转化为多个局部线性分类问题来解决。局部学习方法可以有效解决分类中的类内差异问题,提高超像素分类的准确性。为了加强超像素的表现力和空间连续性,本文将超像素与其N邻域内超像素进行特征合并,并利用超像素颜色均值图对超像素邻域合并进行修正,从而使边界处的超像素尽可能与同类超像素合并,使识别结果得到较为清晰的目标边缘。最后,本文利用基于超像素的Graph Cuts图论模型对目标识别结果进行分割,得到目标识别结果的分割图。我们在具有较大挑战性的Graz-02数据集上验证了本文的算法。实验证明,本文提出的基于局部学习的超像素级图像目标识别方法,得到了较好的识别率和边界较为清晰的目标识别结果分割图。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景及意义
• 1.2 图像目标识别研究现状
• 1.3 本文主要工作
• 2 超像素级目标识别
• 2.1 超像素
• 2.1.1 超像素作为目标识别基本单元的意义
• 2.1.2 过分割方法的选择
• 2.2 超像素特征
• 2.2.1 DSIFT特征
• 2.2.2 Bag-of-Words特征
• 2.2.3 结合DSIFT与Bag-of-Words特征
• 2.3 超像素目标识别方法
• 2.3.1 算法框图
• 2.3.2 K-means字典
• 2.3.3 分类器设计
• 2.4 超像素邻域
• 3 基于局部学习的目标识别
• 3.1 局部学习的基本思想
• 3.2 本文局部学习方法
• 3.2.1 局部模型的划分
• 3.2.2 局部模型的构造
• 3.2.3 局部模型的数量
• 3.3 超像素邻域的修正
• 3.4 识别结果的分割
• 4 实验结果与分析
• 4.1 Graz-02数据库介绍
• 4.2 参数设定及结果评价准则
• 4.2.1 参数设定
• 4.2.2 结果评价准则
• 4.3 实验结果评价与分析
• 4.3.1 本文超像素级目标识别结果
• 4.3.2 超像素级目标识别与其他目标识别方法的比较
• 4.3.3 本文超像素级目标识别的分割结果图
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢