基于轮廓编组和形状指导的目标检测算法研究

论文摘要

计算机视觉研究的目的是使计算机能够具有人类的视觉感知能力,能够理解视觉场景。为了达到这个目的,目标检测是计算机视觉的一项重要任务。如何应对自然场景中的杂物干扰是目标识别研究领域的一个难点问题。本文所研究的问题是:如何从复杂的边缘图像中提取出特定的目标。边缘信息属于图像中重要的结构性信息,边缘信息往往包含了图像中目标的边界。但是,由于自然图像中杂物的存在,传统的边缘检测算法得出的结果往往包含大量无意义的噪声边缘,基于边缘的目标检测方法存在诸多问题。精神物理学研究发现,人类在识别目标的过程中综合了多层信息。基于此发现,本文分别在低层、中层和高层三层视觉信息的利用上进行了挖掘,设计了一种将自底向上的特征提取和自顶向下的形状约束进行结合的方法框架。实验证明,本文提出的方法能够有效的从边缘图像中检测出特定目标。本文的研究工作主要包括以下几个方面:1.提出了一种结合低层、中层和高层视觉信息的目标检测框架。低层层面,检测图像中的目标边界特征;中层方面,根据目标轮廓片段之间的相似性和空间上下文关系进行编组;高层方面,使用形状特征对轮廓编组的结果进行约束和修正,提取目标轮廓。2.对于低层边界信息的检测,本文选择了与传统边缘检测算法不同的现代边界检测算法。算法考虑了对颜色、纹理、亮度多种特征的综合使用,大大减少了对复杂场景图片进行边界检测时产生的噪声轮廓片段,使得本文所得的结果具有较强的鲁棒性。3.针对低层边界检测得到的结果对不连续的问题,本文在轮廓提取的基础上,对轮廓信息进行了编组操作,得到中层视觉表示:显著性轮廓,并将显著性轮廓用于指导目标检测;同时,针对实际应用中轮廓编组受目标内部轮廓段信息干扰的问题,本文提出了一种基于邻域投票的边缘抑制算法,提高了轮廓编组的性能。4.对于形状信息的应用,本文改进了轮廓连接网络模型,设计了一种新的基于深度优先搜索的目标轮廓提取算法。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 问题的提出
• 1.2 本领域研究现状
• 1.2.1 复杂场景目标分割与检测
• 1.2.2 基于多层信息相结合的复杂场景处理方法
• 1.2.3 形状信息在当前目标识别研究中的地位
• 1.3 本文贡献
• 1.4 论文组织结构
• 第二章 自然图像的边界检测
• 2.1 边缘检测
• 2.2 基于多种局部特征的轮廓提取算法
• 2.2.1 自然图像中目标边界的局部特征
• 2.2.2 Global Probabilistic Boundary （gP b ）边界检测算子
• 2.3 实验结果
• 第三章 显著性轮廓提取
• 3.1 显著性特征的视觉基础
• 3.2 基于Ratio Contour 算法的显著性轮廓提取
• 3.3 基于邻域投票的边缘抑制算法
• 3.4 实验结果
• 第四章 形状模型指导下的目标轮廓提取
• 4.1 形状对于目标检测的重要性
• 4.2 形状信息在目标提取中的使用
• 4.3 基于形状模型指导的轮廓选择算法
• 4.3.1 基于直线段的形状表示模型
• 4.3.2 轮廓段连接网络的构造
• 4.3.3 局部相似度评估
• 4.3.4 动态轮廓段连接网络的构建
• 4.3.5 基于深度优先搜索的轮廓提取
• 4.4 实验结果
• 第五章 总结与展望
• 5.1 本文研究工作总结
• 5.2 存在的问题和研究工作展望
• 致谢
• 参考文献
• 作者在学期间取得的学术成果