基于兴趣点多特征融合的物体识别方法研究

论文摘要

物体识别是计算机视觉研究领域中最具挑战性的研究课题之一。随着现代图像获取技术的提高,基于图像的物体识别具有良好的应用前景。然而,基于图像进行物体识别也面临很多困难:如视点变化、物体类与类之间和类内差异都使得物体识别更具有挑战性。近年来,兴趣点由于具有计算量小和信息含量高的特点被广泛应用于图像识别领域中。现阶段大多数基于单一特征物体识别方法都不能达到良好的识别效果,这主要是由于多类物体要正确识别需要考虑到更多的特征。因此,多特征的融合近年来也越来越多地被使用到模式识别中。本文就物体识别面临的困难,综合考虑兴趣点和多特征融合思想的优点,提出一种基于兴趣点多特征加权融合的物体识别方法。首先,利用简化的LTP算子去除Harris冗余角点。研究了对于提取图像的局部特征非常有效的兴趣点检测方法,通过比较LBP算子与LTP算子的优缺点,利用简化的LTP算子去除Harris检测到的冗余角点,实验证明简化的LTP算子对于冗余角点的去除有一定的效果。其次,定义了一种确定图像感兴趣区域的方法。根据检测到的兴趣点的精确位置信息定义待识别图像的感兴趣区域,实验证明获取到的图像感兴趣区域既能包含待识别物体的基本信息,而且能去除图像中的背景和其他冗余信息。然后,采用形状不变矩、离散小波变换和颜色直方图方法分别提取感兴趣区域的形状、纹理和颜色特征。采用提取感兴趣区域图像的特征的方法,不仅克服了形状、纹理和颜色特征没有位置信息的缺点,而且采用形状不变矩、离散小波变换和颜色直方图表示的图像特征对图像的旋转和尺度变化都具有良好的鲁棒性。最后,结合支持向量机与K近邻分类方法给出了一种多特征融合的方法。采用支持向量机按照单一特征进行预分类,得到的分类结果用于计算特征权重。在K近邻分类方法的距离函数中引进特征权重,从而得到融合多种特征的适合各类物体的分类器。在Caltech-101图像库上进行实验,实验结果表明了改进后的分类方法能有效地提高物体识别的正确率。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 论文研究背景
• 1.2 物体识别的研究现状
• 1.2.1 物体识别国内外的研究成果
• 1.2.2 物体识别亟待解决的问题
• 1.3 物体识别的发展趋势
• 1.4 论文的主要研究工作
• 1.5 论文组织结构
• 第二章 相关理论和算法基础
• 2.1 兴趣点检测原理
• 2.2 图像特征提取方法
• 2.2.1 图像形状特征提取
• 2.2.2 图像纹理特征提取
• 2.2.3 图像颜色特征提取
• 2.3 多特征融合方法
• 2.4 分类识别方法
• 2.4.1 支持向量机分类方法
• 2.4.2 K近邻分类方法
• 2.5 小结
• 第三章 去除冗余角点确定感兴趣区域
• 3.1 LBP与LTP算子基本原理
• 3.1.1 LBP算子
• 3.1.2 LTP算子
• 3.2 去除冗余角点的方法
• 3.2.1 简化的LTP算子去除冗余角点的方法
• 3.2.2 实验测试结果及分析
• 3.3 感兴趣区域的确定
• 3.3.1 感兴趣区域的确定方法
• 3.3.2 实验测试结果及分析
• 3.4 小结
• 第四章 基于SVM与KNN的特征加权融合方法
• 4.1 引言
• 4.2 基于SVM的特征权重计算方法
• 4.3 改进的KNN分类识别算法
• 4.4 实验结果及分析
• 4.4.1 实验图像数据库介绍
• 4.4.2 改进前后的实验结果对比
• 4.4.3 Caltech-101 图像库上实验结果与现有方法的比较
• 4.5 小结
• 第五章 基于兴趣点多特征融合的物体识别系统设计与实现
• 5.1 系统设计
• 5.1.1 系统结构
• 5.1.2 基本功能
• 5.2 系统实现
• 5.2.1 图像感兴趣区域确定
• 5.2.2 图像特征提取
• 5.2.3 分类识别结果
• 5.3 小结
• 第六章 结论及未来的工作
• 6.1 结论
• 6.2 未来的工作
• 致谢
• 攻读硕士学位期间从事的科研工作及发表的论文
• 参考文献