一般物体识别的整体特征组合与分析

论文摘要

视觉问题是科学领域和工程领域中一个极富挑战性的研究课题，具有重要的理论意义和广泛的应用前景。一般物体识别则是计算机视觉领域的一个相当困难和基本的问题。目前为止，虽然针对特定物体或者特定特征的识别任务（如人脸检测及识别）已有较为成熟的方法并已经应用于日常生活，但如何设计出一套适用于一般物体的通用系统，仍然非常具有挑战性。本文针对这一问题，从计算机视觉这一角度出发进行阐述，基于概率统计的方法和尺度空间理论构建了一个全新的用于一般物体识别的特征组合模型。本论文首先就近年来在此领域内的进展作一综述，分析目前基于小块检测与识别算法的问题和不足，然后提出全新的层次化特征组合模型，并且详细阐述了实现方案，最后通过实验验证该模型的可行性。本论文的主要工作和创新点包括以下几个方面：1.本文从生物理论及感知角度上分析特征组合在视觉领域的必要性，摆脱基于小块的研究思想，介绍目前已有的特征组合算法，并提出基于尺度空间理论的特征组合概念。2.针对基于尺度空间理论的特征组合概念，本文设计出稳定三角（StableTriplet），将空间位置相对稳定的零散的基本特征有机的组合起来，形成更高层次的特征，并且利用它设计出多级层次化的特征组合模型。该模型适用于一般物体，而不针对特定物体添加任何额外假设。3.本文给出了层次化特征组合模型的建模及解模过程，对复杂的计算进行简化，并用计算机仿真实验对它的可行性进行了验证。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 引言
• 第二章 背景知识
• 2.1 一般物体识别研究进展
• 2.1.1 预处理
• 2.1.2 特征提取
• 2.1.3 建模
• 2.1.4 匹配
• 2.2 一般物体识别的难点
• 2.2.1 特征定义与选取
• 2.2.2 特征组合
• 2.2.3 在线学习方法（On-line Learning）
• 2.3 物体识别测试数据集简介
• 2.3.1 MNIST
• 2.3.2 Caltech 101
• 2.3.3 PASCAL
• 2.3.4 自动数据采集
• 第三章 层次化特征组合分析与设计
• 3.1 基于小块的物体识别
• 3.1.1 优点
• 3.1.2 缺点
• 3.2 目前的特征组合算法
• 3.2.1 K-fan
• 3.2.2 HMAX
• 3.2.3 概率组合模型
• 3.3 基于尺度空间理论的特征组合
• 3.4 基本特征
• 3.4.1 Kadir&Brady特征提取
• 3.4.2 聚类
• 3.5 特征组合算法
• 3.5.1 组合稳定三角
• 3.5.2 组合建模
• 3.5.3 弱监督的结构训练
• 3.5.4 识别算法
• 3.5.5 小结
• 第四章 实验
• 4.1 数据集
• 4.2 实验结果
• 4.2.1 特征提取结果
• 4.2.2 第一层字典
• 4.2.3 第一层组合
• 4.2.4 第二层字典
• 4.2.5 识别结果
• 4.2.6 与基于小块的算法的比较
• 4.2.7 物体定位
• 第五章 总结与展望
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录
• 简历