基于改进梯度空间直方图的对象检测方法研究

论文摘要

随着社会经济和科技的不断发展,表达信息的方式越来越人性化,也越来越便捷,图形图像以其易感知的特点成为信息传播的主要方式之一。图像中包含了大量的语义信息,但这些并不都是我们感兴趣的,而且就特征提取来说,基于内容的图像识别和图像检索需要提取规模庞大的特征向量,所以如果能抓住图像中有利用价值的部分进行重点对后期的研究将事半功倍。因此,目标检索逐渐成为人为研究的重要方向。对图像中特定目标物体的准确检测,即能剔除干扰信息,又能保留主体部分进行加速进一步的识别或者检索。人脸检测,特指利用分析比较人脸视觉特征信息进行人脸定位,从而达到人脸识别和身份验证的计算机技术,也是今年来比较热门的一项研究领域,由于目前技术比较成熟,现有大量的关于人脸技术的文章,所以本文以人脸检测和识别为主要入口,研究其前沿算法。在复杂场景中,我们往往只对特定的物体感兴趣,如果我们找到一种算法,使计算机能像人眼一样排除背景物体的干扰,准确的将其进行定位,单独的对于这一物体进行特征提取,将有助于在多幅图片中找到包含该物体的那几幅。本文从这一目的出发,利用颜色特征,对复杂场景中的特定物体进行特征提取。对于目标检测中必须要进行的SVM支持向量机分类,本文在实验过程中发现其中存在的弊端,针对这一问题提出了分层投票技术技术,仅仅利用高效率的空间层次上的特征进行训练。由于图像的边缘能保留物体的主体信息,是图像最基本的特征,于是利用边缘信息可以提出不必要的干扰信息,减少需要处理的数据量,保留图像主要结构属性。与此同时,梯度方向直方图(HOG)能很好的表征图像的轮廓和形状特征,因此,在边缘图像的基础上进行HOG特征计算能有效的提取主体特征。近年来,空间金字塔技术成为图像图像处理中的核心算法,它能有效的保留图像的空间信息,更准确的表达图像语义,因此本文在空间梯度直方图的基础上加入空间信息,提出了分层投票技术,利用分层投票技术能将注意力集中到分类效果最好的某些层上,利用这些层对图像类别进行投票。本文分别在101 object category和UIUC Car数据库上进行识别和检测实验,结果表明,无论在对象识别和对象检测领域,本文方法相对于传统的特征向量分类方法均有一定的提高。

论文目录

• 摘要
• 英文摘要
• 1 绪论
• 1.1 研究背景
• 1.2 国内外研究现状
• 1.3 本文所做的工作
• 1.4 论文的组织结构
• 2 对象检测中的基本知识
• 2.1 对象分析
• 2.1.1 对象分析中的常用技术
• 2.1.2 对象分析中的难点
• 2.2 对象检测中的主要特征描述算子和数据库
• 2.2.1 对象检测领域中的主要特征描述子
• 2.2.2 对象检测领域中的主要数据库
• 2.3 对象检测中的对象配准方法
• 2.3.1 基于灰度的图像配准方法
• 2.3.2 基于特征的图像配准方法
• 2.4 利用滑动窗口进行对象检测
• 3 基于颜色特征的对象检测
• 3.1 颜色空间概述
• 3.1.1 RGB颜色空间
• 3.1.2 HSV颜色空间
• 3.1.3 YUV颜色空间
• 3.2 CCV颜色聚合向量
• 3.3 相关试验
• 3.3.1 合并包围盒
• 3.3.2 结果判定
• 4 利用分层投票技术对空间梯度直方图的改进
• 4.1 数字图像的边缘检测
• 4.1.1 边缘检测
• 4.1.2 常见的边缘检测算子
• 4.2 梯度方向直方图
• 4.2.1 梯度方向直方图HOG
• 4.2.2 空间梯度方向直方图PHOG
• 4.3 分层投票机制
• 4.3.1 空间层次选取
• 4.3.2 分层投票
• 4.3.3 最终分类识别率
• 4.3.4 本文方法工作过程
• 4.4 相关试验
• 4.4.1 101 Object Category
• 4.4.2 UIUC Car车体定位
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢