條件隨機場中嵌入先驗信息的圖像理解算法研究.pdf

1、場景圖像理解(Scene Image Understanding)是計算機視覺(Computer Vision)研究領域中的重要內容，它是視覺媒體內容更高層語義理解的基礎，在圖像檢索、自動駕駛等應用中起著關鍵作用。近年來，場景圖像理解一直是學術界的研究熱點，倍受研究者的關注。以條件隨機場(Conditional Random Field, CRF)為基本框架，研究者在場景圖像理解算法的設計上取得了可喜的進展，其中，CRF下嵌入局部平滑、

2、位置、共現等上下文先驗信息的圖像理解算法取得了較好的分類效果，但目標分類精度仍需進一步提高，因此如何挖掘更加有效的上下文先驗信息有待進一步研究。
　　本研究主要內容包括：⑴提出了CRF框架中嵌入顯著性檢測先驗信息的圖像理解算法(CRF basedImage Understanding by Embedding Saliency Prior, SPCRF)。該算法以CRF為基本框架，通過閾值法分割圖像中前景目標，進而構建統(tǒng)一的CRF

3、分類模型。SPCRF算法在前景目標區(qū)域采用超像素作為分類單元，構建超像素間全連接關聯(lián)關系，可相對有效地解決復雜前景目標中各子區(qū)域間由于顏色紋理差異較大引起的分類不一致問題。在圖像理解數據集上的實驗結果表明，SPCRF算法有效地提高了前景目標的分類精度且取得了較高的整體分類精度。⑵提出了CRF框架中嵌入目標置信度先驗信息的圖像理解算法(CRF basedImage Understanding by Embedding Object Con

4、fidence Prior, OCPCRF)。該算法以CRF為基本框架，通過在CRF中嵌入目標置信度語義上下文先驗信息并結合目標空間位置先驗信息實現圖像標注。與傳統(tǒng)基于簡單統(tǒng)計構造的目標共現上下文信息不同, OCPCRF算法通過采用一對多策略構建目標分類器，進而有效地計算目標置信度語義信息，以此提升模型的泛化能力。實驗結果表明，OCPCRF算法可有效提高圖像標注的精度。⑶提出了CRF框架中嵌入圖像間配準信息的弱監(jiān)督場景圖像理解算法(CR