基于梯度特征和位置信息的目標(biāo)識(shí)別算法研究.pdf

1、目標(biāo)識(shí)別是計(jì)算機(jī)視覺(jué)領(lǐng)域里一個(gè)重要的分支，經(jīng)過(guò)研究學(xué)者幾十年的努力，目標(biāo)識(shí)別技術(shù)已經(jīng)成功并廣泛的應(yīng)用在了我們身邊的各個(gè)領(lǐng)域，在農(nóng)業(yè)、醫(yī)療服務(wù)業(yè)及智能交通監(jiān)控行業(yè)里都取得了較好的成果，其在工業(yè)應(yīng)用、航天事業(yè)及軍事領(lǐng)域里也起著非常重要的作用。理想的目標(biāo)識(shí)別系統(tǒng)是能夠模擬人腦感知視覺(jué)場(chǎng)景，準(zhǔn)確識(shí)別出目標(biāo)并對(duì)其進(jìn)行跟蹤，而現(xiàn)實(shí)場(chǎng)景的復(fù)雜及系統(tǒng)的認(rèn)知學(xué)習(xí)能力使得這項(xiàng)技術(shù)仍處在不斷的發(fā)展階段。
　　本文提出一種基于梯度特征和位置信息的目標(biāo)識(shí)別

2、算法，即在特征提取時(shí)結(jié)合目標(biāo)各復(fù)合實(shí)體的位置信息，從而提高識(shí)別的準(zhǔn)確率。在圖像預(yù)處理中，提出一種基于區(qū)域色彩空間和LBP算法的圖像分割，是MSRM算法的改進(jìn)，有效降低了區(qū)域特征的矢量維數(shù)，在算法的執(zhí)行效率上比MSRM算法更優(yōu)，從而將訓(xùn)練集目標(biāo)特征的提取的準(zhǔn)確率提高。在提取目標(biāo)特征模塊，改進(jìn)傳統(tǒng)的特征提取方法，即將整個(gè)目標(biāo)分成幾個(gè)復(fù)合實(shí)體，提取出目標(biāo)的梯度特征，這里梯度特征的提取采用HOG算法，它是用滑動(dòng)窗口機(jī)制來(lái)提取目標(biāo)的外觀(guān)邊緣特征，

3、首先歸一化顏色空間，減少光照及背景環(huán)境的影響，再進(jìn)行梯度計(jì)算，計(jì)算細(xì)胞單元梯度直方圖，并對(duì)細(xì)胞單元組成的塊的直方圖歸一化，最后提取出梯度特征向量，再將目標(biāo)的各復(fù)合實(shí)體的位置信息提取出來(lái)，創(chuàng)建訓(xùn)練集圖像特征庫(kù)。分類(lèi)器訓(xùn)練模塊中，我們采用在模式識(shí)別領(lǐng)域比較常用的支持向量機(jī)SVM以及Boosting分類(lèi)算法。SVM具有較好的最優(yōu)化性能和泛化性能，對(duì)不同環(huán)境、背景下目標(biāo)識(shí)別、檢測(cè)具有較好效果；Boosting方法簡(jiǎn)單，魯棒性強(qiáng)、速度快、能有效的