圖像目標(biāo)識(shí)別的中層特征學(xué)習(xí)方法及應(yīng)用研究.pdf

1、圖像目標(biāo)識(shí)別是計(jì)算機(jī)視覺(jué)的核心問(wèn)題之一，而視覺(jué)特征提取是決定圖像目標(biāo)識(shí)別水平的關(guān)鍵。本文以國(guó)家自然科學(xué)基金重大研究計(jì)劃“視聽(tīng)覺(jué)信息的認(rèn)知計(jì)算”支持的重點(diǎn)項(xiàng)目“高速公路車(chē)輛智能駕駛中的關(guān)鍵科學(xué)問(wèn)題研究”和國(guó)防973項(xiàng)目“水面***基礎(chǔ)研究”為課題研究背景。圍繞圖像目標(biāo)識(shí)別的中層特征學(xué)習(xí)與表示方法展開(kāi)研究，提出有效的視覺(jué)特征學(xué)習(xí)算法提高了圖像目標(biāo)檢測(cè)與識(shí)別的性能和無(wú)人駕駛車(chē)輛的視覺(jué)環(huán)境感知能力。論文的主要成果和創(chuàng)新點(diǎn)如下：
　　(1)

2、提出了基于層次化自動(dòng)編碼網(wǎng)絡(luò)的神經(jīng)元通道特征提取算法。該算法從圖像通道的局部信息壓縮方式入手，利用層次化的自動(dòng)編碼神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)低維通道特征的提取。神經(jīng)元通道特征是以類(lèi)別相關(guān)的數(shù)據(jù)驅(qū)動(dòng)方式完成提取，相比已有的通道特征更加具備數(shù)據(jù)的自適應(yīng)性和圖像外觀(guān)描述能力。
　　(2)提出了結(jié)合神經(jīng)元通道特征和分塊集成決策樹(shù)的目標(biāo)檢測(cè)方法。該方法強(qiáng)調(diào)對(duì)不同屬性的通道特征分塊進(jìn)行特征選擇，并設(shè)計(jì)了一種自適應(yīng)的集成決策樹(shù)算法建立強(qiáng)分類(lèi)器來(lái)實(shí)現(xiàn)有效的目標(biāo)

3、檢測(cè)。該檢測(cè)方法在行人和路標(biāo)檢測(cè)等國(guó)際公開(kāi)數(shù)據(jù)庫(kù)中均取得了優(yōu)異的性能，并在本文建立的大規(guī)模中國(guó)路標(biāo)檢測(cè)數(shù)據(jù)庫(kù)中達(dá)到95％檢測(cè)準(zhǔn)確率，應(yīng)用于無(wú)人駕駛汽車(chē)的視覺(jué)環(huán)境感知系統(tǒng)。
　　(3)提出了一種基于組稀疏化正則的圖構(gòu)建算法。該算法強(qiáng)調(diào)利用組稀疏化的正則項(xiàng)約束圖的鄰接關(guān)系，使得在構(gòu)圖過(guò)程中同時(shí)考慮稀疏性和局部性約束，進(jìn)而改善圖結(jié)構(gòu)的類(lèi)內(nèi)關(guān)聯(lián)性和類(lèi)間區(qū)分度。同時(shí)，我們給出了組稀疏化圖構(gòu)建的快速求解算法、核擴(kuò)展方案以及基于組稀疏化圖的流形

4、特征學(xué)習(xí)算法。相關(guān)流形算法在不同的圖像聚類(lèi)和分類(lèi)數(shù)據(jù)庫(kù)測(cè)試中進(jìn)行了驗(yàn)證分析，驗(yàn)證結(jié)果均表明了算法的有效性，同時(shí)算法應(yīng)用到環(huán)境感知中的路標(biāo)識(shí)別任務(wù)中，實(shí)現(xiàn)了準(zhǔn)確的多類(lèi)交通路標(biāo)識(shí)別。
　　(4)提出了一種分解后提取的中層特征學(xué)習(xí)和目標(biāo)識(shí)別框架。該框架強(qiáng)調(diào)對(duì)圖像結(jié)構(gòu)-紋理成分的分而治之，利用分解的機(jī)制產(chǎn)生多種圖像成分空間然后實(shí)現(xiàn)屬性相關(guān)的特征提取與合并。在框架中，我們給出了一種分層的圖像結(jié)構(gòu)-紋理分解方法和屬性相關(guān)的中層特征提取的方案。