基于稀疏部件輪廓擴展的形變感興趣目標定位技術(shù)研究.pdf

1、感興趣目標定位一直是計算機視覺和模式識別等領(lǐng)域的研究熱點之一。在過去幾十年中，研究者們提出很多方法解決非形變目標定位問題，但對于形變目標定位問題仍存在不少困難。本文在總結(jié)和分析國內(nèi)外相關(guān)研究工作的基礎上，主要討論下面三個改進的感興趣目標檢測定位算法。
　　首先，針對傳統(tǒng)基于形狀信息的目標定位算法對目標發(fā)生形變情況下定位的困難，研究基于稀疏活動輪廓模型的目標檢測算法。本文先用共同勾畫算法學習到感興趣目標的稀疏活動輪廓模型，構(gòu)成該模型

2、的Gabor基元能局部擾動以適配形變圖像；然后用交替的sum-max maps結(jié)構(gòu)檢測圖像中與輪廓模型匹配分數(shù)最高的區(qū)域，并分割出來；最后用視覺皮層模型對分割后的圖像進行模式分類確認目標。實驗結(jié)果驗證了該算法的有效性。
　　其次，針對稀疏活動輪廓模型可以較好地解決目標微小形變情況下的定位問題，但是對訓練樣本要求嚴格，同時學習到的可變形模板對目標發(fā)生較大形變情況下的定位產(chǎn)生一定偏差，研究基于稀疏活動輪廓擴展的形狀腳本模型的目標檢測算

3、法。本文通過擴展活動輪廓模型學習到組成感興趣目標的可變形形狀圖案，這些形狀圖案構(gòu)成的形狀腳本模型能夠提高檢測算法在目標形變較大情況下的魯棒性；然后用該模型在遞歸的sum-max maps結(jié)構(gòu)上進行圖像匹配實現(xiàn)目標定位。該方法取得良好的定位效果。
　　最后，針對傳統(tǒng)的基于梯度方向直方圖特征的目標定位算法受噪聲、變形等因素影響較大的情況，研究基于 HOG特征混合模型的感興趣目標定位算法。首先用訓練樣本的梯度方向直方圖特征訓練分類器LS