交通視頻中物體定位與識別的泛型技術(shù)研究.pdf

1、視頻圖像上的物體檢測與識別技術(shù)通常都依賴于目標(biāo)物體在形狀、外觀特征上的先驗(yàn)知識。對于這些先驗(yàn)知識,我們可以進(jìn)行人為分析來建立具體特征上的判別規(guī)則,而這樣得到的判別規(guī)則往往缺乏擴(kuò)展性。在現(xiàn)代應(yīng)用中更可行的方案是使用機(jī)器學(xué)習(xí)技術(shù)在已知的數(shù)據(jù)上對物體特征進(jìn)行歸納,以此對未知數(shù)據(jù)做出判斷。而在圖像內(nèi)容分析上的另一難點(diǎn)則是基礎(chǔ)圖像數(shù)據(jù)與高層物體對象之間的“語義鴻溝”問題,尤其在交通視頻的處理上,我們的目標(biāo)不僅僅是處理圖像上的邊緣或紋理,而是對圖像

2、中的物體進(jìn)行判定和識別。針對這些問題,本文對圖像特征提取、物體模型表達(dá)、機(jī)器學(xué)習(xí)分類方法以及圖像物體搜索等領(lǐng)域進(jìn)行了多方面的研究,分析了適應(yīng)不同需求的方法,并提出自己的改進(jìn)。
　　 在圖像特征提取上,本文首先回顧了灰度直方圖、梯度等基礎(chǔ)圖像處理技術(shù)的特點(diǎn)及其在物體檢測應(yīng)用中的缺陷,在此基礎(chǔ)上詳細(xì)分析了以SIFT為代表的圖像特征點(diǎn)檢測和特征點(diǎn)描述方法。局部特征點(diǎn)描述符能夠更好地適應(yīng)視角、光照等條件改變引起的物體外觀變化。得到更為穩(wěn)

3、定的圖像特征后,我們使用矢量量化方法在這些特征上生成標(biāo)準(zhǔn)特征字典,并以標(biāo)準(zhǔn)特征構(gòu)造BOF物體表達(dá)模型。BOF模型不依賴于物體的具體形狀或外觀特征,是一種通用的物體表達(dá)模型,同時(shí)還具有良好的擴(kuò)展性。本文提出在BOF框架中加入特征點(diǎn)空間信息的方法,以此來更準(zhǔn)確地表達(dá)結(jié)構(gòu)化物體。
　　 本文對數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)方法進(jìn)行了深入研究,總結(jié)了監(jiān)督學(xué)習(xí)方法和無監(jiān)督學(xué)習(xí)方法、以及生成模型和判別模型之間的差異,并以典型的聚類、分類算法為例分析了不

4、同方法的使用范圍。針對圖像上物體識別這一具體應(yīng)用,本文詳細(xì)分析了最近鄰搜索、樸素貝葉斯、支持向量機(jī)等當(dāng)前普遍采用的方法,并以這些高效的分類算法為基礎(chǔ),結(jié)合滑動窗口搜索提出了通用的圖像物體定位解決方案。通過引入分支定界搜索技術(shù),我們進(jìn)一步解決了窮盡式搜索中時(shí)間復(fù)雜度過高的問題。
　　 最后,本文通過具體實(shí)驗(yàn)對上述研究結(jié)論進(jìn)行了驗(yàn)證。在Pascal VOC、實(shí)際交通視頻數(shù)據(jù)、字符識別等多個不同應(yīng)用上對我們的原型系統(tǒng)進(jìn)行了測試,并進(jìn)行