形狀的潛在語義結(jié)構(gòu)表示及匹配研究.pdf

1、以視覺感知為特征的機(jī)器系統(tǒng)具有非常廣泛的應(yīng)用領(lǐng)域，如智能視頻分析、智能交通、場景識別、戰(zhàn)場感知、景象匹配制導(dǎo)、遙感圖像分析、圖像檢索、自動導(dǎo)航、機(jī)器人工件抓取等。然而，那些具有視覺感知能力的機(jī)器的性能及其應(yīng)用前景又依賴于目標(biāo)表示和識別所能達(dá)到的水平，目標(biāo)表示與識別的性能水平成為了機(jī)器實(shí)現(xiàn)視覺感知能力的技術(shù)瓶頸，同時(shí)，它還是任何一個(gè)具有視覺感知能力的實(shí)際應(yīng)用系統(tǒng)的核心問題和關(guān)鍵技術(shù)。形狀是物體最基本的有感知意義的特征之一，因此對形狀表示和

2、識別方法的研究一直是計(jì)算機(jī)視覺領(lǐng)域的熱點(diǎn)問題。
　　形狀表示的最大難點(diǎn)在于形狀容易受到形變或扭曲等因素的干擾。目前，主流的基于輪廓的全局、及結(jié)構(gòu)化表示方法都是依靠構(gòu)建魯棒的描述器來消除各種干擾因素對形狀的影響，但這種僅依靠構(gòu)建描述器的方法并不能很好的解決較大干擾因素的對形狀的影響。為此，本文提出了一種新的形狀表示研究思路，即：形狀的潛在語義結(jié)構(gòu)模型（ShapeLatentSemanticStructureModel,SLSSM）。

3、與以往構(gòu)建描述器的表示方法相比，SLSSM模型不再僅依靠構(gòu)建魯棒的描述器來消除各種干擾因素對形狀的影響；而是首先容忍較大形變或扭曲等干擾因素對形狀局部輪廓的影響，然后通過語義分析方法挖掘出受干擾影響的局部輪廓之間的真實(shí)語義關(guān)系，從而獲取形狀的潛在語義結(jié)構(gòu)。
　　SLSSM模型主要包含以下幾部分：特征檢測、形狀分割、局部輪廓描述、形狀單詞構(gòu)建、形狀語義。其中，形狀單詞和形狀語義是本文提出的新的概念，同時(shí)也是該模型的重點(diǎn)和難點(diǎn)。形狀單

4、詞的概念與文本中單詞概念類似，表示的是在形態(tài)上具有相似性的一類局部輪廓。當(dāng)形狀受到較大干擾因素影響后，其局部輪廓在形態(tài)上的差異性會變得很大，這樣的局部輪廓將會被表示為不同的形狀單詞，但它們之間的語義關(guān)系卻是一樣的；也就是說形狀單詞也有類似于文本單詞的“近義詞”語義歧義現(xiàn)象。為此，本文采用潛在語義模型挖掘形狀單詞之間的真實(shí)語義關(guān)系，從而獲得形狀的潛在語義結(jié)構(gòu)。
　　最后，本文在多種常用的形狀數(shù)據(jù)庫下驗(yàn)證了SLSSM形狀表示模型的有效