少紋理目標(biāo)的檢測(cè)與識(shí)別.pdf

1、讓計(jì)算機(jī)和人一樣擁有目標(biāo)檢測(cè)與識(shí)別能力，一直都是人類的夢(mèng)想。現(xiàn)實(shí)生活中目標(biāo)可以分為有豐富紋理的目標(biāo)和少紋理目標(biāo)，豐富紋理的目標(biāo)檢測(cè)識(shí)別技術(shù)已經(jīng)比較成熟，因此本文著重研究少紋理目標(biāo)檢測(cè)識(shí)別。目標(biāo)檢測(cè)識(shí)別技術(shù)通常需要適應(yīng)復(fù)雜的環(huán)境，存在背景雜亂、光照變化、目標(biāo)尺度和視角變化、目標(biāo)被遮擋等問(wèn)題。針對(duì)這些問(wèn)題，研究人員提出了許多目標(biāo)檢測(cè)與識(shí)別算法。本文試圖實(shí)現(xiàn)對(duì)少紋理目標(biāo)進(jìn)行實(shí)時(shí)魯棒檢測(cè)識(shí)別，主要進(jìn)行了以下幾方面工作：
　?。?）提取包含

2、一般目標(biāo)類別的候選區(qū)域加速目標(biāo)檢測(cè)識(shí)別過(guò)程。傳統(tǒng)的目標(biāo)檢測(cè)識(shí)別方式是在輸入圖像上通過(guò)滑動(dòng)窗口方式，識(shí)別每一個(gè)窗口是否包含目標(biāo)。通常輸入圖像中會(huì)存在大量不包含目標(biāo)的背景區(qū)域，在這些區(qū)域中檢測(cè)目標(biāo)會(huì)浪費(fèi)大量時(shí)間。本文改進(jìn)已有的候選窗口提取方法Selective Search，并利用改進(jìn)的算法提取包含一般目標(biāo)的候選區(qū)域，最后只在這些候選區(qū)域中識(shí)別是否存在目標(biāo)，大大提高目標(biāo)檢測(cè)效率。
　?。?）通過(guò)模板匹配進(jìn)行少紋理目標(biāo)檢測(cè)識(shí)別。少紋理目

3、標(biāo)主要在目標(biāo)輪廓上提取特征進(jìn)行匹配。DOT方法通過(guò)在少紋理目標(biāo)輪廓上提取主梯度方向作為特征，將目標(biāo)模板以滑動(dòng)窗口方式和輸入圖像進(jìn)行匹配。但是在輸入圖像背景雜亂或者存在與目標(biāo)輪廓相似的干擾物體時(shí)，DOT方法目標(biāo)檢測(cè)性能很低。本文在已有DOT方法上進(jìn)行擴(kuò)展，先為DOT方法模板匹配相似度設(shè)置一個(gè)閾值，返回輸入圖像中匹配相似度大于該閾值的所有窗口，在模板上區(qū)分度大的局部區(qū)域提取顏色特征，和返回的窗口進(jìn)行二次匹配，排除不包含目標(biāo)的干擾窗口。

4、>　?。?）通過(guò)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行少紋理目標(biāo)檢測(cè)識(shí)別。目前卷積神經(jīng)網(wǎng)絡(luò)（CNN）應(yīng)用研究主要集中在深度模型區(qū)域，然而在目標(biāo)類別比較少、訓(xùn)練數(shù)據(jù)有限時(shí)可以采用淺層網(wǎng)絡(luò)。本文通過(guò)訓(xùn)練兩個(gè)淺層CNN實(shí)現(xiàn)少紋理目標(biāo)的檢測(cè)識(shí)別。第一個(gè)網(wǎng)絡(luò)用于對(duì)目標(biāo)進(jìn)行分類，第二個(gè)網(wǎng)絡(luò)則用于將目標(biāo)特征映射到低維空間中，利用最近鄰方法在低維空間中找到與待檢測(cè)圖像目標(biāo)視角最接近的模板，從而實(shí)現(xiàn)在輸入圖像中不僅檢測(cè)出目標(biāo)位置，同時(shí)識(shí)別目標(biāo)的三維姿態(tài)。
　　為了驗(yàn)證本