基于中層特征學習的旋轉(zhuǎn)對稱目標檢測算法研究.pdf

1、對稱結構在自然界廣泛存在，對稱性檢測在現(xiàn)實世界人和動物的感知中扮演著重要角色，在目標對象識別與分類中也起著重要作用。一種高效而魯棒的對稱性檢測算法可以使許多計算機視覺和圖形應用從中受益。
　　目前大多數(shù)對稱性檢測算子的共同瓶頸在于：首先，它們大多使用局部的低層特征來描述對稱性，對含有單個目標的圖像有效，對于包含多個目標的圖像，則需要事先進行分割；其次，大多依靠精確的數(shù)學定義來進行對稱性檢測，而自然界中的對稱物體一般都只是一定程度上

2、滿足對稱的數(shù)學定義，一般會存在局部的形變和缺失。因此目前方法普遍適用范圍較小，檢測結果也會受到一定程度的影響，甚至直接檢測失敗，而且計算復雜度較高，在檢測精確性上也存在不足。
　　針對自然界中旋轉(zhuǎn)對稱物體的不規(guī)則性和隨機性特點，本文使用更有描述力的中層特征，提出了一種新的旋轉(zhuǎn)對稱目標檢測算法。該算法沒有按照精確的數(shù)學定義來檢測旋轉(zhuǎn)對稱，而是通過對圖像中的關鍵點的位置分布統(tǒng)計分析來估計旋轉(zhuǎn)對稱中心的位置。主要的研究內(nèi)容和成果包括：<

3、br>　　1)提出了基于中層特征的旋轉(zhuǎn)對稱簇提取算法。本文提出了旋轉(zhuǎn)對稱簇（通過對上述的關鍵點進行旋轉(zhuǎn)不變性的聚類后得到）這一概念來對旋轉(zhuǎn)對稱的問題進行描述，并在此基礎上提出了更為廣義的旋轉(zhuǎn)對稱目標的統(tǒng)計表示方法。首先通過素描令牌提取圖像中視覺感興趣的關鍵點的位置，以保證更多對于視覺有意義的信息參與到后期的分布統(tǒng)計中;然后通過給定的置信度閾值對信息較強的關鍵點特征進行篩選，并使用sift描述子對所篩選位置進行特征描述，最后使用k-mea

4、ns進行特征學習，將這些位置聚類為不同的旋轉(zhuǎn)特征簇。
　　2)提出了多尺度旋轉(zhuǎn)對稱中心加權算法。為了能夠?qū)Σ煌叨鹊男D(zhuǎn)對稱目標進行提取，本文提出了多尺度旋轉(zhuǎn)對稱中心加權疊加算法。對各個尺度下的概率映射圖進行加權疊加得到最終的旋轉(zhuǎn)對稱概率映射圖，并通過顯著度檢測工具包獲取旋轉(zhuǎn)對稱中心坐標。
　　本文也對基于頻域的對稱性檢測方法進行了研究，選取其中效果最好的Yanxi Liu等人的方法進行了實驗，最后通過對他們提供的旋轉(zhuǎn)圖像測