首页 理论教育深入探究《图像目标的表示与识别》的研究方向和内容

深入探究《图像目标的表示与识别》的研究方向和内容

【摘要】:由于局部特征性能优越,含有的局部信息可以对图像的内容进行多语义层次的描述,也为利用向量空间模型进行目标表示提供了一条有效途径。本书针对当前局部特征在目标分类中应用的不足之处,充分借鉴了向量空间模型的思想,并结合信息论的相关技术进行特征优化,提出了一种基于局部特征的目标分类方法,在标准图像库上的实验结果证明了该方法的有效性和鲁棒性。

本书围绕着图像目标的表示与识别这一主题,鉴于当前国内外相关领域的众多先进成果和空白之处,对以下几个方面的问题进行了深入的探讨和研究。

1.特征提取技术

目标特征提取是目标识别中的关键技术,对于识别的最终效果有着决定性的影响。整体特征和局部特征各有自己的适用范围,都要求对亮度、尺度、平移和旋转具有一定的不变性,从广义上讲,它们的提取过程都包括特征生成和特征优化。其中整体特征的性能取决于目标分割的准确程度,局部特征的性能在很大程度上取决于特征区域的选取和描述。本书根据应用背景和实际需求,详细阐述了整体特征的提取过程和相关技术,根据应用背景和实际需求,选用并改进了一些特征区域检测算法和特征区域描述算子,为目标匹配和分类提供了性能优良的局部特征。

2.目标匹配技术

使用模型直接匹配未知物体,并选择最佳匹配为最终识别结果,是在很难得到有关特征概率和类别概率的先验知识,或者得到的数据不足以设计分类器的情况下的目标识别方法。而图像背景复杂度、图像清晰度、图像中目标数目和局部遮挡等因素对图像目标匹配识别的效率、可伸缩性和适用性提出了挑战。本书对匹配方式和相似度度量的研究现状进行了深入分析,仔细研究了通过局部特征进行目标匹配的相关算法,针对目标匹配在图像拼接和图像检索中应用的不足之处,提出了基于多分辨率技术的航拍图像拼接方法,以及基于原型匹配的图像检索方法。

3.目标分类技术

目标分类一般需要构造有效的特征向量和充分利用相关领域的知识,而且设计分类器是目标分类的主要任务和核心研究内容之一。本书详细介绍和比较了几种典型的图像目标分类器的原理与特点,并综合评述了分类器的不同种类以及性能评估方法。向量空间模型最初是模式识别领域中常用的文本表示方法。由于局部特征性能优越,含有的局部信息可以对图像的内容进行多语义层次的描述,也为利用向量空间模型进行目标表示提供了一条有效途径。本书针对当前局部特征在目标分类中应用的不足之处,充分借鉴了向量空间模型的思想,并结合信息论的相关技术进行特征优化,提出了一种基于局部特征的目标分类方法,在标准图像库上的实验结果证明了该方法的有效性和鲁棒性。

4.视点变化下的目标识别技术

视点变化造成目标的表象差异是目标识别领域的一个难点,尤其是观察角度发生变化,同一物体的不同侧面呈现出迥异的特征,甚至产生了自身遮挡的问题(物体的某个部分遮挡了该物体的其他部分)。本书通过对三维物体进行视面模型表示,得到了目标不同姿态的二维投影描述,从而为视点变化下的目标识别构建了合适的模型库。通过对角点特征的深入研究,结合主分量法和Hausdorff距离,提出了一种在视点变化下目标匹配识别方法;并提出了基于角点标记图的BP网络分类方法。实验对比证明,基于该特征的识别算法在视点发生变化时对目标的识别更为有效。