基于視覺注意和局部不變性特征相結(jié)合的目標(biāo)識別技術(shù)研究.pdf

1、目標(biāo)識別是視覺系統(tǒng)的基本目的。如何從復(fù)雜場景中識別目標(biāo)則是更加重要和困難的問題。局部不變性特征具有尺度和旋轉(zhuǎn)不變性，對視點變化、光線變化以及噪聲等仿射畸變都具有較強(qiáng)的魯棒性，能夠完成不同角度下獲得的同一目標(biāo)之間的可靠識別，但它的缺點在于每個局部不變性特征描述子一般選擇高維，而且隨著圖像尺寸增加，描述子數(shù)量呈線性增長，因此計算量增大，很難滿足目標(biāo)識別系統(tǒng)的實時性要求。
　　目標(biāo)識別系統(tǒng)因計算資源有限和對實時性要求較高，要求計算量盡可

2、能少。視覺注意是能解決這種計算資源消耗問題的一個十分有效的工具。人類的視覺注意能快速選擇復(fù)雜場景下少量與視覺任務(wù)相關(guān)的信息進(jìn)行處理，因此將人類視覺注意引入到基于局部不變性特征的目標(biāo)識別系統(tǒng)具有廣闊的應(yīng)用前景。近幾年來，相關(guān)研究已經(jīng)提出了許多基于自底向上視覺注意和局部不變性特征相結(jié)合的目標(biāo)識別方法。不過，現(xiàn)有的基于自底向上視覺注意和局部不變性特征相結(jié)合的目標(biāo)識別方法還無法令人滿意，其主要原因是顯著圖本身的質(zhì)量不夠高，典型的局部不變性特征方

3、法不太適合低分辨率感興趣區(qū)域匹配，視覺注意機(jī)制應(yīng)用方式和方法也還不夠成熟。因此，需要尋找更加令人滿意的實現(xiàn)方法。
　　本文充分總結(jié)和比較了現(xiàn)有的圖像顯著性檢測算法和局部不變性特征方法。在此基礎(chǔ)上提出了快速而魯棒的顯著性檢測及局部不變性特征方法，并設(shè)計了基于視覺注意與局部不變性特征相結(jié)合的目標(biāo)識別方法。
　　本文的主要工作和創(chuàng)新點如下:
　　(1)沿著頻域信息和頻率調(diào)諧的思路，本文提出兩種快速而準(zhǔn)確的目標(biāo)區(qū)域檢測算法，I

4、HFT算法和IMSSS算法。針對HFT算法運行時間慢的缺點，IHFT算法把卷積運算變成點對點相乘運算進(jìn)行頻域信息加速處理;針對MSSS算法顯著圖融合運算的缺點，IMSSS算法用基于每個特征圖熵計算的特征圖挑選處理代替三個顏色特征圖的相加運算。這兩種算法的理論基礎(chǔ)都較單一，對復(fù)雜背景下的目標(biāo)區(qū)域檢測都有一定的局限性。為了實現(xiàn)IHFT算法的IMSSS算法的優(yōu)勢互補(bǔ)，本文提出一種基于IHFT算法的IMSSS算法的綜合算法，從而能夠適應(yīng)更多的復(fù)

5、雜場景，提高算法的適應(yīng)性和檢測準(zhǔn)確率。
　　(2)沿著BRISK局部不變性特征方法的思路，本文提出一種新穎的對數(shù)-螺旋局部不變性特征方法，簡稱為LOS-K。針對復(fù)雜場景下進(jìn)行感興趣區(qū)域檢測之后得到的圖像是尺寸小而低分辨率的情況，本文首先設(shè)計了一個可以提高低分辨率圖像匹配性能的局部不變性特征檢測器。跟圖像金字塔方法不同，提出的檢測器使用對數(shù)-螺旋采樣模式來估計局部不變性特征的位置、尺度和方向。同時提出一種有效的描述子生成方法。該方法

6、依賴于一種能捕獲局部不變性特征周圍的更多信息的對數(shù)-螺旋采樣模式和兩種能提高描述子之間的獨立性的比特生成函數(shù)。實驗表明新方法的有效性和魯棒性。
　　(3)針對復(fù)雜場景下的目標(biāo)識別問題，提出一種基于注意-識別融合模型(Attention-Recognition Fusion Model，簡稱ARF模型)的目標(biāo)識別方法。該方法利用局部不變性特征方法來識別由自底向上顯著圖和自頂向下親密圖相結(jié)合方法所獲得的感興趣區(qū)域。該方法通過引入自頂向