基于快速魯棒性特征的物體識(shí)別檢測(cè)算法研究.pdf

1、物體的識(shí)別檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域各項(xiàng)研究中的基礎(chǔ)環(huán)節(jié)，對(duì)物體進(jìn)行準(zhǔn)確的識(shí)別檢測(cè)能夠?yàn)橛?jì)算機(jī)視覺(jué)中的其他研究工作提供良好的指導(dǎo)。在基于學(xué)習(xí)有監(jiān)督的物體識(shí)別檢測(cè)中主要解決兩個(gè)問(wèn)題：一是如何選取有效的特征解決物體的旋轉(zhuǎn)、平移、尺度變化，同時(shí)降低識(shí)別檢測(cè)中的遮擋、噪聲的影響來(lái)構(gòu)造分類器以達(dá)到比較好的識(shí)別準(zhǔn)確率；二是在分類器達(dá)到比較好的識(shí)別率的基礎(chǔ)上如何提高物體檢測(cè)的速度，從而能夠在圖像中快速識(shí)別檢測(cè)到物體的位置。
　　 首先，針對(duì)第一個(gè)問(wèn)

2、題，由于圖像的局部特征描述符具有以上特點(diǎn)，本文提出采用SURF這種局部特征描述符構(gòu)造分類器。在圖像的局部特征描述符中，SIFT有較好的性能，但是維數(shù)過(guò)高，計(jì)算時(shí)間過(guò)長(zhǎng)，而本文采用的快速魯棒性特征(SURF)相對(duì)SIFT有較低的維數(shù)和較快的特征計(jì)算速度，能夠快速提取圖像的局部特征。由于圖像的局部特征是無(wú)序的、數(shù)量不定的，可以將該特征結(jié)合Bag-of-word模型和SVM構(gòu)造分類器。實(shí)驗(yàn)證明這種分類方法比SIFT特征分類有更快的計(jì)算速度，并

3、且對(duì)于復(fù)雜條件的圖像達(dá)到了比較好的識(shí)別率。
　　 其次，針對(duì)第二個(gè)問(wèn)題提出使用物體多分辨率檢測(cè)框架進(jìn)行物體檢測(cè)。這種檢測(cè)方法相比單分辨率下進(jìn)行檢測(cè)大大減少了物體檢測(cè)的空間，從而減少了物體檢測(cè)的時(shí)間，而且思路簡(jiǎn)單、易于實(shí)現(xiàn)。
　　 最后，針對(duì)目標(biāo)跟蹤中的均值平移(Mean-shift)跟蹤算法中不能自動(dòng)檢測(cè)待跟蹤物體初始位置的缺點(diǎn)，將上述快速魯棒性特征物體檢測(cè)算法與均值平移跟蹤算法相結(jié)合，從而使得均值平移跟蹤算法能夠自動(dòng)完