基于加權(quán)SIFT特征的目標(biāo)檢測算法研究.pdf

1、復(fù)雜圖像中的目標(biāo)檢測是視覺領(lǐng)域的研究熱點(diǎn)，在工業(yè)領(lǐng)域、軍事領(lǐng)域、智能識別等領(lǐng)域發(fā)揮著巨大的作用。隨著當(dāng)前圖像的復(fù)雜化，目標(biāo)檢測由于圖像場景的復(fù)雜性、目標(biāo)姿態(tài)的變化、光照的不均衡、目標(biāo)與背景存在遮擋等原因，已經(jīng)成為機(jī)器視覺中一個(gè)具有挑戰(zhàn)性的問題。盡管目標(biāo)檢測技術(shù)已經(jīng)被國內(nèi)外很多學(xué)者研究過，但到目前為止還沒有一個(gè)通用、魯棒的目標(biāo)檢測算法。本文主要圍繞不同復(fù)雜場景中的目標(biāo)檢測方法進(jìn)行研究。具體的研究內(nèi)容和成果如下：
　?、偬岢隽艘环N基于

2、加權(quán)SIFT特征匹配的目標(biāo)檢測算法
　　基于加權(quán)SIFT特征匹配的目標(biāo)檢測算法主要有三個(gè)特點(diǎn)：首先，在訓(xùn)練階段提出了使用權(quán)值模板來描述目標(biāo)信息在模板圖像分布。利用權(quán)值對模板圖像中不同目標(biāo)區(qū)域的重要程度進(jìn)行區(qū)分，這種目標(biāo)區(qū)域是通過中層視覺元素進(jìn)行可區(qū)分的均值偏移聚類得來的，不僅能夠很好的表達(dá)正樣本特性，并且對于負(fù)樣本具有很好的區(qū)分性。其次，在檢測階段使用SIFT特征描述模板圖像和檢測圖像，在匹配過程中使用權(quán)值模板進(jìn)行加權(quán)，從而濾掉大

3、部分的背景信息和干擾信息。最后，提出了基于匹配點(diǎn)對映射的方式生成匹配框，最終將所有匹配框進(jìn)行融合生成檢測框。實(shí)驗(yàn)通過對比本文加權(quán)SIFT特征與原始SIFT特征的匹配效果展示了權(quán)值模板對SIFT特征匹配的改進(jìn)。然后將加權(quán)SIFT特征匹配的目標(biāo)檢測算法與當(dāng)前的目標(biāo)檢測算法進(jìn)行對比驗(yàn)證的本算法的有效性。實(shí)驗(yàn)以自行車為檢測目標(biāo)與其他方法進(jìn)行對比，證明本算法相較于Haar-adaboost和HOG-SVM算法都有更高精確性和準(zhǔn)確性。
　?、?/p>

4、提出了一種基于匹配點(diǎn)密度的檢測框生成方法
　　基于匹配點(diǎn)密度的檢測框生成算法是對基于加權(quán)SIFT特征匹配的目標(biāo)檢測算法中檢測框生成模塊的改進(jìn)，由于基于映射的匹配框生成算法是對于匹配過程目標(biāo)姿態(tài)的變化比較敏感，從而導(dǎo)致誤檢測。而基于特征匹配點(diǎn)的密度生成檢測框本質(zhì)是求圖像中SIFT特征匹配點(diǎn)最大密度的區(qū)域，這種基于匹配點(diǎn)統(tǒng)計(jì)的方法，考慮了更多更大范圍的匹配點(diǎn)，從而對于其中某些點(diǎn)的誤匹配或者因?yàn)槟繕?biāo)姿態(tài)變化造成的匹配點(diǎn)位移具有很強(qiáng)的穩(wěn)定