论文部分内容阅读
从车辆检测、视频检索到微软推出的Xbox360,基于计算机视觉的应用给人们的生活带来了革命性的变化。物体检测作为这类应用的基础,是目前的模式识别和计算机视觉的重要研究内容。物体检测任务不仅要考虑检测的准确性,还需满足应用的实时性要求。然而,高准确性的检测通常都是建立在高复杂算法的基础上,实时性较低,不利于实际的应用。传统的霍夫变换只能检测简单几何形状,并且速度较慢。为了适应复杂物体检测的需要,本文在判别式的广义霍夫变换机制上,搭建了基于关键特征点的物体检测框架。主要工作集中于如下两个方面：1、基于关键点的图像特征提取。图像特征是物体检测的基础,性能优异的图像特征能更好的描述物体的信息,提高检测的准确性。本文在分析图像的颜色、纹理、形状和空间关系等特征的基础上,对近年来比较常用的关键点特征SIFT、HOG和BRISK等进行了阐述。研究了基于关键点的图像特征：1)对常用关键点提取结果进行了对比分析；2)选取了FAST关键点提取的阈值；3)提出了全仿射不变SURF特征；4)提出了优化的DAISY特征等。全仿射不变SURF特征通过精选的仿射变换参数生成仿射变换图像集,并利用改进的SURF算法提取特征,有效地结合ASIFT的全仿射不变和SURF的快速计算优点,图像匹配的实验结果验证了该算法的有效性。DAISY特征对图像的非极值点描述更具一般性,对旋转和光照等具有较强的鲁棒性,并且利用图像多个方向的卷积图快速地提取特征。本文针对DAISY特征进行了参数优化,取二个环八个方向。实验结果表明,经过参数优化后的DAISY特征在保证性能的前提下,大大降低了计算复杂度,更利于实际应用。2、基于广义霍夫变换的物体检测。在传统物体检测技术分析的基础上,本文研究了隐形状模型及判别式的霍夫投票机制,搭建了基于关键特征点的广义霍夫变换物体检测框架。传统的霍夫投票方法,候选点多,速度慢。针对这个问题,本文提出的框架,在图像进行关键点特征提取前,先对图像进行了预处理,有效地减少了投票的候选点个数。同时,框架采用优化的DAISY特征作为物体的低层特征,提高了检测速度,并且对旋转具有较好的鲁棒性。为了验证框架的有效性,本文进行了人手检测实验,并利用基于查找表的高斯混合模型进行预处理。实验结果表明本文搭建框架的检测率高,实时性好,能满足物体检测的常规需求,尤其是物体存在部分遮挡时,本文搭建的检测框架优势更明显。