论文部分内容阅读
物体识别技术，作为计算机视觉的研究方向之一，其主要目标是基于各种模式识别方法来识别出图像或视频中的物体，描述出物体所在位置、形状和方向等信息。目前物体识别技术在军事领域、民用生活领域、办公工作领域中具有非常广泛的需求与应用场景，例如计算机取证、证件身份识别、人脸识别、智能门禁系统、体感游戏、医学图像等。本文将基于BING算法进行扩展算法研究来对于物体识别技术进行深入理解。本文先后提出三个物体识别算法，分别为e-GSNG算法、nu-GSNG算法以及BING-Frac算法。其中e-GSNG算法和nu-GSNG算法是将LIBSVM库与NG算法进行融合提出的改进算法，取代BING算法中的LIBLINEAR库。BING-Frac算法是在BING算法和分形技术的融合基础上提出的，BING-Frac算法中采用局部分形维数作为NG特征值计算的特征。论文采用仿真实验对于三个物体识别算法进行对比验证。经试验结果证实，三个算法能够某些方面具有一定的优势。BING-Frac算法能够相比于当前比较前沿的BING算法具有相当的效率、时间以及内存占据量，并且能够在候选窗口数目较小时具有更加优秀的DR识别效率。e-GSNG算法和nu-GSNG算法两者的性能优势相差不大，能够在牺牲运行时间的前提下达到更高的的DR识别效率。继上述的理论研究之后，本文又基于BING-Frac算法进行移动应用开发的实践工作，开发出在Android平台运行的物体识别应用，其具有高效、实时等特点。移动应用框架包括Android客户端和服务器端两部分，分别起到图像提取和发送、图像处理和返回的作用。