交通視頻中物體定位與識別的泛型技術研究.pdf_第1頁
已閱讀1頁,還剩76頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、視頻圖像上的物體檢測與識別技術通常都依賴于目標物體在形狀、外觀特征上的先驗知識。對于這些先驗知識,我們可以進行人為分析來建立具體特征上的判別規(guī)則,而這樣得到的判別規(guī)則往往缺乏擴展性。在現(xiàn)代應用中更可行的方案是使用機器學習技術在已知的數(shù)據(jù)上對物體特征進行歸納,以此對未知數(shù)據(jù)做出判斷。而在圖像內容分析上的另一難點則是基礎圖像數(shù)據(jù)與高層物體對象之間的“語義鴻溝”問題,尤其在交通視頻的處理上,我們的目標不僅僅是處理圖像上的邊緣或紋理,而是對圖像

2、中的物體進行判定和識別。針對這些問題,本文對圖像特征提取、物體模型表達、機器學習分類方法以及圖像物體搜索等領域進行了多方面的研究,分析了適應不同需求的方法,并提出自己的改進。
   在圖像特征提取上,本文首先回顧了灰度直方圖、梯度等基礎圖像處理技術的特點及其在物體檢測應用中的缺陷,在此基礎上詳細分析了以SIFT為代表的圖像特征點檢測和特征點描述方法。局部特征點描述符能夠更好地適應視角、光照等條件改變引起的物體外觀變化。得到更為穩(wěn)

3、定的圖像特征后,我們使用矢量量化方法在這些特征上生成標準特征字典,并以標準特征構造BOF物體表達模型。BOF模型不依賴于物體的具體形狀或外觀特征,是一種通用的物體表達模型,同時還具有良好的擴展性。本文提出在BOF框架中加入特征點空間信息的方法,以此來更準確地表達結構化物體。
   本文對數(shù)據(jù)驅動的機器學習方法進行了深入研究,總結了監(jiān)督學習方法和無監(jiān)督學習方法、以及生成模型和判別模型之間的差異,并以典型的聚類、分類算法為例分析了不

4、同方法的使用范圍。針對圖像上物體識別這一具體應用,本文詳細分析了最近鄰搜索、樸素貝葉斯、支持向量機等當前普遍采用的方法,并以這些高效的分類算法為基礎,結合滑動窗口搜索提出了通用的圖像物體定位解決方案。通過引入分支定界搜索技術,我們進一步解決了窮盡式搜索中時間復雜度過高的問題。
   最后,本文通過具體實驗對上述研究結論進行了驗證。在Pascal VOC、實際交通視頻數(shù)據(jù)、字符識別等多個不同應用上對我們的原型系統(tǒng)進行了測試,并進行

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論