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