基于視覺認知的目標識別技術研究.pdf

1、在機器學習、模式識別和計算機視覺等領域，目標識別一直是最具挑戰(zhàn)性的難題之一。研究目標識別技術是解決目標跟蹤、行為理解和場景分析等復雜視覺任務的基礎，具有重要的實用價值和理論指導意義，已成為非常重要的研究熱點和難點。目標識別是利用計算機對圖像進行處理、分析和理解，獲取感興趣的目標或區(qū)域相關信息的技術。研究目標識別技術的最終目標是，使計算機像人腦視皮層一樣快捷高效地“讀懂”圖片的內容，引領我們進入更加智能的未來。這也促進了對生物視覺認知機制

2、及其智能性進行研究的興趣。尤其是在復雜惡劣環(huán)境下，需要處理視覺信息時，傳統(tǒng)的基于統(tǒng)計學習的計算機視覺方法遇到較大困難。鑒于此，如何從視覺認知的角度去研究和設計計算機視覺算法成為一項迫切而又富有挑戰(zhàn)性的任務。
　　本文主要針對生物視覺認知系統(tǒng)的關鍵環(huán)節(jié)—分層最大化和學習機制開展研究工作，在深刻理解其運行機制和原理的基礎上，將其運用于目標分類、識別系統(tǒng)，并在靜態(tài)2D圖像數(shù)據(jù)集和連續(xù)幀2D圖像數(shù)據(jù)集上對優(yōu)化的算法模型進行性能評估和分析，

3、取得了重要的進展。首先，研究了兩個經典的基于生物視覺的計算模型HTM（分層時序模型）和HAMX（分層最大化模型）。然后，結合視覺認知機制重新設計優(yōu)化了傳統(tǒng)的計算機視覺模型。具體研究內容如下：
　?。?）針對傳統(tǒng)目標識別模型存在通用性差、目前尚未與視覺認知機制有效結合等難題，首先對HMAX和HTM兩個仿腦模型進行了計算理論層次與算法設計層次上的分析，指出其本質上和計算機視覺模型的原理對應關系。然后，詳細分析了視覺認知理論在目標分類、

4、識別中的應用。
　?。?）針對光照突變導致識別時檢測率低的問題，提出結合優(yōu)化的同態(tài)濾波算法，設計了基于Patch的更具區(qū)分性的LBP特征，改進后的算法應用于目標識別系統(tǒng)，實驗結果驗證了優(yōu)化后算法的有效性和可行性。
　?。?）針對遮擋情況下，有效檢測目標，并同時能識別出遮擋目標的可見部分是目前面臨的一個主要挑戰(zhàn)，研究該方向有具有一定的理論指導意義和實際工程價值。針對上述難點本文提出結合外觀特征和幀間運動信息對目標進行顯式遮擋建

5、模的方法。該方法將基于單幀的部件級目標檢測與基于連續(xù)幀的目標遮擋估計相融合，解決了因為可利用信息不足導致識別性能不高的難題，有效提升了遮擋情況下的目標檢測率。
　　（4）針對傳統(tǒng)的視皮層前饋分層模型僅局限于探討目標分類問題，提出了一種面向多視角目標檢測的視皮層前饋分層模型。該模型采用基于視角的目標表達方法，通過增加一個簡單單元層來表達目標的不同視角，增加一個復雜單元層來表達不同視角簡單單元的投票結果，從而完成視角不變的目標檢測。學

6、習方面，在原有的底層特征分片學習的基礎上，該模型在高層增加了對視角的學習，從而形成一個兩層的學習結構，這一結構可以有效的提高學習的效率。在PASCAL VOC2011數(shù)據(jù)集上的測試結果表明，改進后的模型性能與傳統(tǒng)的計算模型相比，取得了更好的檢測效果。
　?。?）針對被檢測目標在視角變化和遮擋時較難識別的問題，提出利用多特征融合的方式來降低視角的干擾，聯(lián)合利用Gabor特征和視角變換時共有的LIOP特征(Local Intensit

7、y Order Pattern)對目標進行多角度識別的新算法。首先，利用二維Gabor濾波器組對輸入圖像進行濾波，得到含有方向信息的Gabor特征響應圖，進而通過相關算法得到具有尺度及平移不變的特征向量。其次，通過幾何變換算法獲得不同視角下的LIOP特征向量。然后，為了降低時間復雜度，通過主成分分析算法（principal component analysis）對聯(lián)合特征降維。最后，把降維后的特征向量輸入支持向量機(SVM)進行訓練學習