基于梯度特征和位置信息的目标识别算法研究

摘要

目标识别是计算机视觉领域里一个重要的分支，经过研究学者几十年的努力，目标识别技术已经成功并广泛的应用在了我们身边的各个领域，在农业、医疗服务业及智能交通监控行业里都取得了较好的成果，其在工业应用、航天事业及军事领域里也起着非常重要的作用。理想的目标识别系统是能够模拟人脑感知视觉场景，准确识别出目标并对其进行跟踪，而现实场景的复杂及系统的认知学习能力使得这项技术仍处在不断的发展阶段。
　　本文提出一种基于梯度特征和位置信息的目标识别算法，即在特征提取时结合目标各复合实体的位置信息，从而提高识别的准确率。在图像预处理中，提出一种基于区域色彩空间和LBP算法的图像分割，是MSRM算法的改进，有效降低了区域特征的矢量维数，在算法的执行效率上比MSRM算法更优，从而将训练集目标特征的提取的准确率提高。在提取目标特征模块，改进传统的特征提取方法，即将整个目标分成几个复合实体，提取出目标的梯度特征，这里梯度特征的提取采用HOG算法，它是用滑动窗口机制来提取目标的外观边缘特征，首先归一化颜色空间，减少光照及背景环境的影响，再进行梯度计算，计算细胞单元梯度直方图，并对细胞单元组成的块的直方图归一化，最后提取出梯度特征向量，再将目标的各复合实体的位置信息提取出来，创建训练集图像特征库。分类器训练模块中，我们采用在模式识别领域比较常用的支持向量机SVM以及Boosting分类算法。SVM具有较好的最优化性能和泛化性能，对不同环境、背景下目标识别、检测具有较好效果；Boosting方法简单，鲁棒性强、速度快、能有效的处理背景干扰和遮挡问题，是图像理解、目标识别等领域的研究热点。最终实验表明，本文提出的基于梯度特征和位置信息的目标识别算法能有效的剔除错误样本，在查准率和查全率方面都比原算法有所提高，综合性能也比原算法好。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1研究背景及意义

1.2 研究现状

1.3本文研究内容

2 一种基于区域色彩空间和LBP算法的图像分割

2.1 图像分割算法的分类

2.2 基于区域色彩空间和LBP算法的图像分割

2.3本章小结

3 基于HOG算法及位置信息的特征提取

3.1 HOG算法的实现

3.2目标各复合实体位置信息的提取

3.3本章小结

4 分类器判别模型

4.1支持向量机SVM算法

4.2 Boosting分类算法

4.3本章小结

5 基于梯度特征及位置信息的目标识别算法的实现

5.1 实验环境

5.2 图像集的创建

5.3 实验分析

5.4本章小结

6 总结与展望

6.1 本文总结

6.2 未来工作展望

参考文献

攻读硕士学位期间发表的论文及所取得的研究成果

致谢