基于轮廓片段的图像识别技术研究

摘要

心理学研究表明，人类仅从物体的轮廓片段信息就可以识别出物体。国外一些学者研究也表明，计算机也同样能够在仅有物体轮廓片段信息的基础上识别物体。本文深入研究了基于轮廓片段的图像识别过程以及相关技术，并从相应实验中得到良好的识别效果。 首先要从样本图片库中获取大量的轮廓片段信息，建立一个轮廓片段库。本文提出了一种基于角点的轮廓片段获取方法。角点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点，是图像的一个重要局部特征，它集中了图像上的很多重要的形状信息来反映图像的局部特征。以角点为窗口中心，提取窗口内的轮廓信息构成轮廓片段库。由于角点的性质，决定角点周围的轮廓也是物体轮廓中最具代表性的轮廓片段。 然后从获得的大量轮廓片段中选出最有代表性的片段作为训练和识别的匹配模板。我们用k-Medoids方法对轮廓片段进行聚类，选择处于聚类中新的轮廓片段构成模板库。为此，引入Chamfer距离特征作为匹配标准，来衡量两个轮廓之间的相似度。 机器学习是人工智能学科的一个重要方法。本文结合了机器学习的方法来完成识别过程。尝试使用Ada Boost和SVM两种学习方法训练分类器，并对最后的识别效果做了对比。用分类器可以计算出图中目标在各个位置出现的概率，生成一张概率图，并用Mean Shift算法找到概率的峰值，确定目标位置，完成识别过程。

目录

文摘

英文文摘

声明

第一章引言

1.1研究背景和意义

1.2图像识别研究的现状

1.2.1图像识别的实际应用

1.2.2图像识别方法

1.3研究内容和技术难点

1.4论文结构安排

第二章基于角点的轮廓片段提取

2.1引言

2.2 Canny边缘检测

2.3模型定义

2.4角点检测

2.4.1物体角点检测简述

2.4.2角点检测算法介绍

2.5轮廓片段获取

2.6本章小结

第三章轮廓片段聚类

3.1引言

3.2聚类

3.2.1聚类的定义

3.2.2聚类算法的分类

3.2.3 K-Means和K-Medoids原理

3.3 Chamfer Distance和距离变换(Distance Transform)

3.4轮廓片段聚类

3.5小结

第四章 学习与识别

4.1物体检测

4.2机器学习

4.2.1机器学习简述

4.2.2常用机器学习方法

4.3训练

4.4 Mean Shift原理

4.4.1引言

4.4.2核函数

4.4.3 Mean Shift向量

4.4.4 Mean Shift过程

4.5识别

第五章 实验与分析

5.1系统流程

5.2图像识别结果

5.3识别效果影响因素分析

5.4 SVM分类器与AdaBoost分类器对比

第六章 结束语

6.1主要工作总结

6.2将来工作的展望

攻读学位期间发表论文和参与项目

[参考文献]

致谢