图像超分辨率与基于目标模型的目标识别方法研究

摘要

随身拍摄设备的大规模普及，海量视频、图像信息为我们提供了丰富的数据资源，视频图像在军事领域、生产生活领域、公共安全领域都发挥着重要的作用。但是由于海量的图像信息，传统的人眼识别方法效率较低，无法满足基本需求，因此需要寻求图像识别算法的帮助，为我们寻找感兴趣的目标并加以处理。由于随身设备的局限性以及拍摄者的拍摄环境、拍摄角度和拍摄水平的限制，通常图像质量差、目标信息模糊，为目标识别带来一定程度的影响，因此开展基于超分辨率图像的目标识别算法研究具有重要理论意义和应用价值。
　　论文从图像的内容与结构出发，利用图像先验模型恢复图像细节信息，重建超分辨率图像，同时在传输方面，提出了相干探测频偏估计算法，然后利用重建后的超分辨率图像进行目标识别算法研究，有效提高了目标识别的准确性和处理效率。论文主要研究工作如下：
　　首先，针对图像识别过程因降质因素（如噪声、模糊、降采样等）影响导致的识别率过低问题，提出了一种基于非局部各向异性先验模型的超分辨率重建方法，获得了较为清晰的图像效果。利用源图像估计其模糊程度、噪声水平等降质因素，结合自然图像的边缘信息和纹理信息等，并考虑图像内部的重复结构信息，利用图像中的非邻域区域的结构相似性，提供图像的互补信息，并利用该信息估计像素分布模型，同时考虑到图像水平竖直方向的各项异性型，利用各向异性的权重模型分别进行权重计算，从而达到图像细节估计的目的，为高准确率的图像目标识别算法提供保障。在有效地去除噪声、模糊、降采样等降质因素的影响后，图像以更为丰富的信息形式展示，使得特征提取与训练过程中能够有效的把握图像特征，建立有效的图像识别算法。实验结果表明，该算法能够有效的去除图像噪声和模糊，提高图像的分辨率，保留图像原有梯度特征。同时，为了更好地传输高质量的图像信号，在光通信方面，特别是在相干探测频偏估计算法研究部分，针对32-QAM调制格式提出了一种工作在前馈模式并且不需要其他数据辅助的频偏估计算法。我们提出了将32-QAM的QPSK内环提取出来并且放大的FFT方法。该方法保持了传统FFT方法估计速度快的特点，并且保持了±波特率/8的大频偏估计范围。
　　第二，针对检测目标局部与整体的空间位置关系，提出了一种非对称逆布局目标表示模型（NAOM）来表示目标对象各种形状变化的有效方法。目标检测模型的建立是为了以最优方式有效的识别检测出目标；我们将目标的检测看成是一个逆布局的过程，其重点在于目标特征描述及NAOM目标模型学习：提出了使用网格状边缘方向直方图（G-HED）来更好的描述目标对象局部的轮廓特征信息，同时通过对边缘特征描述符、目标模型学习算法、目标分类器的学习等识别方式和算法的研究，特别是NAOM模型及G-HED特征描述符有效描述和应对了目标的全局和局部的各种变化，对目标的特征有了更强和更准确的表达能力。
　　第三，通过超分辨率图像的重建算法和受到空间的NAOM目标表示模型启发，提出一种基于NAOM模型的目标识别算法，提高了目标识别的准确率和速度效率，为后续图像视频理解提供有效的帮助。NAOM模型的目标检测算法研究目标是基于一个三层分层结构，提出了带权重的Hough投票检测算法，量化了局部块分类器检测值，有效提高了目标块识别和检测效率。
　　实验的分析和结果也证明了本文研究的课题在算法上的优越性，特别是和其他类似的目标识别检测算法相比较，极大提升了目标识别检测算法和效率和准确性。

目录

声明

1 绪 论

1.1 引言

1.2 国内外研究现状

1.3 本文主要研究内容

1.4 全文结构安排

2 基于非局部各向异的超分辨率图像重建算法与相干探测频偏估计算法研究

2.1 引言

2.2 ATV模型

2.3 非局部各向异的超分辨率图像重建(NLATV)模型

2.4 试验与对比分析

2.5 相干探测频偏估计算法

2.6 结论

3 非对称逆布局模型表示的目标模型

3.1 目标模型发展

3.2 目标分层结构

3.3 基于轮廓的目标模型

3.4 待检测目标模型的参数学习

3.5 目标局部块权重学习

3.6 实验

3.7 本章小结

4 基于非对称逆布局目标表示模式的目标检测方法

4.1 有关非对称逆布局目标表示模式的进一步说明

4.2 子模式描述

4.3 目标图像初始检测

4.4 验证实验

4.5 本章小结

5 全文总结与展望

5.1 全文总结

5.2 未来研究工作展望

致谢

参考文献

附录1 攻读博士学位期间发表的论文