基于类属超图的目标识别系统设计与实现

摘要

如何在先验知识缺少、环境变化复杂的情况下对即时感兴趣目标进行检测与识别是战场光学图像识别系统需要解决的关键问题。本文以构建在可见光条件下具有广泛适应性的目标识别模型为目的，对目标图像的表示、目标模型的训练和构建以及目标的跟踪和识别进行了研究，重点针对目标成像变化过程中的近似连续性，研究了目标特性知识的自我学习和自我更新、检测与识别的一体化方法，并在着重解释基于类属超图的目标检测、跟踪和识别原理的基础上，设计和实现了一种基于目标类属超图模型的目标识别系统。论文研究成果在图像目标识别、图像检索等诸多领域具有广泛的应用前景。
　　本文所做的主要工作包括:
　　首先针对即时感兴趣目标在复杂环境下各种不同的成像状态，强调了识别任务的艰巨性。本文引入并依靠SIFT特征对于仿射、部分光照变化的适应性，提出了对于目标特性知识具有无监督学习特性的CSHG模型，从目标特性描述和目标模板更新两方面着手，利用Haar-Adaboost特定目标的检测方法提取的目标图像作为识别系统的输入实现了特定目标在环境变化过程中的稳定识别，验证了CSHG目标模型对于复杂成像环境的适应性。
　　然而，即时感兴趣目标的选择往往具有不确定性，而Haar-Adaboost目标检测方法是一种基于样本统计的目标检测方法，在实现稳定目标检测方法之前需要准备大量的目标样本和非目标样本，这对于即时感性目标的检出是不利的。本文利用RSOM的快速匹配特性和CSHG目标模型的自我学习特性，提出了基于CSHG一体化的目标检测、跟踪与识别方法，从零目标知识不断学习构成目标模型，从而实现多个即时目标的快速检测和识别。
　　最后，根据整个系统的性能需求，基于上述的基本原理的论证，构建了基于类属超图模型的即时目标跟踪和识别系统的框架，完成了各功能模块的设计，利用多机协同的超强计算能力，完成了系统的搭建和实现，实现了整个系统的运行。

目录

声明

摘要

插图索引

附表索引

第1章 绪论

1．1 研究背景与意义

1．2 研究现状与趋势

1．3 本文的主要工作

第2章 基础理论

2．1 引言

2．2 局部不变特征

2．2．1 概述

2．2．2 SIFT特征提取

2．3 目标ROI的属性图的相似性度量

2．3．1 属性图

2．3．2 属性图匹配

2．3．3 属性图对相似性度量

2．4 RSOM聚类树

2．4．1 RSOM聚类树基本原理

2．4．2 大数据集的RSOM树训练算法

2．4．3 RSOM树增量训练算法

2．4．4 基于RSOM树的大规模聚类方法

2．5 类属超图建模

2．5．1 类属超图基本模型

2．5．2 基于RSOM树的CSHG快速训练

2．5．3 属性图相似性传播聚类原理

2．5．4 CSHG的优化训练

2．6 小结

第3章 ROI检测与识别

3．1 概述

3．2 Adaboost-CSHG目标检测与识别

3．2．1 基于Haar-Adaboost框架的目标检测

3．2．2 Adaboost-CSHG两阶段目标识别

3．2．3 目标检测与识别试验

3．3 基于CSHG模型的目标检测与识别

3．3．1 基于CSHG模型的目标检测与识别一体化框架

3．3．2 目标检测实验结果与分析

3．4 小结

第4章 识别系统的并行分布式设计与实现

4．1 系统的功能概述

4．2 并行分布式处理系统的设计与实现

4．2．1 系统总体结构设计

4．2．2 功能模块划分

4．3 试验结果与性能分析

4．3．1 基于集群的目标检测与识别系统

4．3．2 系统各模块性能分析

4．4 小结

结论

参考文献

致谢

附录A (攻读硕士学位期间发表的学术论文目录)