基于2D和3D SIFT特征融合的一般物体识别算法研究

摘要

随着计算机视觉、人工智能、机器人和模式分类等科学技术的发展与进步，自动物体识别(Automatic Object Recognition，AOR)系统已经发展成为人工智能领域的重要研究方向之一。一般物体识别(Generic Object Recognition, GOR)作为物体识别系统中的主要组成部分，在智能监控、遥测遥感、机器人、医学图像处理等方面有着广泛的应用前景。由于真实环境中一般物体存在类内差异明显、类间相似度高、同一物体在视角变化时差异巨大等问题，导致一般物体识别算法正确识别率低下。选择合适的特征表示一般物体类内共性、类间差异等特性至关重要，提取稳定而有效的特征才能在有限的训练样本下得到最好的识别结果。本论文针对上述问题，提取物体二维特征和三维特征，利用多特征融合完成一般物体识别过程，主要内容如下:
　　一般物体识别中特征提取与表示至关重要，在尺度不变特征转换(Scale InvariantFeature Transform，SIFT)即2D SIFT特征的基础上，提出了基于点云模型的3D SIFT特征描述子，并利用多种特征融合算法实现两特征融合，提出一种基于2D和3D SIFT特征融合的一般物体识别算法。本文提出的一般物体识别算法的特点在于:(1)将2DSIFT特征描述子扩展至基于点云模型的3D SIFT特征描述子，提取物体的2D和3DSIFT特征作为其特征表示，并利用经典的统计学模型“词袋”(Bag of Word，BoW)模型实现物体描述;(2)运用有监督分类器支持向量机(Support Vector Machine，SVM)实现分类训练和识别;(3)利用四种特征融合算法实现特征融合，分别为:特征级融合以及决策级融合中的平均加权融合、DSmT(Dezert-Smarandache theory)融合和Murphy融合，根据融合结果给出最终识别结果，从而完成一般物体识别任务。
　　最后，通过针对一般物体识别的一系列仿真实验，表明本文提出的一般物体识别算法在类内差异明显、类间相似度高以及视角发生变化等情况下仍然能够保持较高的正确识别率和鲁棒性。

目录

声明

摘要

第一章 绪论

1．1 研究背景

1．2 国内外研究现状

1．3 论文主要工作

1．4 论文组织结构

第二章 特征提取与表示

2．1 基于Kinect的图像获取和点云建模

2．2 2D SIFT特征提取与表示

2．3 3D SIFT特征提取与表示

2．4 基于BoW模型的物体描述

2．4．1 BoW模型

2．4．2 基于BoW模型的物体描述

2．5 小结

第三章 特征融合

3．1 特征级融合

3．2 决策级融合

3．2．1 平均加权融合

3．2．2 DSmT融合

3．2．3 Murphy融合

3．3 本章小节

第四章 基于2D和3D SIFT特征融合的一般物体识别算法

4．1 基于特征级融合的一般物体识别算法

4．1．1 离线训练过程

4．1．2 在线识别过程

4．1．3 算法整体流程

4．2 基于决策级融合的一般物体识别算法

4．3 本章小结

第五章 算法实现和仿真实验

5．1 算法实现

5．1．1 算法实现平台

5．1．2 算法功能模块

5．2 仿真实验结果与分析

5．2．1 实验1：3DSIFT正确识别率

5．2．2 实验2：多种特征融合算法性能对比实验

5．2．3 实验3：识别算法鲁棒性实验

5．2．4 实验4：多视角算法识别率实验

5．2．5 实验5：尺寸缩放实验

5．2．6 实验6：算法时间复杂度

5．3 本章小结

第六章 总结与展望

6．1 本文工作总结

6．2 本文工作展望

致谢

参考文献

攻读硕士学位期间的研究成果