基于图像局部特征的物体识别系统研究

摘要

物体识别是计算机视觉研究的一项关键技术，在人工智能、人机交互以及安全监控等领域都有着广泛的应用。近年来，随着人们对机器人学研究的深入，如何让机器人能够“认识”周围的物体是一项亟待解决的问题，因此本文对基于图像局部特征的物体识别系统进行了研究。局部特征与全局特征相比，具有能够反映图像本质的特点，支持向量机在解决小样本、非线性、高维模式识别问题有着特有的优势，是机器学习领域新的研究热点。
　　首先设计了一个图像采集系统，通过该系统进行简单地人机交互，能够方便、灵活地采集样本，解决了传统的图像分类研究中样本收集困难以及从标准库获取样本缺乏灵活性的问题。
　　其次，详细介绍了SIFT和SURF两种图像局部特征的提取算法，总结出了它们的关键技术之间的异同点，并通过实验对它们的性能作了比较。
　　受文本分类问题的bag-of-words方法的启发，本文采用了bag-of-features的图像表示方法，成功地将图像表示为向量这种适合于分类研究的表示形式。并针对传统特征库构造和量化时间长的缺点，本文提出了级联的特征库的组织形式，极大地提高了特征库的构造速度。
　　本文还对统计学习理论的研究内容作了介绍，重点分析了基于结构风险最小化的支持向量机的原理，讨论了核函数及其参数的选择在分类器的设计中的关键作用。
　　最后，通过实验考察了系统各部分对系统识别率的影响，选择出最优的参数组合构造了一个完整的物体识别系统，取得了较高的识别率。