基于MACF的物体检测及中心定位

摘要

随着科学技术的进步与发展,机器替代人的可能性逐渐提高。物体检测是人类视觉的最基本的功能之一,从Marr提出了三层计算视觉模型用来理解人脑视觉系统之后,越来越多的科研工作者加入机器视觉相关技术的研究。本文主要研究的内容是用计算机模拟人眼进行物体检测。
　　本文围绕物体检测展开研究,目的是探索一种有效的物体表示方式。针对这个目标,本文对物体的各种表示方式进行了研究和探讨,最后在单一尺度轮廓边缘特征的基础上,提出一种多尺度可变形的轮廓边缘信息MACF(Multi-scale Active Contour Fragment)作为物体特征。利用RealBoost算法,把MACF特征级联为强检测器,用于物体检测。在物体检测的同时,多尺度可变形的轮廓片段MACF还可以对物体的中心位置进行投票,与现有的中心定位算法不同,本算法考虑了轮廓片段形变信息对物体中心定位的影响。在实际中心定位时,利用MeanShift算法,找到平均轮廓片段投票的结果,在此基础上,加入变形信息,使定位结果更加精确。
　　本文在国际通用的单一尺度数据库和多尺度数据库中分别进行了大量实验,实验结果证明,本文提出的物体描述特征可以用在物体检测中,而且与现有物体检测方法相比,本文使用较少的训练样本便可以得到很好的检测结果;至于本文提出的自适应中心定位算法,经实验验证,此方法比之前的中心定位算法效果更好,更精确。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 引言

1.1 课题的研究背景及意义

1.2国内外的研究机构和数据库

1.3 难点问题分析和性能指标

1.4 论文研究的内容

1.5 本文的主要贡献

1.6 论文内容安排

第二章 物体的表示方法与常用学习算法

2.1 物体表示方式概述

2.2 常用的特征与描述子

2. 3 常用的学习算法

2.4 测试过程中的搜索方法

2.5 本章总结

第三章 基于MACF的物体检测

3.1 常用的边缘检测算子

3.2 ACF特征提取

3.3 MACF的获取

3.4 MACF与测试样本的匹配

3.5 实验评估

3.6 本章总结

第四章中心定位算法

4.1 广义霍夫变换

4.2 Meanshift 算法

4.3 隐性形状模型

4.4 自适应中心定位算法

4.5 实验结果

4.6 本章总结

第五章 结论与展望

5.1结论

5.2 展望

参考文献

致谢

攻读硕士期间发表的论文