论文部分内容阅读
目标识别作为计算机视觉领域中的经典技术,旨在对图像中的目标区域进行高精度识别。在工程技术中,它可以应用到国防、教育、安检、娱乐等多个领域;在学术领域中,它的核心算法可以作为图像检索、图像分类等经典技术的支持算法。由于它在工程领域和学术领域的重要性,越来越多的学者和技术人员对它进行了深入研究,取得了显著的科研和技术成果。然而,随着应用要求的不断提升,目标识别的各种需求也在不断发生变化,也越来越多的应用在不同的场景当中。在实际应用场景中,待识别目标图像因成像条件的不同而存在显著差异。如在不同距离或者焦距等条件下,待识别目标图像呈现显著的尺度差异,传统的目标识别方法很难精确地识别上述图像。由此,本文对基于特征点匹配的目标识别算法和基于词袋模型的目标识别算法进行了深入研究,改进原来的算法并提出了新的算法模型。本文的主要研究内容和创新点如下:(1)针对基于特征点匹配的目标识别算法中,特征点不具有尺度信息的问题,根据尺度空间的相关理论,本文提出了基于简型高斯金字塔的尺度信息加强模型。并在此基础上,以人眼视网膜处理机制为依据,改进FREAK描述子的采样模式及描述子表达,使得改进的描述子有更好的区分度和描述速度。并且,在特征匹配阶段,通过建立哈希索引结构加速特征搜索框架,实现目标识别的速度提升。本文在图像数据库上进行了大量实验,实验结果充分表明了改进算法的有效性和鲁棒性。(2)针对传统词袋模型的目标识别算法中,尺度鲁棒性较差的问题,本文提出了改进的基于词袋模型的尺度鲁棒目标识别算法。首先确定了对空间金字塔匹配模型的目标识别算法进行实现,其中特征选用具有尺度不变性的特征来增强尺度信息。其次,针对实现的算法中,待识别目标与库中目标尺度差异较大时无法正确识别目标的问题,通过裁剪图像改变图像尺度表达的方式增加目标尺度信息,使得改进后的目标识别算法具有较好的鲁棒性。最后,在本文理论模型的基础上,在安卓平台上实现改进的目标识别系统。与此同时,本文在图像数据库上进行了大量实验,实验结果充分表明了本文算法的有效性和鲁棒性。