论文部分内容阅读
目标检测是图像理解的核心问题,对图像中各种变化的处理是目标检测面对的主要难题之一。结构反映了事物的内在关系以及上下文约束,是图像中相对稳定的信息特征,能够为图像中各种变化的有效处理提供有力支持。本文以图像结构信息的分析和提取为切入点,研究基于图像结构的目标检测技术,根据不同的检测任务,提出了多种基于图像结构的目标检测方法。本文的主要研究内容与创新之处有:(1)提出了一种基于图像结构的目标检测方法。图像稀疏结构的学习首先形成图像的稀疏结构表示,然后在此基础上通过Gentle Boosting学习算法进行分类器的训练。针对单一目标产生多个检测结果的问题,提出了一种非最大抑制的方法,经过两次抑制操作保证了检测的准确性。(2)提出了一种基于轮廓的目标检测方法。该方法通过“平均”训练集中目标样本的轮廓特征来定义目标轮廓模板,然后,通过一个结合TPS变换的检测过程来捕捉图像中的目标。该检测过程开始于种子区域的选择,接着在TPS变换的基础上计算种子区域与目标的轮廓模板的差别,不断地调整种子区域的边界,逐步接近整个目标对象的区域。(3)提出了一种基于图像拓扑层次结构的目标检测方法。该方法将图像区域之间的拓扑关系表示为一个层次结构,并将目标区域的上下文约束表示为层次结构的一个路径,通过路径匹配方法就可以检测出图像中潜在的目标区域。(4)提出了一种基于多尺度Shape Context的目标检测方法。该方法使用不同尺度的目标部分构成目标的层次结构表示,把目标检测问题视为Bayesian MAP的优化问题,然后把MAP问题进一步转化为两个最大似然问题。通过两个似然函数的最大化,完成目标检测的任务。(5)提出了一种基于图像共享结构学习的目标检测方法。在共享结构的学习中,使用了一种简单的似然模型,该模型不需定义任何的结构形式,不需使用码字表,也不需指定特征拥有者,为各种复杂的图像结构的提取提供了足够的弹性。共享结构的学习采取无监督的方式进行,可以应用于各种复杂检测任务中。