基于内容的目标分类识别关键技术研究

论文摘要

基于内容的目标分类识别的主要任务是对一组目标图像进行自动的分类或者判断某个目标图像属于某个类别,它在网络图像搜索、视频检索、医学图像挖掘、图像编辑和色情图像过滤等领域有着广阔的应用前景和潜在的经济价值和社会价值。因为目标类型多种多样,同样的目标图像在不同条件下变化差异较大,因此基于内容的目标分类识别面对诸多挑战。本文使用计算机视觉、模式识别、机器学习和图像处理等理论和方法,对从底层特征提取到上层识别模型的建立等关键问题进行了系统、深入地研究。根据目标分类识别过程以及实际应用的需要,论文研究的问题包括:（1）光照变化、尺度变化、角度变化下的目标分类;（2）复杂背景下的目标分类;（3）增量图像变化下的目标分类; （4）复杂背景下的目标识别。从这些问题出发,本文提出了相应的解决方法,其主要研究内容及其创新点归纳如下:1.由于图像采集过程中容易受光照变化、采集角度变化、采集距离引起的尺度变化等影响,利用灰度、边缘形状大小等特征的目标分类方法很可能将会失效。针对这些问题,提出一种基于多尺度SLBP特征的目标分类方法。多尺度SLBP特征是将简化的LBP特征和多尺度空间理论结合,在保留了原有LBP特征的光照不变性和旋转不变性同时,也增加了尺度不变性。此外通过简化LBP特征,达到减少特征维度的作用,从而降低了计算复杂度。实验结果表明该方法在抵抗光照变化、角度变化和尺度变化等难点问题上具有优势。2.针对复杂背景下的目标分类,提出一种基于无监督前景特征提取的目标分类方法。该方法适用于复杂背景但不存在遮挡的目标图像分类。首先对每一个目标图像提取特征用于聚类,得到一个初始的聚类结果,然后计算在同一个聚类中心内的两个图像之间的特征匹配得到特征权重,特征权重反映了该特征属于前景目标特征的置信程度。特征聚类与特征更新交叉迭代多次,同时得到准确的前景目标特征和聚类结果。实验结果表明文中的目标分类方法可以对复杂背景且不存在遮挡情况下的目标进行准确的前景特征提取以及目标分类3.针对现有的增量目标分类方法没有动态变化特征单词,从而导致分类准确率不高的问题,提出一种基于动态特征单词树的增量目标分类算法。在训练阶段,首先通过Topic-Bridge模型将已标注目标图像和未标注目标图像整合为一个训练数据集,两个样本用共同的特征语义进行联系,并用已标注的目标类别约束来提高分类精度。然后在特征空间中运用层次k均值聚类方法构造动态特征单词树。在测试阶段,首先通过快速匹配动态特征单词树获取候选的特征单词,然后根据候选的特征单词求取最大化目标类别的概率函数得到目标的分类。当加入新增的样本时,首先将新增的特征加入动态特征单词树,然后使用两阶段的增量学习方法对分类参数和特征单词进行动态更新,更新后的模型无需对原有参数进行重新训练。相比较传统的增量目标分类方法,该方法能够提高了近10%的分类精度。4.真实目标图像常常出现喧嚣杂乱的环境中,例如存在遮挡,动态背景等等情形,这种情况下提取的特征包含了大量的噪声。针对这种情况,提出一种基于特征树模型的目标识别方法,该方法能够集成目标检测和目标识别,无需给每一种目标类型建立一个分类器。首先从目标图像中提取大量的SIFT特征,通过在同一个类别内的图像之间的几何约束,过滤出精确匹配的特征点作为目标特征;然后在目标特征空间上用局部类别一致k均值聚类方法生成特征树,使得基于特征类型分布来进行目标类别判定变得更加准确和具有鲁棒性;最后,对于给定的测试图像,通过与特征树匹配得到表示目标类别的特征单词,采用最大化特征单词和目标位置的联合概率得到目标位置和目标类型。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究的背景和意义
• 1.1.1 网络图像搜索
• 1.1.2 基于内容的视频检索
• 1.1.3 医学图像挖掘
• 1.1.4 目标图像编辑
• 1.1.5 色情图像过滤
• 1.2 目前目标分类识别的困难所在
• 1.3 目前国内外研究现状
• 1.3.1 特征提取与表示方法
• 1.3.2 目标分类方法
• 1.4 本文的主要研究内容和创新点
• 1.5 本文的组织
• 第二章 基于多尺度SLBP特征的目标分类方法
• 2.1 引言
• 2.2 局部二元模式（Local Binary Pattern）
• 2.3 多尺度空间技术
• 2.3.1 多尺度表示
• 2.3.2 多尺度金字塔的构成
• 2.4 基于多尺度SLBP 金字塔特征的目标分类方法
• 2.4.1 多尺度SLBP 特征提取
• 2.4.2 特征码本
• 2.4.3 特征匹配
• 2.4.4 支持向量机
• 2.5 实验及讨论
• 2.5.1 判定标准
• 2.5.2 尺度变化分类实验
• 2.5.3 光照变化分类实验
• 2.5.4 角度变化分类实验
• 2.5.5 多种变化混合分类实验
• 2.6 本章小结
• 第三章 基于前景目标特征提取的目标分类方法
• 3.1 引言
• 3.2 系统流程
• 3.3 前景特征提取和特征权重定义
• 3.3.1 SIFT 特征描述
• 3.3.2 基于SIFT 特征匹配的前景特征权重
• 3.3.3 特征聚类及特征权重更新
• 3.3.4 前景目标特征提取算法描述
• 3.4 实验及讨论
• 3.4.1 两类目标前景特征提取实验
• 3.4.2 6 类目标分类实验
• 3.4.3 实际车辆图像分类实验
• 3.5 本章小结
• 第四章 基于动态特征单词树的增量目标分类方法
• 4.1 引言
• 4.2 Topic-Bridge PLSA
• 4.3 Incremental PLSA
• 4.4 基于动态特征单词树的增量目标分类方法
• 4.4.1 动态特征单词树模型构建
• 4.4.2 Incremental topic-Bridge PLSA
• 4.4.3 实现细节
• 4.5 实验及讨论
• 4.5.1 动态特征单词树评价
• 4.5.2 增量变化下的目标分类实验
• 4.5.3 增量学习与批量学习的目标分类实验
• 4.5.4 分类模型参数调整实验
• 4.6 本章小结
• 第五章 基于特征树模型的目标识别方法
• 5.1 引言
• 5.1.1 相关工作
• 5.2 目标特征提取
• 5.2.1 特征提取和表示
• 5.2.2 特征过滤
• 5.3 特征树的构建和匹配
• 5.3.1 局部类别一致k 均值聚类
• 5.3.2 特征树构建
• 5.3.3 快速特征树匹配
• 5.4 目标检测和识别
• 5.4.1 问题建模
• 5.4.2 目标识别
• 5.5 实验及讨论
• 5.5.1 两类识别实验评价
• 5.5.2 多类识别实验评价
• 5.6 本章小结
• 第六章 结论与展望
• 6.1 本文的主要研究工作总结
• 6.2 下一步的工作重点
• 参考文献
• 攻读博士学位期间取得的研究成果
• 致谢
• 附件