基于加權(quán)SIFT特征的目標檢測算法研究.pdf

1、復(fù)雜圖像中的目標檢測是視覺領(lǐng)域的研究熱點，在工業(yè)領(lǐng)域、軍事領(lǐng)域、智能識別等領(lǐng)域發(fā)揮著巨大的作用。隨著當前圖像的復(fù)雜化，目標檢測由于圖像場景的復(fù)雜性、目標姿態(tài)的變化、光照的不均衡、目標與背景存在遮擋等原因，已經(jīng)成為機器視覺中一個具有挑戰(zhàn)性的問題。盡管目標檢測技術(shù)已經(jīng)被國內(nèi)外很多學(xué)者研究過，但到目前為止還沒有一個通用、魯棒的目標檢測算法。本文主要圍繞不同復(fù)雜場景中的目標檢測方法進行研究。具體的研究內(nèi)容和成果如下：
　?、偬岢隽艘环N基于

2、加權(quán)SIFT特征匹配的目標檢測算法
　　基于加權(quán)SIFT特征匹配的目標檢測算法主要有三個特點：首先，在訓(xùn)練階段提出了使用權(quán)值模板來描述目標信息在模板圖像分布。利用權(quán)值對模板圖像中不同目標區(qū)域的重要程度進行區(qū)分，這種目標區(qū)域是通過中層視覺元素進行可區(qū)分的均值偏移聚類得來的，不僅能夠很好的表達正樣本特性，并且對于負樣本具有很好的區(qū)分性。其次，在檢測階段使用SIFT特征描述模板圖像和檢測圖像，在匹配過程中使用權(quán)值模板進行加權(quán)，從而濾掉大

3、部分的背景信息和干擾信息。最后，提出了基于匹配點對映射的方式生成匹配框，最終將所有匹配框進行融合生成檢測框。實驗通過對比本文加權(quán)SIFT特征與原始SIFT特征的匹配效果展示了權(quán)值模板對SIFT特征匹配的改進。然后將加權(quán)SIFT特征匹配的目標檢測算法與當前的目標檢測算法進行對比驗證的本算法的有效性。實驗以自行車為檢測目標與其他方法進行對比，證明本算法相較于Haar-adaboost和HOG-SVM算法都有更高精確性和準確性。
　?、?/p>

4、提出了一種基于匹配點密度的檢測框生成方法
　　基于匹配點密度的檢測框生成算法是對基于加權(quán)SIFT特征匹配的目標檢測算法中檢測框生成模塊的改進，由于基于映射的匹配框生成算法是對于匹配過程目標姿態(tài)的變化比較敏感，從而導(dǎo)致誤檢測。而基于特征匹配點的密度生成檢測框本質(zhì)是求圖像中SIFT特征匹配點最大密度的區(qū)域，這種基于匹配點統(tǒng)計的方法，考慮了更多更大范圍的匹配點，從而對于其中某些點的誤匹配或者因為目標姿態(tài)變化造成的匹配點位移具有很強的穩(wěn)定