基于機(jī)器視覺(jué)的場(chǎng)景目標(biāo)識(shí)別方法研究.pdf

1、基于機(jī)器視覺(jué)的目標(biāo)識(shí)別是一門(mén)復(fù)雜的學(xué)科，結(jié)合了數(shù)字圖像處理、模式識(shí)別、機(jī)器人理論等學(xué)科，現(xiàn)已充分融入到了工業(yè)自動(dòng)化、軍事、國(guó)防以及醫(yī)療等領(lǐng)域。由于基于移動(dòng)機(jī)器人的目標(biāo)識(shí)別是建立在機(jī)器人室內(nèi)和室外導(dǎo)航、機(jī)器人路徑規(guī)劃、機(jī)器人地圖構(gòu)建等的基礎(chǔ)，因此，受到了國(guó)內(nèi)外學(xué)者廣泛的關(guān)注。經(jīng)過(guò)幾十年來(lái)，國(guó)內(nèi)外學(xué)者不斷的努力，目標(biāo)識(shí)別已經(jīng)獲得了巨大的成果。但是，因?yàn)榛谝苿?dòng)機(jī)器人的目標(biāo)識(shí)別所應(yīng)用的環(huán)境會(huì)有光照、遮擋、陰影等的情況，并且待識(shí)別的目標(biāo)本身會(huì)有

2、多種變化。由于目標(biāo)本身的多變性以及環(huán)境的復(fù)雜程度則對(duì)目標(biāo)的識(shí)別的結(jié)果造成了極大地影響。
　　根據(jù)識(shí)別目標(biāo)的分類(lèi)，又可分為動(dòng)態(tài)目標(biāo)識(shí)別以及靜態(tài)目標(biāo)識(shí)別。本文結(jié)合學(xué)術(shù)前沿的知識(shí)，對(duì)動(dòng)態(tài)多目標(biāo)識(shí)別以及場(chǎng)景目標(biāo)識(shí)別等問(wèn)題，提出了新的算法，提高了識(shí)別的準(zhǔn)確性和魯棒性。最后還應(yīng)用到移動(dòng)機(jī)器人平臺(tái)上，較好的準(zhǔn)確性與實(shí)時(shí)性驗(yàn)證了本文的算法。
　　本文所采用的測(cè)試視頻以及樣本圖像均為作者本人在杭州電子科技大學(xué)中使用機(jī)器人采集的。本文的對(duì)目標(biāo)識(shí)

3、別的研究主要有以下幾個(gè)方面：
　　(1)目標(biāo)分割是動(dòng)態(tài)多目標(biāo)識(shí)別的重要步驟之一。本文將兩幀幀差法、三幀幀差法、高斯混合建模對(duì)動(dòng)態(tài)目標(biāo)進(jìn)行分割并比較。兩幀差分法就是將視頻采集到的序列圖像的相鄰兩幀圖像進(jìn)行差分。三幀幀差法將采集到的序列圖像前后三針圖像進(jìn)行差分。高斯混合模型是以像素為單位，使用高斯模型計(jì)算像素在時(shí)間軸上的變化。對(duì)這三種方法實(shí)驗(yàn)對(duì)比，由于分割出的運(yùn)動(dòng)目標(biāo)輪廓的完整性以及實(shí)時(shí)性的考慮，最終確定使用兩幀幀差法。
　　(

4、2)本文提出了基于視覺(jué)的動(dòng)態(tài)多目標(biāo)識(shí)別將基于LBP特征與基于Gabor特征的動(dòng)態(tài)多目標(biāo)識(shí)別，最后根據(jù)性能評(píng)價(jià)指標(biāo)得出，基于Gabor特征的動(dòng)態(tài)多目標(biāo)識(shí)別更具有優(yōu)勢(shì)。該方法首先根據(jù)前后幀之間像素的變化，分割出運(yùn)動(dòng)目標(biāo)。對(duì)分出出來(lái)的運(yùn)動(dòng)目標(biāo)和樣本圖像，使用Gabor濾波器提取圖像的特征，得到特征向量。最后使用Fisher判別準(zhǔn)則分類(lèi)識(shí)別，將得到的分類(lèi)識(shí)別結(jié)果自動(dòng)標(biāo)注在輸出圖像中。將已經(jīng)標(biāo)注識(shí)別結(jié)果的圖像連續(xù)輸出，便能獲得已經(jīng)識(shí)別完成的輸出視

5、頻。
　　(3)場(chǎng)景目標(biāo)識(shí)別是場(chǎng)景理解的重要內(nèi)容之一，本文提出一種新穎的基于視覺(jué)顯著性的場(chǎng)景目標(biāo)識(shí)別的方法。該方法受生物視覺(jué)認(rèn)知機(jī)理的啟發(fā)，利用視覺(jué)顯著機(jī)制來(lái)凸顯場(chǎng)景中的感興趣區(qū)域。首先利用GBVS模型對(duì)圖像數(shù)據(jù)進(jìn)行高效篩選，獲得特定感興趣的顯著性區(qū)域。然后基于圖分割理論的（Graph Cuts Theory）的GrabCut算法被用于提取圖像中的顯著性目標(biāo)。最后運(yùn)用SURF特征描述目標(biāo)對(duì)象，通過(guò)SURF特征的學(xué)習(xí)來(lái)產(chǎn)生目標(biāo)物體的