论文部分内容阅读
建筑物立面的窗户检测对于大场景三维重建有着重要的意义。本文围绕将图像语义与机器学习算法相结合进行建筑物立面的窗户检测方法进行研究。在国内首次建立了一个面向窗户检测的建筑物立面图像数据集。它的具体参数为6.02G大小，6个子图像数据集，2200多个建筑物，18540张图片。定义了所建立建筑物立面图像数据集的分类及其属性。其中组合数据集由规定视点的图像数据集和连续视点的图像数据集组成。扩展图像数据集是主要分为单幅建筑物场景图像数据集、建筑物场景灰度图像数据集、模式识别样本图像数据集以及网上搜集的建筑物图像数据集。详细研究了Haar-like特征的定义与计算方法。重点研究了一般AdaBoost和Gentle AdaBoost算法的原理和实现过程。针对建筑物立面微观结构多样化的属性，选用了Gentle AdaBoost算法中较为实用有效的弱分类器以及最终强分类器。编程实现了使用OpenCV平台对本文所建立的图像数据集的训练，实验结果验证了针对窗户检测训练所得分类器的有效性。利用图像理解和图像语义的基本知识，分析了建筑物立面上窗户的属性。应用图像语义的概念，定义了一种建筑物立面上的窗户知识表示，建立了四个窗户上下文关系规则，并编写了程序进行了实验研究。通过对实验结果分析得出了结论：经过基于所定义的窗户知识表示和上下文规则的处理，可以消除误识别的奇异目标，找出被严重遮挡的漏掉目标，提高了窗户检测率，为建筑物立面的窗户检测识别探索了一条可行的技术途径。