论文部分内容阅读
目标识别是计算机视觉研究的核心问题之一。基于局部不变特征构建的识别算法可以显著提高视觉应用系统的性能，已经被广泛应用于图像目标识别、图像检索等领域。
本文首先对局部不变特征检测子和描述子的原理进行研究，分析比较不同检测子检测到特征的结构、精确度、不变性、重复性等特性，确定各种检测子的适用场景及选择策略，并对常用局部不变特征描述子的提取方法和适用场景进行分析，尤其对视觉词汇的不足及解决方案进行了阐释和总结。然后，对局部不变特征在目标建模中的应用方式进行分析比较，提出适用性更强的目标建模方法。接着，对所提目标建模方法中的局部不变特征组合提取和特征组合优化等问题进行了研究，在特征组合提取方法中提出了对尺度、旋转、仿射等变换鲁棒的局部不变特征组合提取方法，在特征组合优化中通过对数据挖掘频繁项集的分解和总结算法的研究，设计出适合于视觉数据中特征组合优化的模式分解和总结算法。最后，提出了稳定模式的目标模型，该模型包含两种具有较强表征力和区分力的图像中层表示模式：类间共用稳定模式(Inter-Class Common StablePattern)和类内特殊稳定模式(Intra-Class Special Stable Pattern)，通过对由图像半邻域特征组合挖掘得到的频繁项集进行模式分解、统计学过滤、模式总结及模式组成项间几何关系的建模得到。将稳定模式引入到目标识别框架，实验得到了相比同类方法更好的结果。