基于多特征和样例SVM的场景解析方法研究

发布时间：2021-05-22 23:57

　　场景解析是计算机视觉领域中的一项重要而具有挑战性的工作,研究的主要内容是为图像中的每个像素标记一个类别标签,在自动驾驶、机器人导航、环境监测、基于内容的图像搜索等多个领域具有广泛的应用。场景解析通常包括图像分割、目标类别检测、以及图像多标签识别问题等,在早期的计算机视觉研究中,这些问题已经被提出,虽然许多研究人员对这些问题展开研究,但是至今没有得到较好的解决。场景解析的难点是获得图像中具有较强表达力的语义特征以及提高图像小目标（占有较少像素）的识别率。本文针对这两方面的问题,提出了基于多特征和样例SVM的场景解析方法。首先,本文在训练集图像中计算与查询图像最相似（场景相似、空间布局相似和目标相似）的图像,由这些图像构成检索集,因此检索集中的图像数量小于训练集中的图像数量。使得查询图像中每个像素的类标签就被限定为检索集图像中像素的类标签,从而减少算法的计算量。其次,基于深度卷积特征与传统的浅层SIFT和GIST特征相结合的方式构建图像全局和局部的像素分类特征,并在超像素级对查询图像与检索集图像进行匹配,从而获得查询图像中超像素的分类似然值,取最大似然值作为超像素的标注。最后,结合支持向量... 

【文章来源】：河北工业大学天津市 211工程院校

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题研究背景及意义
        1.1.1 课题研究背景
        1.1.2 课题研究意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 本文主要内容和章节安排
        1.3.1 本文主要内容
        1.3.2 本文章节安排
第二章 场景解析相关理论
    2.1 超像素分割算法
        2.1.1 SLIC超像素分割算法
    2.2 特征提取算法
        2.2.1 SIFT特征
        2.2.2 GIST特征
        2.2.3 深度卷积特征
    2.3 支持向量机
        2.3.1 线性可分支持向量机
        2.3.2 线性不可分支持向量机
        2.3.3 非线性支持向量机
    2.4 本章小结
第三章 图像数据的采集及预处理
    3.1 获取真实场景的图像
    3.2 图像标准化
    3.3 图像标注
    3.4 本章小结
第四章 基于多特征和样例SVM的场景解析
    4.1 特征提取
        4.1.1 图像的全局特征
        4.1.2 图像的局部特征
    4.2 样例SVM
    4.3 MRF推理
    4.4 本章小结
第五章 场景解析模型的建立以及实验结果
    5.1 场景解析模型的建立
        5.1.1 数据集的介绍
        5.1.2 相关参数的设置
        5.1.3 模型的建立
    5.2 实验结果及分析
    5.3 本章小结
第六章 总结与展望
    6.1 研究工作总结
    6.2 研究工作展望
参考文献
攻读硕士学位期间取得的研究成果
致谢


【参考文献】：
博士论文
[1]基于迁移学习与深度卷积特征的图像标注方法研究[D]. 宋光慧.浙江大学 2017

硕士论文
[1]非参数化RGB-D场景理解[D]. 费婷婷.浙江大学 2016
[2]基于多种图像特征的图像标注研究[D]. 李振鹏.山东大学 2015
[3]基于视觉和语义信息的图像标注方法研究[D]. 杨帆.哈尔滨工程大学 2012
[4]自然场景图像的自动标注方法研究[D]. 代丽洁.哈尔滨工程大学 2010
[5]图像分类和图像语义标注的研究[D]. 张磊.山东大学 2008



本文编号：3201888