基于视觉影像数据的场景内容解析

发布时间：2021-12-12 14:01

　　随着传感技术的发展和人类社会生活的需要,视觉传感设备在自动化生产、交通监控、安全防护等众多领域得到了广泛的应用。但由于人力资源的局限性,视觉传感设备产生的大量影像数据无法得到及时、快速、准确的解析处理,从而严重制约了其在实际场景中的利用水平。因此,如何从视觉传感器得到的影像数据出发,自动对数据包含的场景内容进行有效解析是计算机视觉领域的热点问题。基于视觉影像数据的场景内容解析是对视觉传感设备获取的图片或者视频序列,通过机器学习、模式识别等方法对场景中的语义目标,如道路、行人、车辆等的位置和区域进行判别。该研究内容的相关理论和方法在学术研究和工业应用上均具有重要价值。在学术领域,场景内容解析可以为底层感知理论提供任务导向指导,同时也可以为高层任务,如行为分析、事件检测等提供丰富的场景语义信息。在工业领域,场景内容解析可以为汽车辅助驾驶、交通监控分析等任务提供算法支撑。近年来,随着机器学习和计算机相关技术的发展,场景内容解析取得了较好的发展,但仍然存在如下问题:1)视觉影像数据的高效表征问题;2)语义对象关系的准确建模问题;3)场景内容解析的鲁棒决策问题。针对上述存在的问题,本文从四个方面... 

【文章来源】：中国科学院大学(中国科学院西安光学精密机械研究所)陕西省

【文章页数】：128 页

【学位级别】：博士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 研究内容与目标
        1.2.1 研究内容
        1.2.2 研究目标
    1.3 研究方法与创新
        1.3.1 研究方法
        1.3.2 创新之处
    1.4 论文的组织结构
第2章 基于视觉影像数据的场景内容解析算法综述
    2.1 局部场景内容解析的相关方法
        2.1.1 基于手工特征的局部场景内容解析
        2.1.2 基于模型假设的局部场景内容解析
        2.1.3 基于学习的局部场景内容解析
    2.2 全局场景内容解析的相关方法
        2.2.1 基于传统方法的全局场景内容解析
        2.2.2 基于深度学习的全局场景内容解析
    2.3 场景内容解析研究趋势
    2.4 国内外相关著名研究组
    2.5 本章小结
第3章 基于在线边缘结构学习的局部场景内容解析
    3.1 引言
        3.1.1 方法概述
        3.1.2 方法特色
    3.2 多层级概率分析下的道路检测
        3.2.1 道路边缘特征建模
        3.2.2 在线结构SVM
        3.2.3 道路边界拟合
        3.2.4 在线分类器更新
    3.3 实验结果分析与讨论
        3.3.1 实验数据
        3.3.2 实验设置
        3.3.3 参数选择
        3.3.4 实验分析
        3.3.5 实验讨论
    3.4 本章小结
第4章 基于区域多层级概率分析的局部场景内容解析
    4.1 引言
        4.1.1 方法概述
        4.1.2 方法特色
    4.2 多层级概率分析下的道路检测
        4.2.1 道路区域粗提取
        4.2.2 先验信息估计
        4.2.3 观测似然计算
    4.3 实验结果分析与讨论
        4.3.1 实验数据
        4.3.2 实验设置
        4.3.3 实验分析
    4.4 本章小结
第5章 基于上下文分析和困难样本增强的全局场景内容解析
    5.1 引言
        5.1.1 方法概述
        5.1.2 方法特色
    5.2 基于层级概率图模型的上下文建模
        5.2.1 条件随机场
        5.2.2 层级上下文建模
        5.2.3 上下文结构决策
    5.3 基于样本损失增强策略的小样本学习
        5.3.1 小样本定义
        5.3.2 样本损失增强
        5.3.3 权重计算
    5.4 实验结果分析与讨论
        5.4.1 实验数据
        5.4.2 实验评价
        5.4.3 参数设置
        5.4.4 实验分析
    5.5 本章小结
第6章 基于轮廓和自适应网络结构的全局场景内容解析
    6.1 引言
        6.1.1 方法概述
        6.1.2 方法特色
    6.2 基于轮廓和自适应网络结构的场景解析
        6.2.1 基本模型
        6.2.2 自适应深度的卷积神经网络
        6.2.3 基于轮廓的卷积神经网络
        6.2.4 全局推理
    6.3 实验结果分析与讨论
        6.3.1 实验数据及评价
        6.3.2 实验设置
        6.3.3 实验分析
    6.4 本章小结
第7章 总结与展望
    7.1 总结
    7.2 展望
参考文献
致谢
作者简历及攻读学位期间发表的学术论文与研究成果


【参考文献】：
期刊论文
[1]基于概率图模型的图像整体场景理解综述[J]. 李林,练金,吴跃,叶茂.  计算机应用. 2014(10)
[2]智能交通与智慧城市[J]. 张轮,杨文臣,张孟.  科学. 2014(01)
[3]基于视觉的道路图像识别技术研究[J]. 王西庚.  软件导刊. 2013(08)
[4]基于条件随机场的图像语义分割[J]. 张春芳.  计算机光盘软件与应用. 2012(09)

硕士论文
[1]基于高阶CRFs和稀疏字典学习的场景语义解析[D]. 徐高帮.南京邮电大学 2016
[2]基于车载图像处理的道路检测技术研究[D]. 肖晶.湖南大学 2016
[3]基于概率图模型的图像语义分割技术研究[D]. 张晓雪.厦门大学 2014
[4]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
[5]基于全方位视觉的目标检测与跟踪研究[D]. 王凯.杭州电子科技大学 2011
[6]基于视觉的道路区域和车道线识别技术在智能车辆导航中的应用研究[D]. 王文杰.山东大学 2009



本文编号：3536801