基于视觉显著性的图像识别的研究

发布时间：2017-04-30 23:01

  本文关键词：基于视觉显著性的图像识别的研究，，由笔耕文化传播整理发布。

【摘要】：随着科学技术的发展和信息的日益丰富，机器视觉受到了广泛的重视。如何应用计算机模仿人类处理图像的机制来快速而准确地将海量图片进行识别和分类，需要同时结合计算机科学、生物物理学以及心理学的研究。通常，这类研究会结合基于人眼的视觉注意机制，也就是当人眼接触一个视觉场景时，会注意场景中更为显著或者更为感兴趣的区域，然后视作为重要区域进行优先处理。根据这一特性，目前已经有很多基于显著性的计算模型。在此基础上也有很多学者提出将任务驱动的模型与其结合，从而能够对特定的图像进行分类和识别。本文以视觉显著性的计算模型为基础，进行图像识别的研究。 首先介绍了人眼视觉的生理结构，分析了基于视觉信息处理机制的视觉显著性计算模型和利用具有先验知识的贝叶斯识别模型。接下来，详细的阐述了将ITTI显著性模型和贝叶斯模型相结合的图像识别算法。该算法在提取显著性特征后，选用高斯密度分布函数来拟合特征值得到训练参数，并作为先验知识。在识别时，基于训练参数进行贝叶斯识别。这一模型较好的实现了基于先验知识的视觉特征，进行有目的的图像识别和分类。本文的研究内容主要是基于该模型提出改进的算法。 其次，研究了贝叶斯模型中似然函数的估计方法。原模型中主要采用高斯概率密度函数来拟合特征值的分布，但随着训练图片的增多，特征值包含的信息更丰富，分布更复杂，单一高斯模型的误差更大。本文选用的混合高斯模型弥补了这一不足，通过对特征值进行聚类，然后对每一聚类进行单一高斯拟合，有效地提高了拟合精度从而提高识别的效率。 基于混合高斯模型的思想，提出了一个根据特征值的分布特性自动选择其分布函数的自适应系统。这一系统采用两个判定，根据特征值分布的特点，在单一高斯、双高斯以及混合高斯模型中进行选择。从而提高了处理速度和识别效率。 为了提高自适应系统的识别效率，本文又结合ITTI显著性模型的特点，提出了改进的显著性度量的方法。主要是基于已经学习到的图像集合的特征分布特性，为每幅子特征图添加权值系数，从而更加突出显著区域。经过多次实验发现，这一基于统计特性的加权方法，在特定的图像数据库中是有效的，能提高自适应系统的识别效率。但是其广泛的适用性还有待进一步研究。 本文提出的改进算法主要是基于显著性引导的图像识别系统。在给定某一对象的多幅训练图的前提下，本系统经过学习得到对象的一个具体描述，然后对包含对象的待测图像进行识别，给出这个图片会被正确识别的概率列表。本文针对ALOI图像数据库进行大量的实验，结果显示，本文提出的改进算法有效的提高了识别的效率，并且此自适应系统在时间消耗上小于混合高斯模型。
【关键词】：视觉显著性 混合高斯模型 H-kmeans聚类 显著性度量 自适应系统 图像识别
【学位授予单位】：中南民族大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：R310
【目录】：

• 摘要5-7
• Abstract7-9
• 目录9-11
• 第1章 绪论11-16
• 1.1 课题研究的背景及意义11-12
• 1.2 国内外研究现状12-15
• 1.3 论文的组织结构15-16
• 第2章 基于贝叶斯的视觉注意计算模型16-34
• 2.1 人类视觉系统16-18
• 2.1.1 视网膜16-17
• 2.1.2 视皮层17-18
• 2.1.3 眼动神经系统18
• 2.2 视觉注意计算模型18-22
• 2.2.1 贝叶斯模型19
• 2.2.2 基于信息理论的模型19-20
• 2.2.3 频域分析模型20-21
• 2.2.4 决策理论模型21
• 2.2.5 基于认知的模型21-22
• 2.3 SalBayes 模型22-32
• 2.3.1 ITTI 显著性模型22-27
• 2.3.2 基于 ITTI 的 SalBayes 模型27-32
• 2.4 本章小结32-34
• 第3章 改进的自适应识别算法34-48
• 3.1 SalBayes 模型的缺陷34-36
• 3.2 混合高斯模型36-38
• 3.2.1 三高斯拟合36-37
• 3.2.2 双高斯函数拟合37-38
• 3.3 H-k-means 聚类38-41
• 3.3.1 k-means 聚类39-40
• 3.3.2 H-k-means40-41
• 3.4 自适应系统的实现41-42
• 3.4.1 决策一41-42
• 3.4.2 决策二42
• 3.5 实验和分析42-47
• 3.5.1 实验环境和数据介绍42-44
• 3.5.2 参数设置和实验步骤44-46
• 3.5.3 结果分析46-47
• 3.6 本章小结47-48
• 第4章 基于 ITTI 显著性模型的改进48-54
• 4.1 改进的 ITTI 模型48-51
• 4.1.1 特征融合48-50
• 4.1.2 计算加权系数50-51
• 4.1.3 显著性度量51
• 4.2 实验与分析51-53
• 4.3 本章小结53-54
• 第5章 总结与展望54-56
• 5.1 论文工作总结54-55
• 5.2 后续研究与展望55-56
• 参考文献56-60
• 致谢60-61
• 附录：攻读学位期间所发表的论文61

【共引文献】

中国期刊全文数据库 前5条

1 曾妍;韩慧;;西方文化中身体类习语的教学实践与研究——以中学英语课堂教学为例[J];海外英语;2013年19期

2 杨波;姚志均;王金武;;一种基于RGB颜色空间和随机矩形区域的显著性检测方法[J];舰船电子对抗;2013年05期

3 陈郁初;前额皮层功能的电生理学研究近况[J];生理科学进展;1985年04期

4 张豹;黄赛;;工作记忆表征对视觉注意的引导机制[J];心理科学进展;2013年09期

5 张豹;黄赛;候秋霞;;工作记忆表征捕获眼动中的颜色优先性[J];心理学报;2014年01期

中国博士学位论文全文数据库 前10条

1 赵光;情景线索效应加工机制的探讨[D];西南大学;2013年

2 尹军;社会信息在知觉组织中的作用[D];浙江大学;2013年

3 赵均榜;稳态视觉诱发电位的注意机制及其在脑机接口的应用[D];浙江大学;2012年

4 郭海儒;注意的生成机制与视觉注意计算模型研究[D];北京邮电大学;2012年

5 吴迪;可见光图像视觉显著物体探测及畸变不变光学相关识别[D];哈尔滨工业大学;2013年

6 杨雯琴;双语产出中的语言控制[D];福建师范大学;2013年

7 李毕琴;非随意注意中偏差干扰现象的实质：对提示信息观的完善与发展[D];东北师范大学;2013年

8 刘金平;泡沫图像统计建模及其在矿物浮选过程监控中的应用[D];中南大学;2013年

9 孟祥林;生物视觉启发的图像识别技术研究[D];国防科学技术大学;2011年

10 李开新;电信企业管理人员胜任素质及其对企业绩效影响机制研究[D];北京交通大学;2013年

中国硕士学位论文全文数据库 前10条

1 王媛媛;基于判决理论的在线BCI系统的研究与建立[D];大连理工大学;2013年

2 罗婷;视觉搜索模板对记忆引导注意效应的影响[D];西南大学;2013年

3 王素英;工作记忆负荷对大学生运动员注意瞬脱的影响[D];华东师范大学;2013年

4 李姣婧;长时和短时两类工作记忆内容对选择性注意的影响[D];西南大学;2013年

5 叶玲利;内河视频监控中运动船舶检测和遮挡分离算法研究[D];武汉理工大学;2013年

6 方相如;基于视频图像显著图的感兴趣区域提取方法研究[D];西安电子科技大学;2013年

7 李然;视觉工作记忆负荷类型对注意选择的影响[D];浙江大学;2013年

8 刘颖仪;物体知觉作为内源性线索对注意定向的影响[D];浙江大学;2011年

9 康冠兰;奖赏预期影响面孔情绪加工的认知神经机制[D];首都师范大学;2013年

10 蒋涛;基于格兰杰因果关系的视觉额顶网络的研究[D];电子科技大学;2013年

  本文关键词：基于视觉显著性的图像识别的研究，由笔耕文化传播整理发布。

本文编号：337726