本文選題：目標檢測　切入點：視覺注意機制　出處：《西南科技大學》2017年碩士論文　論文類型：學位論文

【摘要】：目前,移動機器人的目標檢測作為一項多學科綜合的復雜技術(shù),現(xiàn)已滲透到軍事、工業(yè)、生活等各個領(lǐng)域,得到國內(nèi)外研究者的廣泛關(guān)注。移動機器人的目標檢測以圖像處理、分析和理解為基礎(chǔ),隨著圖像成像技術(shù)的迅速提升,在獲得超高分辨率圖像的同時,也帶來了圖像信息冗余的問題,這為圖像后期處理(如目標檢測等)增加難度。而反觀人類視覺系統(tǒng)則具有異常突出的信息篩選能力,能迅速選擇進入人眼的重要信息并做出反應(yīng),這種具有選擇性和主動性的生理和心理活動被稱為視覺注意機制。本文對視覺注意機制的相關(guān)原理及方法進行了深入研究,并將研究結(jié)果運用在目標檢測中,實現(xiàn)場景圖像目標的快速自動檢測。本文主要的研究內(nèi)容和成果如下:(1)本文通過研究視覺注意生物學理論并分析現(xiàn)有的各顯著性檢測算法優(yōu)缺點,結(jié)合特殊環(huán)境目標檢測的具體應(yīng)用,提出對IT算法進行改進,使之適用于具體目標檢測。改進算法從底層特征顯著性分析,選取對目標感興趣區(qū)域提取最有利的若干特征進行計算,使得目標感興趣區(qū)域的提取更加準確完整,彌補了原IT算法在求取目標時輪廓信息缺失的不足。由于在特殊環(huán)境中采集的圖像含有噪音,本文提出了一種將多重中值濾波與曲波變換相結(jié)合的混合去噪算法進行降噪預處理。實驗表明該方法較好地降噪并保護邊緣,改善圖像的視覺質(zhì)量。在進行降噪預處理的基礎(chǔ)上,本文利用改進IT算法進行感興趣區(qū)域提取,并進行目標檢測,而目標檢測的正確檢測率達89%,證明基于視覺注意機制的特殊環(huán)境目標檢測方案可行。(2)本文利用人工智能中的隨機森林算法訓練好的顯著性回歸器映射每個區(qū)域特征向量的顯著值而獲取顯著圖,使得目標檢測過程更加智能化。在求取區(qū)域特征時,本文針對具體的應(yīng)用場景(商場物品檢測),選取了對目標感興趣區(qū)域計算有利的區(qū)域?qū)Ρ榷�、背景度以及屬性等特征。實驗證明本文算法雖然在用時上稍比其他幾種對比算法用時長,但顯著性檢測結(jié)果明顯遠遠優(yōu)于其他幾種常見或經(jīng)典的算法。同時,目標檢測的正確檢測率達92%,證明可以利用視覺注意機制進行商場物品檢測。
[Abstract]:At present, the target detection of mobile robot, as a complex and multidisciplinary technology, has been infiltrated into military, industrial, life and other fields, and has been widely concerned by researchers at home and abroad. The target detection of mobile robot is based on image processing. On the basis of analysis and understanding, with the rapid improvement of image imaging technology, the problem of redundant image information is also brought about by obtaining ultra-high resolution images. This increases the difficulty of image post-processing (such as target detection, etc.), while the human visual system, on the other hand, has an exceptionally prominent information screening ability to quickly select and respond to important information that enters the human eye. This selective and active physiological and psychological activity is called visual attention mechanism. In this paper, the related principles and methods of visual attention mechanism are deeply studied, and the results are applied to target detection. The main contents and results of this paper are as follows: 1) this paper studies the biological theory of visual attention and analyzes the advantages and disadvantages of the existing salient detection algorithms. Combined with the specific application of target detection in special environment, this paper proposes to improve the IT algorithm and make it suitable for specific target detection. The extraction of the region of interest of the target is more accurate and complete by selecting the most favorable features for the region of interest extraction. It makes up for the lack of contour information in the original IT algorithm. Because the images collected in the special environment contain noise, In this paper, a hybrid de-noising algorithm combining multiple median filtering and Qu Bo transform is proposed. Experiments show that the proposed method can reduce noise and protect edges. Improve the visual quality of the image. Based on the pre-processing of noise reduction, this paper uses the improved IT algorithm to extract the region of interest and detect the target. The correct detection rate of target detection is 89, which proves that the special environment target detection scheme based on visual attention mechanism is feasible. 2) in this paper, we use the random forest algorithm in artificial intelligence to train a significant regression to map each region special. The salience value of the eigenvector to obtain the salience graph, The process of target detection is more intelligentized. In order to obtain the regional features, this paper selects the region contrast that is favorable to the area of interest to the target, aiming at the specific application scene (shopping mall item detection). The experimental results show that the proposed algorithm is much better than other common or classical algorithms, although it is slightly longer in time than other comparison algorithms. The correct detection rate of target detection is 92, which proves that the visual attention mechanism can be used to detect shopping mall items.
【學位授予單位】：西南科技大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41;TP242

【相似文獻】

相關(guān)期刊論文 前10條

1 高禮靜;;基于圖像的針劑自動裁切與定位[J];福建電腦;2008年12期

2 奚惠寧;任蕊;;判斷有關(guān)醫(yī)學圖像專利申請是否為非授權(quán)客體[J];電視技術(shù);2013年S2期

3 韓雙旺;崔兆順;李德錄;李芙蓉;;基于閾值的彩色目標圖像的提取與測量[J];自動化與儀器儀表;2010年03期

4 林靜;王薇婕;關(guān)丹丹;景軍鋒;;基于浮雕圖像的3D浮雕效果實現(xiàn)[J];微型機與應(yīng)用;2012年11期

5 李敏潔;魏仲慧;何昕;;基于FPGA的多功能圖像目標發(fā)生器的設(shè)計與實現(xiàn)[J];微計算機信息;2005年25期

6 韓雙旺;崔兆順;鮑麗紅;李德錄;;基于目標圖像的提取與測量[J];上海工程技術(shù)大學學報;2007年04期

7 劉進;孫婧;徐正全;顧鑫;;基于目標的圖像輕量級加密[J];華中科技大學學報(自然科學版);2011年06期

8 于明;王倩;郭迎春;;一種圖像的顯著區(qū)域提取方法[J];光電工程;2012年08期

9 郭旭平,李在銘;圖像目標的可視識別與智能跟蹤[J];系統(tǒng)工程與電子技術(shù);1998年08期

10 王成;張劍戈;江旭峰;章魯;;基于知識的三維核醫(yī)學圖像左心室心肌區(qū)的提取[J];中國生物醫(yī)學工程學報;2007年01期

相關(guān)會議論文 前5條

1 張林怡;王運鋒;王建國;;分維數(shù)在SAR圖像海岸線檢測中的應(yīng)用研究[A];第十屆全國信號處理學術(shù)年會（CCSP-2001）論文集[C];2001年

2 李吉成;魯新平;楊衛(wèi)平;張志龍;高穎慧;沈振康;;圖像目標的自動識別和快速篩選技術(shù)[A];2006年全國光電技術(shù)學術(shù)交流會會議文集（D 光電信息處理技術(shù)專題）[C];2006年

3 佘二永;;SAR圖像目標解譯技術(shù)分析[A];第九屆全國信息獲取與處理學術(shù)會議論文集Ⅰ[C];2011年

4 趙朝杰;朱虹;黎璐;董敏;袁承興;;基于內(nèi)容感知的圖像非等比例縮放[A];第十四屆全國圖象圖形學學術(shù)會議論文集[C];2008年

5 奚惠寧;;淺談有關(guān)醫(yī)學圖像的專利申請如何判斷是否是非授權(quán)客體[A];2013年中華全國專利代理人協(xié)會年會暨第四屆知識產(chǎn)權(quán)論壇論文匯編第二部分[C];2013年

相關(guān)博士學位論文 前10條

1 錢智明;面向圖像標注的張量表示與語義建模方法研究[D];國防科學技術(shù)大學;2015年

2 吳俊峰;基于視覺顯著性的圖像檢索算法研究[D];大連海事大學;2017年

3 楊發(fā)盛;復雜退化條件下靶場圖像多模式盲復原技術(shù)研究[D];中國科學院光電技術(shù)研究所;2017年

4 鄧劍勛;多示例圖像檢索算法研究及在人臉識別中的應(yīng)用[D];重慶大學;2012年

5 王亮申;圖像特征提取及基于內(nèi)容圖像數(shù)據(jù)庫檢索理論和方法研究[D];大連理工大學;2002年

6 魏波;點時空約束圖像目標跟蹤理論與實時實現(xiàn)技術(shù)研究[D];電子科技大學;2000年

7 劉俊;基于鉬靶圖像的計算機輔助乳腺癌檢測系統(tǒng)中關(guān)鍵技術(shù)研究[D];武漢科技大學;2012年

8 付華柱;圖像協(xié)同關(guān)聯(lián)性約束的研究與應(yīng)用[D];天津大學;2013年

9 廖宜濤;基于圖像與光譜信息的豬肉品質(zhì)在線無損檢測研究[D];浙江大學;2011年

10 陳海林;基于判別學習的圖像目標分類研究[D];中國科學技術(shù)大學;2009年

相關(guān)碩士學位論文 前10條

1 徐衍魯;基于改進的K-means和層次聚類方法的詞袋模型研究[D];上海師范大學;2015年

2 甘洪涌;SAR圖像自動目標識別算法研究[D];哈爾濱理工大學;2014年

3 張玉營;基于認知理論的高分辨率PolSAR圖像目標解譯算法研究[D];哈爾濱工業(yè)大學;2015年

4 王帥;視頻中扇貝圖像的檢測與定位研究[D];大連海洋大學;2015年

5 李偉;改進的主顏色提取方法及自適應(yīng)權(quán)重圖像檢索算法研究[D];華中師范大學;2015年

6 李星云;碼垛機器人視覺控制關(guān)鍵技術(shù)的研究[D];西南科技大學;2015年

7 梁，

本文編號：1613397