本文關鍵詞：基于視覺顯著性的圖像識別的研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著科學技術的發(fā)展和信息的日益豐富，機器視覺受到了廣泛的重視。如何應用計算機模仿人類處理圖像的機制來快速而準確地將海量圖片進行識別和分類，需要同時結(jié)合計算機科學、生物物理學以及心理學的研究。通常，這類研究會結(jié)合基于人眼的視覺注意機制，也就是當人眼接觸一個視覺場景時，會注意場景中更為顯著或者更為感興趣的區(qū)域，然后視作為重要區(qū)域進行優(yōu)先處理。根據(jù)這一特性，目前已經(jīng)有很多基于顯著性的計算模型。在此基礎上也有很多學者提出將任務驅(qū)動的模型與其結(jié)合，從而能夠?qū)μ囟ǖ膱D像進行分類和識別。本文以視覺顯著性的計算模型為基礎，進行圖像識別的研究。 首先介紹了人眼視覺的生理結(jié)構(gòu)，分析了基于視覺信息處理機制的視覺顯著性計算模型和利用具有先驗知識的貝葉斯識別模型。接下來，詳細的闡述了將ITTI顯著性模型和貝葉斯模型相結(jié)合的圖像識別算法。該算法在提取顯著性特征后，選用高斯密度分布函數(shù)來擬合特征值得到訓練參數(shù)，并作為先驗知識。在識別時，基于訓練參數(shù)進行貝葉斯識別。這一模型較好的實現(xiàn)了基于先驗知識的視覺特征，進行有目的的圖像識別和分類。本文的研究內(nèi)容主要是基于該模型提出改進的算法。 其次，研究了貝葉斯模型中似然函數(shù)的估計方法。原模型中主要采用高斯概率密度函數(shù)來擬合特征值的分布，但隨著訓練圖片的增多，特征值包含的信息更豐富，分布更復雜，單一高斯模型的誤差更大。本文選用的混合高斯模型彌補了這一不足，通過對特征值進行聚類，然后對每一聚類進行單一高斯擬合，有效地提高了擬合精度從而提高識別的效率。 基于混合高斯模型的思想，提出了一個根據(jù)特征值的分布特性自動選擇其分布函數(shù)的自適應系統(tǒng)。這一系統(tǒng)采用兩個判定，根據(jù)特征值分布的特點，在單一高斯、雙高斯以及混合高斯模型中進行選擇。從而提高了處理速度和識別效率。 為了提高自適應系統(tǒng)的識別效率，本文又結(jié)合ITTI顯著性模型的特點，提出了改進的顯著性度量的方法。主要是基于已經(jīng)學習到的圖像集合的特征分布特性，為每幅子特征圖添加權(quán)值系數(shù)，從而更加突出顯著區(qū)域。經(jīng)過多次實驗發(fā)現(xiàn)，這一基于統(tǒng)計特性的加權(quán)方法，在特定的圖像數(shù)據(jù)庫中是有效的，能提高自適應系統(tǒng)的識別效率。但是其廣泛的適用性還有待進一步研究。 本文提出的改進算法主要是基于顯著性引導的圖像識別系統(tǒng)。在給定某一對象的多幅訓練圖的前提下，本系統(tǒng)經(jīng)過學習得到對象的一個具體描述，然后對包含對象的待測圖像進行識別，給出這個圖片會被正確識別的概率列表。本文針對ALOI圖像數(shù)據(jù)庫進行大量的實驗，結(jié)果顯示，本文提出的改進算法有效的提高了識別的效率，并且此自適應系統(tǒng)在時間消耗上小于混合高斯模型。
【關鍵詞】：視覺顯著性 混合高斯模型 H-kmeans聚類 顯著性度量 自適應系統(tǒng) 圖像識別
【學位授予單位】：中南民族大學
【學位級別】：碩士
【學位授予年份】：2013
【分類號】：R310
【目錄】：

• 摘要5-7
• Abstract7-9
• 目錄9-11
• 第1章 緒論11-16
• 1.1 課題研究的背景及意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-15
• 1.3 論文的組織結(jié)構(gòu)15-16
• 第2章 基于貝葉斯的視覺注意計算模型16-34
• 2.1 人類視覺系統(tǒng)16-18
• 2.1.1 視網(wǎng)膜16-17
• 2.1.2 視皮層17-18
• 2.1.3 眼動神經(jīng)系統(tǒng)18
• 2.2 視覺注意計算模型18-22
• 2.2.1 貝葉斯模型19
• 2.2.2 基于信息理論的模型19-20
• 2.2.3 頻域分析模型20-21
• 2.2.4 決策理論模型21
• 2.2.5 基于認知的模型21-22
• 2.3 SalBayes 模型22-32
• 2.3.1 ITTI 顯著性模型22-27
• 2.3.2 基于 ITTI 的 SalBayes 模型27-32
• 2.4 本章小結(jié)32-34
• 第3章 改進的自適應識別算法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 三高斯擬合36-37
• 3.2.2 雙高斯函數(shù)擬合37-38
• 3.3 H-k-means 聚類38-41
• 3.3.1 k-means 聚類39-40
• 3.3.2 H-k-means40-41
• 3.4 自適應系統(tǒng)的實現(xiàn)41-42
• 3.4.1 決策一41-42
• 3.4.2 決策二42
• 3.5 實驗和分析42-47
• 3.5.1 實驗環(huán)境和數(shù)據(jù)介紹42-44
• 3.5.2 參數(shù)設置和實驗步驟44-46
• 3.5.3 結(jié)果分析46-47
• 3.6 本章小結(jié)47-48
• 第4章 基于 ITTI 顯著性模型的改進48-54
• 4.1 改進的 ITTI 模型48-51
• 4.1.1 特征融合48-50
• 4.1.2 計算加權(quán)系數(shù)50-51
• 4.1.3 顯著性度量51
• 4.2 實驗與分析51-53
• 4.3 本章小結(jié)53-54
• 第5章 總結(jié)與展望54-56
• 5.1 論文工作總結(jié)54-55
• 5.2 后續(xù)研究與展望55-56
• 參考文獻56-60
• 致謝60-61
• 附錄：攻讀學位期間所發(fā)表的論文61

【共引文獻】

中國期刊全文數(shù)據(jù)庫 前5條

1 曾妍;韓慧;;西方文化中身體類習語的教學實踐與研究——以中學英語課堂教學為例[J];海外英語;2013年19期

2 楊波;姚志均;王金武;;一種基于RGB顏色空間和隨機矩形區(qū)域的顯著性檢測方法[J];艦船電子對抗;2013年05期

3 陳郁初;前額皮層功能的電生理學研究近況[J];生理科學進展;1985年04期

4 張豹;黃賽;;工作記憶表征對視覺注意的引導機制[J];心理科學進展;2013年09期

5 張豹;黃賽;候秋霞;;工作記憶表征捕獲眼動中的顏色優(yōu)先性[J];心理學報;2014年01期

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 趙光;情景線索效應加工機制的探討[D];西南大學;2013年

2 尹軍;社會信息在知覺組織中的作用[D];浙江大學;2013年

3 趙均榜;穩(wěn)態(tài)視覺誘發(fā)電位的注意機制及其在腦機接口的應用[D];浙江大學;2012年

4 郭海儒;注意的生成機制與視覺注意計算模型研究[D];北京郵電大學;2012年

5 吳迪;可見光圖像視覺顯著物體探測及畸變不變光學相關識別[D];哈爾濱工業(yè)大學;2013年

6 楊雯琴;雙語產(chǎn)出中的語言控制[D];福建師范大學;2013年

7 李畢琴;非隨意注意中偏差干擾現(xiàn)象的實質(zhì)：對提示信息觀的完善與發(fā)展[D];東北師范大學;2013年

8 劉金平;泡沫圖像統(tǒng)計建模及其在礦物浮選過程監(jiān)控中的應用[D];中南大學;2013年

9 孟祥林;生物視覺啟發(fā)的圖像識別技術研究[D];國防科學技術大學;2011年

10 李開新;電信企業(yè)管理人員勝任素質(zhì)及其對企業(yè)績效影響機制研究[D];北京交通大學;2013年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 王媛媛;基于判決理論的在線BCI系統(tǒng)的研究與建立[D];大連理工大學;2013年

2 羅婷;視覺搜索模板對記憶引導注意效應的影響[D];西南大學;2013年

3 王素英;工作記憶負荷對大學生運動員注意瞬脫的影響[D];華東師范大學;2013年

4 李姣婧;長時和短時兩類工作記憶內(nèi)容對選擇性注意的影響[D];西南大學;2013年

5 葉玲利;內(nèi)河視頻監(jiān)控中運動船舶檢測和遮擋分離算法研究[D];武漢理工大學;2013年

6 方相如;基于視頻圖像顯著圖的感興趣區(qū)域提取方法研究[D];西安電子科技大學;2013年

7 李然;視覺工作記憶負荷類型對注意選擇的影響[D];浙江大學;2013年

8 劉穎儀;物體知覺作為內(nèi)源性線索對注意定向的影響[D];浙江大學;2011年

9 康冠蘭;獎賞預期影響面孔情緒加工的認知神經(jīng)機制[D];首都師范大學;2013年

10 蔣濤;基于格蘭杰因果關系的視覺額頂網(wǎng)絡的研究[D];電子科技大學;2013年

  本文關鍵詞：基于視覺顯著性的圖像識別的研究，由筆耕文化傳播整理發(fā)布。

本文編號：337726