物体识别过程.docVIP

在计算机视觉领域，一个典型的物体识别系统往包含以下几个阶段：预处理，特征提取，特征选择，建模，匹配，定位。 1.2.3预处理 预处理几乎是所有计算机视觉算法的第一步，其动机是尽可能在不改变图像承载的本质信息的前提下，使得每张图像的表观特性（如颜色分布，整体明暗，尺寸大小等）尽可能的一致，以便于之后的处理过程。预处理有生物学的对应。瞳孔，虹膜和视网膜上的一些细胞的行为类似于某些预处理步骤，如自适应调节入射光的动态区域等等。预处理和特征提取之间的界线不完全分明。有时两者交叉在一起。它主要完成模式的采集、模数转换、滤波、消除模糊、减少噪声、纠正几何失真等预处理操作。因此也要求相应的设备来实现。 预处理经常与具体的采样设备和所处理的问题有关。例如，从图象中将汽车车牌的号码识别出来，就需要先将车牌从图像中找出来，再对车牌进行划分，将每个数字分别划分开。做到这一步以后，才能对每个数字进行识别。以上工作都应该在预处理阶段完成。 从理论上说，像预处理这种先验式的操作是不应该有的。因为它并不为任何目的服务，所以完全可以随意为之而没有“应该怎么做”的标准，大部分情况下预处理是看着实验结果说话。这是因为计算机视觉目前没有一个整体的理论框架，无法从全局的高度来指导每一个步骤应该如何进行。在物体识别中所用到的典型的预处理方法不外乎直方图均衡及滤波几种。像高斯模糊可以用来使得之后的梯度计算更为准确；而直方图均衡可以克服一定程度的光照影响。值得注意的是，有些特征本身已经带有预处理的属性，因此不需要再进行预处理操作。 预处理通常包括五种基本运算： (1)编码：实现模式的有效描述，适合计算机运算。 (2)阀值或者滤波运算：按需要选出某些函数，抑制另一些。 (3)模式改善：排除或修正模式中的错误，或不必要的函数值。 (4)正规化：使某些参数值适应标准值，或标准值域。 (5)离散模式运算：离散模式处理中的特殊运算。 2.4特征提取 特征提取的目的是从模式样本中提取能代表该模式特有的性质。这是模式分类中最关键的一步，但又是最难以控制的一步。其准则是提取尽量少的特征，而能使分类的误差最小。但随之而来就有了矛盾，特征提取在分类之前完成，事先并不知道哪些特征能使分类误差最小，目前还无法解决这个矛盾。特征提取负责从图像中得到重要的信息以交给下一层使用，而忽略不太重要的信息。特征提取的设计关键点在于在“哪里提取特征”及“提取什么特征”。 对于“在哪里提取特征”这个问题，有两种答案。某些系统仅在那些“应该提取”的地方提取特征，以保证得到的特征都是有效的，同时处理时间不会太长。为此就必须设计“兴趣点检测器”以在真正提取特征之前找到那些位置。此类检测器的设计思路是希一望这些点在仿射变换下保持不变，这样就能获得对于扭曲及光线变化的鲁棒性。另一些系统则采用密集采样方式，对于图像上的每一个点都进行特征提取。前一种方式具有效率高的特点，然而如何选取兴趣点检测器本身就是一个相当艰难的任务，并且会给系统引入不适当的先验，使得最终结果随着被测物体类别的不同会有偏离，与物体识别的精神不相符合；后一种方式速度是其较大的问题。 对于“提取什么特征”这个问题，答案则要丰富许多。对于局部特征，已开 发的系统中已存在很多可用的。局部特征也可以分为“形状(Shape)”及“材质(Texture )”两类。这两类特征编码本质上不同的信息，有不同的能力。形状特征，如线段，曲率，其具有的一大特性是对于光照及形变的不变性，然而同时也有提取时间长及对遮挡敏感的缺点，某些方法由于数学上的限制，无法用于自相交或者非闭合曲线等等在自然图像中司空见惯的情况。另一方面，一些材质特征，如图像小块，小波系数等等，提取时间相对较短，并且对于遮挡的抵抗强些，但是缺乏各方面的不变性；还有一些材质特征如直方图，则具有相当强的变换不变性，但代价是丢失了空间信息。 近年来，子空间方法，如主成分分析(PCA)，辨别成分分析(LDA)，也成为一种相对重要的特征提取手段。这种方法将图像拉长成为高维空间的向量，并进行奇异值分解以得到特征方向。人脸识别便是其较为成功的应用范例。此类方法能处理有全局噪声的情况，并且模型相当简单易实现；然而这种算法割裂了图像的内部结构，因此在本质上是非视觉的，模型的内在机制较难令人理解，也没有任何机制能消去施加于图像上的仿射变换。 2.2图像特征提取方法 图像特征提取就是提取出一幅图像中不同于其他图像的根本属性，以区别不同的图像。如灰度、亮度、纹理和形状等等特征都是与图像的视觉外观相对应的；而还有一些则缺少自然的对应性，如颜色直方图、灰度直方图和空间频谱图等。 基于图像特征进行物体识别实际上是根据提取到图像的特征来判断图像中物体属于