图像超分辨率与基于目标模型的目标识别方法研究.pdfVIP

图像超分辨率与基于目标模型的目标识别方法研究 随身拍摄设备的大规模普及,海量视频、图像信息为我们提供了丰富的数据 资源,视频图像在军事领域、生产生活领域、公共安全领域都发挥着重要的作用。 但是由于海量的图像信息,传统的人眼识别方法效率较低,无法满足基本需求,因 此需要寻求图像识别算法的帮助,为我们寻找感兴趣的目标并加以处理。 由于随身设备的局限性以及拍摄者的拍摄环境、拍摄角度和拍摄水平的限制, 通常图像质量差、目标信息模糊,为目标识别带来一定程度的影响,因此开展基于 超分辨率图像的目标识别算法研究具有重要理论意义和应用价值。论文从图像的 内容与结构出发,利用图像先验模型恢复图像细节信息,重建超分辨率图像,同时 在传输方面,提出了相干探测频偏估计算法,然后利用重建后的超分辨率图像进 行目标识别算法研究,有效提高了目标识别的准确性和处理效率。 论文主要研究工作如下:首先,针对图像识别过程因降质因素(如噪声、模糊、 降采样等)影响导致的识别率过低问题,提出了一种基于非局部各向异性先验模 型的超分辨率重建方法,获得了较为清晰的图像效果。利用源图像估计其模糊程 度、噪声水平等降质因素,结合自然图像的边缘信息和纹理信息等,并考虑图像内 部的重复结构信息,利用图像中的非邻域区域的结构相似性,提供图像的互补 息,并利用该信息估计像素分布模型,同时考虑到图像水平竖直方向的各项异性 型,利用各向异性的权重模型分别进行权重计算,从而达到图像细节估计的目的, 为高准确率的图像目标识别算法提供保障。 在有效地去除噪声、模糊、降采样等降质因素的影响后,图像以更为丰富的 信息形式展示,使得特征提取与训练过程中能够有效的把握图像特征,建立有效 的图像识别算法。实验结果表明,该算法能够有效的去除图像噪声和模糊,提高图 像的分辨率,保留图像原有梯度特征。 同时,为了更好地传输高质量的图像信号,在光通信方面,特别是在相干探测 频偏估计算法研究部分,针对32-QAM调制格式提出了一种工作在前馈模式并且 不需要其他数据辅助的频偏估计算法。我们提出了将32-QAM的QPSK 内环提取出 来并且放大的FFT方法。 该方法保持了传统FFT方法估计速度快的特点,并且保持了±波特率/8的大 频偏估计范围。第二,针对检测目标局部与整体的空间位置关系,提出了一种非对 称逆布局目标表示模型(NAOM)来表示目标对象各种形状变化的有效方法。 目标检测模型的建立是为了以最优方式有效的识别检测出目标;我们将目标 的检测看成是一个逆布局的过程,其重点在于目标特征描述及NAOM 目标模型学 习:提出了使用网格状边缘方向直方图(G-HED)来更好的描述目标对象局部的轮 廓特征信息,同时通过对边缘特征描述符、目标模型学习算法、目标分类器的学 习等识别方式和算法的研究,特别是NAOM模型及G-HED特征描述符有效描述和应 对了目标的全局和局部的各种变化,对目标的特征有了更强和更准确的表达能力。 第三,通过超分辨率图像的重建算法和受到空间的NAOM 目标表示模型启发,提出 一种基于NAOM模型的目标识别算法,提高了目标识别的准确率和速度效率,为后 续图像视频理解提供有效的帮助。 NAOM模型的目标检测算法研究目标是基于一个三层分层结构,提出了带权 重的Hough投票检测算法,量化了局部块分类器检测值,有效提高了目标块识别 和检测效率。实验的分析和结果也证明了本文研究的课题在算法上的优越性,特 别是和其他类似的目标识别检测算法相比较,极大提升了目标识别检测算法和效 率和准确性。