形状的全尺度可视化表示与识别
目的 视觉目标的形状特征表示和识别是图像领域中的重要问题.在实际应用中,视角、形变、遮挡和噪声等干扰因素造成识别精度较低,且大数据场景需要算法具有较高的学习效率.针对这些问题,本文提出一种全尺度可视化形状表示方法.方法 在尺度空间的所有尺度上对形状轮廓提取形状的不变量特征,获得形状的全尺度特征.将获得的全部特征紧凑地表示为单幅彩色图像,得到形状特征的可视化表示.将表示形状特征的彩色图像输入双路卷积网络模型,完成形状分类和检索任务.结果 通过对原始形状加入旋转、遮挡和噪声等不同干扰的定性实验,验证了本文方法具有旋转和缩放不变性,以及对铰接变换、遮挡和噪声等干扰的鲁棒性.在通用数据集上进行形状分类和形状检索的定量实验,所得准确率在不同数据集上均超过对比算法.在MPEG-7数据集上精度达到99.57%,对比算法的最好结果为98.84%.在铰接和射影变换数据集上皆达到100%的识别精度,而对比算法的最好结果分别为89.75%和95%.结论 本文提出的全尺度可视化形状表示方法,通过一幅彩色图像紧凑地表达了全部形状信息.通过卷积模型既学习了轮廓点间的形状特征关系,又学习了不同尺度间的形状特征关系.本文方法在视角变化、局部遮挡、铰接变形和噪声等干扰下能保持较高的识别正确率,可应用于图像采集干扰较多以及红外或深度图像的目标识别,并适用于大数据场景下的识别任务.
形状表示;尺度空间;不变量;形状识别;目标识别;目标检索
27
TP391.41(计算技术、计算机技术)
国家自然科学基金;江苏省六大高峰人才项目
2022-02-28(万方平台首次上网日期,不代表论文的发表时间)
共14页
628-641