您的位置:新文秘網(wǎng)>>畢業(yè)相關(guān)/畢業(yè)論文/文教論文/調(diào)研報告/>>正文

畢業(yè)論文:視頻圖像人物識別算法研究

發(fā)表時間:2014/3/15 13:10:55
目錄/提綱:……
一、原理概述
二、開發(fā)平臺
三、具體實現(xiàn)及效果
四、總結(jié)與展望
1、對于人體的特征描述和提取
3、應(yīng)用:利用筆記本電腦進(jìn)行對于圖片的識別
二、軟件平臺
三、三、具體實驗結(jié)果
……
畢業(yè)論文:視頻圖像人物識別算法研究

摘要
   視頻圖像中的人物識別是一種高效、自然且直接的人機(jī)交互的方式。它是研究如何通過計算機(jī),使其按照人類的思維進(jìn)行邏輯判斷和識別,尋找出圖像或者視頻中的人物,是現(xiàn)如今在計算機(jī)視覺領(lǐng)域非常熱門的一項研究課題。由于人物的高度靈活性、隨意性以及移動高速等特點,使得人物識別成為一項極具挑戰(zhàn)性的課題。目前幾種較為常用的識別特征算法包括了基于HaarLike特征算法、基于SIFT尺度不變特征算法、基于HOG(Histogram of Orientation Gradient)特征算法和基于HOT(Histogram of Templates)特征算法。較為常用的學(xué)習(xí)匹配算法包括了Adaboost學(xué)習(xí)算法和SVM(Support Vector Machine)支持向量機(jī)算法。本文在研究每一種算法的基礎(chǔ)上,主要針對HOG特征算法和SVM支持向量機(jī)算法實現(xiàn)人物識別。

目 錄
一、原理概述
1.1 背景介紹
1.2 研究現(xiàn)狀
 1.2.1 Haar-Like
 1.2.2 SIFT
 1.2.3 HOG
 1.2.4 Adaboost
 1.2.5 SVM
1.3 本文研究內(nèi)容
1.4 本文結(jié)構(gòu)

二、開發(fā)平臺
2.1 OPENCV
2.1.1 OPENCV簡介
2.1.2 OPENCV應(yīng)用
2.2 C
2.2.1 C
……(新文秘網(wǎng)http://120pk.cn省略975字,正式會員可完整閱讀)…… 
時容易產(chǎn)生錯誤識別。因此,實現(xiàn)人物識別的挑戰(zhàn)性更大。
   人物識別中最為重要的技術(shù)就是特征提取。特征一般是通過對特征一般是通過對需要分類的對象所擁有的知識進(jìn)行編碼得到的。在物體識別領(lǐng)域,特征的設(shè)計始終扮演著重要的角色,之所以采用特征形式作為分類的依據(jù),是因為特征與原始像素相比具有以下優(yōu)勢:
(1)特征可以表達(dá)區(qū)域之間的關(guān)聯(lián)信息,這是用有限的單個、獨立的原始像素
所無法表示的;
(2)采用特征對圖像進(jìn)行建模,有利于減小待分類對象的類內(nèi)距離,同時可以
增加待分類對象的類間距離,有利于建立更有效的判別函數(shù);
(3)特征更容易形式化,而形式化了的特征計算更加迅速,這對于識別速度有著非常大的正向影響,能夠縮短不少識別時間。對于視頻中的人物識別或者物體識別,若是按照像素進(jìn)行則會極大的加大計算復(fù)雜度,因為每一幀的像素都是更新的,即使內(nèi)容不變,但仍然需要重新計算,若是按照特征進(jìn)行,一則能夠?qū)⑾袼卣,多個像素或者一組像素同時進(jìn)行識別,二則能夠降低每幀識別帶來的不良影響,三則由于要求實時性,因此在短時間內(nèi),識別系統(tǒng)需要識別非常大量的窗口,并且計算對應(yīng)子窗口中的特征值,所以必須運用快速高效的特征計算方法。因此特征的采用能夠大大提高識別效率。
   
Haar Like特征提取算法
   Haar Like特征提取算法是由Papageorgiou等人提出的。最早的Haar Like特征提取算法只有三種類型,五種形式的矩形特征。分別為:2矩形特征、3矩形特征和4矩形特征。
  
   之后Rainer Lienhart 和Jochen Maydt對此舉行特征進(jìn)行了擴(kuò)展,加入了旋轉(zhuǎn)45度角度的矩形特征,大致分為4種類型:邊緣特征、線性特征、中心環(huán)繞特征和對角線特征。
  
   若圖像中含有的某個物體的子圖像區(qū)域是由L*H個像素組成,那么可以使用一個五維向量來表示子圖像中的任意矩形:r=(*,y,l,h,a),其中(*,y)表示矩形左上角定點像素的坐標(biāo),l表示矩形的長度,h表示矩形的寬度,a則是矩形的旋轉(zhuǎn)角度。此外,其還需要滿足如下條件:
   *≥0
   *+l≤L
   
   
  
   矩形的特征可以用下式表示
   Haar Like特征提取算法主要運用在人臉識別中,少數(shù)情況下會運用于人物識別,此外,由于其非常良好的矩形模塊性識別,它頁經(jīng)常被用于車輛識別等矩形物體識別領(lǐng)域,并且有著非常好的效果。
   具體的識別過程可以概括為:首先運用大量的Haar Like特征的物體圖像,多以矩形為主,用模式識別訓(xùn)練出一組級聯(lián)分類器,每級的識別率保持統(tǒng)一,這樣能夠傳遞給后級足夠的具有物體特征的備選物體。Haar Like子分類器則由許多相關(guān)特征構(gòu)成,如之前圖片所示,有水平矩形、豎直矩形和任意角度傾斜的矩形,每個特征含有兩個分支值和一個閾值,每級子分類器又含有一個總閾值。識別物體的時候,窗口會遍歷整幅圖像,其大小與訓(xùn)練時有物體時的窗口大小相同,之后逐漸放大窗口,再次遍歷整幅圖像;每次移動窗口后,都會對窗口內(nèi)的Haar Like特征進(jìn)行計算,加權(quán)后與分類器中Haar Like特征的閾值比較,之后歸類進(jìn)入左或者右分支值,將一個級的分支值之和與相應(yīng)級的總閾值比較,若大于該總閾值才可以進(jìn)入下一輪篩選,否則則被淘汰。當(dāng)這個物體能夠通過分類器所有的級時,我們認(rèn)為這個物體能夠以大概率被識別。
   
SIFT特征提取算法
   SIFT特征(Scale Invariant Feature Transform),全稱為尺度不變特征轉(zhuǎn)換。它由D.G.Lowe提出,是一種通過提取局部特征進(jìn)行識別的算法,它在尺度空間內(nèi)尋找極值點、提取位置、尺度和旋轉(zhuǎn)不變量。
其主要特點有5點:
1 不變性:SIFT特征針對的是圖像的局部特征,因此需要保證其對圖像的旋轉(zhuǎn)、尺度縮放、亮度變化等信息能夠做到不受影響。
2 獨特性:信息量豐富,適用于在海量特征數(shù)據(jù)庫中進(jìn)行快速、準(zhǔn)確的匹配。
3 多量性:即使少數(shù)的幾個物體也可以產(chǎn)生大量SIFT特征向量。
4 高速性:經(jīng)優(yōu)化的SIFT匹配算法甚至可以達(dá)到實時的要求。
5 可擴(kuò)展性:可以很方便的與其他形式的特征向量進(jìn)行聯(lián)合。
   SIFT特征提取首先檢測尺度空間的極值點,并對其進(jìn)行精確定位,確保之后能夠?qū)γ總關(guān)鍵點指定方向參數(shù)。之后針對每個關(guān)鍵點生成描述子。
   具體的識別流程如下:首先生成尺度空間,尺度空間理論目的是模擬圖像數(shù)據(jù)的多尺度特征。高斯卷積核是實現(xiàn)尺度變換的唯一線性核。之后將會進(jìn)行圖像金字塔的構(gòu)建,圖像金字塔共O組,每組有S層,下一組的圖像由上一組圖像降采樣得到

   接著需要尋找尺度空間的極值點,為了尋找尺度空間的極值點,每個采樣點需要與和它相鄰的所有點進(jìn)行比較,從而能夠得出其是否是它的圖像域和尺度域中相鄰點的極值點。如圖3所示,被檢測點需要進(jìn)行比較的點包括了:和它同尺度的8個相鄰點以及上下相鄰尺度對應(yīng)的18個點,一共26個點,進(jìn)行足夠的比較能夠確保在尺度空間和二維圖像空間都檢測到極值點。 ……(未完,全文共15229字,當(dāng)前僅顯示2739字,請閱讀下面提示信息。收藏《畢業(yè)論文:視頻圖像人物識別算法研究》
文章搜索
相關(guān)文章