论文部分内容阅读
随着数字图像信息逐渐增多,特定目标识别系统在各个领域发挥着不可替代的作用。面对大量的图像信息,快速并精确地识别图像中的特定目标并对其进行分类管理成为当下最重要的课题之一。本课题针对当前目标识别系统中存在的问题,设计改进的特定目标识别系统并搭建图像数据库,完成多种特定目标的识别与存储工作。目标识别算法方面,课题提出将Canny边缘检测算法与Haar-like分类识别算法相结合的方案,并完成Canny边缘检测算法和SIFT匹配算法的改进工作。方案首先利用基于Haar-like特征的AdaBoost分类器对图像进行初次识别,生成包含特定目标的子图像,其次用改进的Canny算法提取子图像的边缘信息,并应用改进的SIFT算法完成相似度匹配,从而识别图像中的特定目标。针对传统Canny算法滤波效果不佳的问题,本课题对多种滤波算法进行测试,选取双边滤波器代替原有的高斯滤波器。改进后的Canny算法有效地抑制了目标附近的噪声信息,从而获得更好的边缘信息。课题同时针对SIFT算法在边缘图像中特征点不足的问题,利用基于霍夫变换的线特征提取算法,获得图像中的特征直线,以此补充特征点,提高匹配可信度。数据库管理方案中,课题依据特定目标类型建立基础类别表,同时对各类特定目标建立其Haar-like特征库、边缘特征库与样本图像索引库。课题完成特定目标识别与数据库存储两项工作。目标识别系统能够接收输入的图像,并识别其中的各类特定目标,系统识别精度在90%以上,同时保证复杂图像的识别效率。数据库存储系统能够依据特定目标类别保存识别成功的图像,并存储特定目标的训练样本集与特征库。