目标检测与识别是目前机器视觉的重要研究领域,从之前利用传统的图像处理方法,到结合机器学习对目标的分析,再到近几年基于深度学习网络的应用,发展形势越来越好。到2019年,已经有部分相关产品出现在人们的日常工作和生活中,更不用说它在军事、工业上的应用。目标检测与识别简单的来说,就是通过对图像本身包含的信息进行分类,获取其中感兴趣目标的位置及类别信息,达到机器智能分析场景获取相关信息的目的。本文研究的目标检测与识别主要针对工业上一些小的零件,目的是能够准确的从复杂背景图像中对目标进行检测与识别,为后续的自动化辅助测试奠定基础。目标检测与识别算法的研究主要是通过目标特征再结合分类器训练,利用生成的模型对待处理图像进行检测与识别。主要工作内容如下:1.研究了通用的目标特征原理和提取方法,针对工业零件的本身特点,提出了一种基于LBP及最大偏移准则的改进方法。经过测试,该方法结合分类训练得出的目标候选区域标定结果更准确,错误标定的区域更少,改进算法描述的图像纹理特征更适合本文所针对的目标。2.研究了基于Zernike矩特征的图像边缘亚像素检测,针对一般的边缘特征描述不准确的问题,本文提出了一种基于Zernike 7×7模板的特征描述方法。经过测试,该方法提取的目标边缘特征更精细,达到了亚像素级别,统计得到的边缘信息更加丰富,结合分类器训练后的检测效果更好。3.研究了纹理特征和边缘特征的融合方法,针对单一特征无法更全面的描述目标特征的问题,提出了一种基于改进LBP特征和Zernike矩特征的融合方法。经过实验验证,该方法在对错误区域判别上,比之前单一的特征检测效果更好。4.研究了目标分类识别的方法,提出了基于Boost训练与SVM分类器结合的检测与分类系统。提出该方法前,本文也分析了基于连通域与基于滑动窗加SVM分类器两种方法,前者方法的稳定性不高,光照对其影响非常大,后者对滑动窗的参数设定要求很高,鲁棒性一般。经过测试,即使是面对拥有复杂背景的图像,该方法也能保证较高的召回率。