论文总字数：19089字

摘 要

在物体识别中，视觉注意机制一直是很重要的方向。本文使用FT显著算法，通过在 Lab 采集颜色和亮度特征，然后运用高斯差分滤波器类似于边缘检测器的概念，和它离散形式的实现方式将显著性的计算变得简便、快速。计算完显著图后又用mean shift算法分割出显著区域，进一步减少计算量。通过和其他显著图算法的比较发现在一些简单图片上，本文的算法计算相较简便，丢失图像信息较少，并且高效。因此本文使用FT显著算法。

特征识别部分，选用的是SURF算法对显著区域进行特征提取，SURF算法相较于SIFT算法由于其采用不同尺度的高斯函数，减少了计算量，并且稳定性更高，再用Flann进行特征点匹配，找到最佳匹配，通过这些最佳匹配点来识别物体。通过一些比较发现在一些简单图片上，本文的算法计算相较简便，丢失图像信息较少，并且高效。因此本文使用FT显著算法。

关键词： 物体识别 FT显著性算法 SURF算法

Object Recognition System Based on Machine Vision

Abstract

In the object recognition, the visual attention mechanism has been a very important direction. In this paper, the use of FT significant algorithm, through the Lab color and brightness characteristics, and then use the Gaussian differential filter similar to the concept of edge detector, and its discrete form of the implementation of the significance of the calculation will become simple and fast. After calculating the significant graph, the mean shift algorithm is used to segment the significant region, which further reduces the computational complexity. Compared with other obvious graphs, it is found that in some simple pictures, the algorithm is easy to calculate, and the missing image information is less and efficient. Therefore, this paper uses FT significant algorithm.

In the feature recognition part, the SURF algorithm is used to extract the feature of the salient region. Compared with the SIFT algorithm, the Gaussian function with different scales is used to reduce the computational complexity and the stability is higher, and then Flann is used to match the feature points , Find the best match, through these best match points to identify the object. Through some comparison found in some simple pictures, the algorithm calculation is relatively simple, less loss of image information, and efficient. Therefore, this paper uses FT significant algorithm.

Key words: Object recognition FT significance algorithm SURF algorithm

目录

摘 要 I

Abstract II

第一章 绪论 1

1.1 研究背景与意义 1

1.2 国内外发展现状 2

1.3 自上而下模型 4

1.4 本章小结 4

第二章 显著方法介绍 5

2.1 引言 5

2.2 显著方法的介绍 5

2.2.1 Itti算法 5

2.2.2 MZ算法 6

2.2.3 GBVS算法 7

2.2.4 SR算法 7

2.2.5 FT算法 8

2.3 本章小结 9

第三章 显著算法原理 10

3.1 引言 10

3.2 算法介绍 10

3.2.1 RGB转Lab原理 10

3.2.2 高斯差分滤波 11

3.3 显著图效果图 13

3.4 本章小结 14

第四章 Mean Shift分割 15

4.1 引言 15

4.2 显著区域分割 15

4.2.1 Mean Shift算法基本思想 15

4.2.2 图像分割 17

4.3 Mean Shift算法应用效果 17

4.4 本章小结 19

第五章 特征识别 20

5.1 引言 20

5.2 检测特征点 20

5.2.1 积分图像 20

5.2.2 构建Hessian矩阵构造高斯金字塔尺度空间 21

5.2.3 选择点的梯度 22

5.2.4 构造特征点描述算子 22

5.3 特征识别的效果图 23

5.4 本章小结 26

总结与展望 28

参考文献 29

附录 31

致谢 33

绪论

在日常生活中，我们总是能够迅速的发现映入眼帘的新鲜事物，显著目标。而研究者们也发现了这一情况，并尝试研究出人类拥有这种能力的原因以及应用。这其中就包括机器视觉的研究者们，他们发现若是机器视觉系统也能够快速的发现显著目标并作出一系列的后续的操作，那么人类将在机器视觉方面前进一大步。因此，人们开始了探究，从一开始的艰难前行到后面的百花齐放，机器视觉也有；了长足的进步，下面本文将讲述它们的一些发展过程以及意义。

1.1 研究背景与意义

图像处理的要求的提高也就促使我们对图像处理的效率提高^[1]，而在这之中图像的信息冗余一直是巨大的阻碍。因此如何去除冗余图像信息，采集有用的，感兴趣的区域成了人们当前急需解决的问题。在大量的研究中我们发现人眼对于新鲜图像的认知过程与我们急需解决的问题有相似之处。

而要想解决这个问题就得搞清楚冗余信息和显著信息的区别，研究者们研究发现人在接受一幅图像时会对图像中“鲜亮区域”有更多的关注度。这种对“鲜亮区域”的关注度源自视觉的神经处理方式造成的，这种处理方式也被运用到了机器视觉上，是机器也能在实际运用中在场景图像采集中快速识别物体并完成接下来的任务。因此，机器识别的要求就有了流程：仿照人眼处理视觉信息的方式，寻找出大量图像信息中显著部分，并识别出需要的物体以便后续的要求。

请支付后下载全文，论文总字数：19089字