基于概率密度模型的复杂背景下三维目标识别方法

本项目从概率论角度出发研究三维目标识别与姿态估计。针对ICM在局部特征提取时存在的缺陷，通过添加适当学习准则，提出具有自学习能力的ICM新模型。利用ICM新模型构造局部不变特征，并对这些特征进行整合。为克服三维目标在运动中产生的外观与尺度变化对识别精度的影响，从概率论角度出发描述目标区域内各个局部特征的特点及分布，建立初步的目标概率密度模型；为识别复杂背景下目标，建立背景概率密度模型；同时构建分配函数，利用背景模型对目标区域内的局部特征进行筛选，完成目标外形与尺度的更新，精确的确定目标概率密度模型，并利用该模型完成目标识别与姿态估计。项目的预期研究成果在军事领域（成像制导导弹的目标探测、识别、跟踪系统）以及天文观测、安全监控（可疑目标的识别与跟踪）、智能交通指挥、图像配准、相机标定等民用领域具有重要的应用价值。

本项目从概率论角度出发围绕特征提取与选取、多视点三维目标识别两个基础问题展开研究，完成了项目研究任务，取得了预期的研究成果。. 在特征提取方面，完成的研究内容与主要成果有：（1）构建了ICM新模型。针对不同输入图像原始ICM的网络模型参数需要人工设置的缺陷，以提高目标识别率为出发点添加学习准则，使ICM对于不同的输入图像网络模型具有参数的自动设定能力。（2）提出了基于新ICM的局部不变特征提取方法。以Harris角点为中心构造特征区域，其大小与该角点处的尺度值成正比，并采用新ICM对特征区域进行描述生成局部不变特征。实验结果表明：本文方法所获取的局部不变特征具有很好的可重复性，并且当目标处于复杂背景以及遮挡条件下具有较好的识别性能。. 在特征选取方面，取得的主要研究成果有：（1）为了对局部特征的冗余性和可分性进行平衡，提出了基于高斯混合模型的特征整合与选取方法。对目标进行块划分，每一块由一个高斯函数描述，则整个目标可由高斯混合模型（GMM）描述；对建立好的目标模型计算似然比，取得分高的正描述子为显著性特征。（2）提出了基于SOM和PDQ的SIFT特征整合与选取算法。为降低SIFT的维度和冗余性，首先采用SOM网络对特征向量进行降维生成粗聚类特征向量；接着采用PDQ(JDF, joint distance function)算法对粗聚类特征向量进行精聚类，利用互信息法从每一类中选取出目标的显著特征来表征本类特征。实验结果表明：利用SPDQ特征进行目标匹配识别其所需时间仅为SIFT算法的1/2，而其匹配精度却是其2倍，此外，特征向量的维数由原先的128维降为2维。. 在多视点三维目标识别方面，取得的成果主要有：（1）通过定义网格结构将不同视点图像的目标特征相关联，建立了目标概率密度模型。对多视点图像特征用网格定位，使每个网格点在每个视点图像中，都有一个对应的图像特征向量，以此为基础对目标进行建模，不仅可以涵盖所有训练图像的信息，而且可以通过这些信息推算视点间的连续性，由连续模型得出未知视点的信息，避免了由于样本的有限性限制视点识别精度的问题。（2）背景可看作由若干足够小的像素块组成，在每一小块中可认为像素是均匀分布的，由此假设背景模型满足均匀分布的条件，建立了背景模型。该算法的优势：在识别与训练过程中，无需先验知识、无论什么背景均可用同一模型表示。