基于潜在局部区域空间关系学习的物体分类算法

提出了一种物体分类模型——潜在局部区域空间关系模型及实现算法.模型描述物体各部分间的潜在空间关系,将抗缩放和仿射变换的特征区域方法与模型相结合,采用变分期望值最大方法进行学习.与同类空间关系模型算法比较,该文模型算法具有以下优点:(1)为非监督式学习模型;(2)可抵抗几何变换;(3)模型为稠密模型;(4)模型描述的是一种潜在的空间关系,这种关系对物体具有更本质的描述.在标准测试图像库上的实验表明了该算法在抵抗平移、旋转、尺度缩放、仿射变换和部分遮挡等难点问题上具有优势.

目标检测中的空间位置约束模型

针对目前常见的星形模型等易受部件缺失影响的问题,提出一种空间位置约束模型.该模型以目标中心作为参考点,衡量所有局部特征之间的位置关系,避免了特殊结点缺失带来的不利影响.基于模板中目标的表面特征和形状因素构造空间位置约束模型,利用待检测目标的表面特征信息形成相关假设,通过假设检验定量地衡量目标出现的位置及可能性,并提出了一种搜索目标中心位置的加速算法.实验结果表明,该空间位置约束模型不受部件缺失的影响,性能稳定.