利用多种特征和Hopfield神经网络的有遮挡的目标识别

该文提出了一种新的识别有遮挡目标的方法 ,即将目标模型和含有目标的遮挡图象的轮廓在某一尺度上张角的极值、极值点 (亦称显著点 )之间距离、相对位置等信息集成在一起 ,作为描述目标模型 (遮挡图象 )的一组特征 ,且这组特征在平移、旋转和均匀尺度变换下保持不变 .其轮廓上点 p处的张角可用余弦定理很方便地求出 ,而张角的极值点则对应于轮廓急剧变化的地方 .同时将特征匹配定义为模型特征与遮挡图象特征之间的对应 ,若这种对应被映射到 Hopfield神经网络上 ,则该网络即可用于完成全局特征匹配 .该文提出的方法已在 P 个人计算机上用Matlab5 .2编程实现 ,并给出了应用实例 .实验结果表明 ,该方法能有效地从含有遮挡目标的景物图象中识别出目标 。

用遗传算法提取基元

基元提取是基于模型的计算机视觉的一项重要任务.Hough变换是基元提取的最常用的方法,然而,在许多情况下,它的存贮开销太大而难以让人接受.近些年来,有些人用统计学方法来提取基元,但如何构造合适的代价函数仍是一个困难问题.基元提取等同于寻找具有多个局部极小值的代价函数的最优解.遗传算法(Genetic algorithms)能够有效地在搜索空间中找出全局最优解.为实现有效的基元提取,作者从几何数据点中随机地选择一组最小子集,然后用遗传算法对几何数据点进行动态划分,经过若干次进化将得到一个最优划分,与之对应的基元和基元所对应的数据点将被提取出来.这种算法可用于多种基元和多个基元的提取.