三维目标多尺度建模与混合神经网络识别方法

《三维目标多尺度建模与混合神经网络识别方法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、华中科技大学硕士学位论文三维目标多尺度建模与混合神经网络识别方法姓名：翁文杰申请学位级别：硕士专业：模式识别与智能系统指导教师：张天序20060508摘要基于模型的视觉方法是三维目标识别的一个重要途径。该方法首先需要建立三维目标模型。由于多视点特性视图模型能够避免从二维图像恢复三维目标这个不适定性问题，得到了比较广泛的应用。本文围绕如何实现三维目标的建模以及识别进行。提出了建立多尺度多视点特性视图模型的方法，并深入研究了基于该模型的三维运动目标的识别算法。论文首先介绍了三维目标仿真以及视觉空间划分、特性视图等多视点模型的基本方法及理

2、论。(1)使用三维仿真建模工具软件系统MultiGen、Vega对视觉空间进行基于经纬度的划分，得到三维飞行器目标的侧视图像集合。利用特性视图的思想，特征变化小的视觉空间子区域可以合并，通过提取目标在划分得到的各区域的投影图像的特征向量，进行相似特征的聚类，得到特性视觉空间和对应的特性视图。(2)讨论了建立多尺度多视点三维目标特性视图特征模型的必要性，以及将目标运动特性一般约束用于目标序列图像识别的合理性。(3)建立了基于多尺度模型的多BP网单帧识别算法，构造了基于多尺度模型的混合神经网络多帧识别算法，利用多尺度BP网作为目标分类器

3、，RBF网作为目标姿态识别器，将图像序列中目标姿态不可能突变的约束以及目标尺度级别对识别的影响考虑到识别算法中，达到了提高识别率的目的。本文的方法训练过程简单，只需较少的目标特性视图模型样本，基于多尺度的单帧及多帧算法能有效地处理单帧图像和序列图像。(4)对五类飞机目标的大规模模拟实验结果以及对目标真实图像视频的实验结果证实了作者提出的研究方法的合理性和有效性。关键词三维目标识别运动目标识别混合神经网络规则矩不变量多尺度多视点特性视图模型计算机视觉模式识别IAbstractMethodbasedonmodelsiswidelyuse

4、din3Dtargetrecognition.Itneedstogetmodelsfirst.Avoidingtherecoveryof3Dobjectfromimages,Multi-viewmodelingisexpectedpromisingin3Dobjectmodeling.Thisthesispresentsamulti-viewandmulti-viewpointscharacteristicviewsmodelingmethodanddiscussedtherecognitionalgorithmofmoving3D

5、objectsbasedonthemodels.Basictheoryandmethodof3Dobjectsimulatingandmulti-viewmodelisintroducedsuchasdivideofviewingspace,characteristicviews.(1)Theside-glanceimagesetsof3DairplaneobjectswereobtainedaftertheviewingspacewasdivideduniformitybyMultiGenandVega,thefamous3Dsi

6、mulatingsoftware.Subspaceswhosefeaturevectorsaresimilarcanbecombined.Aftercombinationeachnewsubspacehasacharacteristicviewbytargetprojectingtothespace.Thecombinationcompletebyclustering.(2)Andthenecessityofestablishingthemulti-scaleandmulti-viewpointscharacteristicview

7、modelsof3Dtarget,andtherationalityofusingthegeneralconstraintoftarget’smovingcharacterforrecognizingtarget’simagesequencewerediscussed.(3)Asingleframerecognitionalgorithmwasproposedbasedonmulti-scalemodels.Andamixedneuralnetworksmulti-framesrecognitionalgorithmwasconst

8、ructedbasedonmulti-scalemodels,whichthemulti-scaleBPnetworkswasusedtoclassifyobject,theRBFnetworkswasusedtorecognizet