第15卷第1期 2017年2月
中国工程机械学报
CHINESE JOURNAL OF CONSTRUCTION MACHINERY
基于类物体采样方法的多类别物体识别
张志柏，朱敏，孙传庆，牛杰（常州信息职业技术学院电子与电气工程学院，江苏常州213164
Vol. 15 No.1 Feb.2017
摘要：提出一种基于类物体区域检测的BoW(Bagof Words)框架物体识别方法，采用改进的BING(Binarized NormedGradients)算子检测分割出图像中的可能物体区域后，利用RootSIFT算子提取特征，送人后续BoW框架进行物体类别识别.将该方法应用于PASCALVOC2007图像集，试验结果表明：相较于整幅图像的特征计算，将特征提取与匹配限定在固定的可能物体区域的做法可以提高计算速度和识别效率，此外，该方法在VOC2007
图像集上达到了平均33.45%的识别准确率，优于相关文献算法关键词：类物体采样；BoW模型；BING算子；物体识别
中图分类号：TP391.41
文献标志码：A
文章编号：1672-5581(2017)01000105
Objectnesssamplingbasedmultiple-objectrecognition
ZHANGZhibai,ZHUMin,SUNChuanqing,NIUJie
(School of Electrical and Electronic Engineering Changzhou Cllege of Information Technology Changzhou 213164, Jiangsu, China) Abstract: In this study,an object recognition method for bag of words (BoW) framework is proposed via objectness measurement.Firstly, the object areas are detected and segmented using the improved binarized normed gradient (BING) operator. Then, the features are extracted by RootSIFT operator for object recognition. Finally, this method is employed for PASCAL VOC2007 image-set. Therefore, it is found from experimental results that, compared with the whole image feature computation,the computational speed and recognition efficiency are enhanced by feature extraction and matching limitation to possible object areas. In addition, the algorithm in this approach is proven better than those in other literatures with average recognition accuracy of 33.45% for VOC2007 image-set.
Key words: objectness measurement; BoW model; BING feature; object recognition
目标物体识别一直是计算机视觉的重要课题，识别是跟踪、计数、分类等应用的基础，在诸如人脸识别1)、智能交通监控[2]等领域有着较大的发展前景.
通常的目标识别方法都需要依赖图像分割技术，利用各种人工定义的分类器在一系列滑动窗口上进行特征匹配3-5}，此类方法往往计算量较大，因此出于实时性的考虑，后续的检测系统一般会选择弱特征及弱分类器以提升执行效率，方法优化的突破口主要集中在如何减少滑动窗口数量及提供分类器性能两个方面6-7].生物学研究[8]表明：人类在观察场景时，第一步是检测出视野中的所有可能物体，然后再去识别该物体的种类信息.受此启
作者简介：张志柏（1970），男，副教授.E-mail：zhluluzh@yeah.net 万方数据
发，文献[9]提出了类物体区域采样的概念，它代表一个窗口包含物体可能性的大小.其算法设计思路主要是基于图像中物体和背景各自的固有特征进行.物体对象性思想由于其可以减少图像的搜索空间、加快处理速度等优势受到了很多研究的关注[10-11]
本文将类物体的思想引人到复杂场景下的物体识别应用中.首先利用类物体区域检测算法标识出图像中所有可能的物体区域；然后仅在上述标识区域中利用BoW模型进行物体类别判别；最后在公开图像数据集上，与其他识别算法就执行效率及准确性进行对比分析.试验结果验证了文中方法的有效性.