1、计算机应用技术专业毕业论文 精品论文 基于轮廓片段的图像识别技术研究关键词：轮廓片段 Chamfer 距离 图像识别 均值漂移 机器学习 k-Medoids 法摘要：心理学研究表明，人类仅从物体的轮廓片段信息就可以识别出物体。国外一些学者研究也表明，计算机也同样能够在仅有物体轮廓片段信息的基础上识别物体。本文深入研究了基于轮廓片段的图像识别过程以及相关技术，并从相应实验中得到良好的识别效果。 首先要从样本图片库中获取大量的轮廓片段信息，建立一个轮廓片段库。本文提出了一种基于角点的轮廓片段获取方法。角点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点，是图像的一个重要局部特征，它集中了图
2、像上的很多重要的形状信息来反映图像的局部特征。以角点为窗口中心，提取窗口内的轮廓信息构成轮廓片段库。由于角点的性质，决定角点周围的轮廓也是物体轮廓中最具代表性的轮廓片段。 然后从获得的大量轮廓片段中选出最有代表性的片段作为训练和识别的匹配模板。我们用 k-Medoids 方法对轮廓片段进行聚类，选择处于聚类中新的轮廓片段构成模板库。为此，引入 Chamfer 距离特征作为匹配标准，来衡量两个轮廓之间的相似度。 机器学习是人工智能学科的一个重要方法。本文结合了机器学习的方法来完成识别过程。尝试使用 Ada Boost 和 SVM 两种学习方法训练分类器，并对最后的识别效果做了对比。用分类器可以计
3、算出图中目标在各个位置出现的概率，生成一张概率图，并用 Mean Shift 算法找到概率的峰值，确定目标位置，完成识别过程。正文内容心理学研究表明，人类仅从物体的轮廓片段信息就可以识别出物体。国外一些学者研究也表明，计算机也同样能够在仅有物体轮廓片段信息的基础上识别物体。本文深入研究了基于轮廓片段的图像识别过程以及相关技术，并从相应实验中得到良好的识别效果。 首先要从样本图片库中获取大量的轮廓片段信息，建立一个轮廓片段库。本文提出了一种基于角点的轮廓片段获取方法。角点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点，是图像的一个重要局部特征，它集中了图像上的很多重要的形状信息来反映图
4、像的局部特征。以角点为窗口中心，提取窗口内的轮廓信息构成轮廓片段库。由于角点的性质，决定角点周围的轮廓也是物体轮廓中最具代表性的轮廓片段。 然后从获得的大量轮廓片段中选出最有代表性的片段作为训练和识别的匹配模板。我们用 k-Medoids 方法对轮廓片段进行聚类，选择处于聚类中新的轮廓片段构成模板库。为此，引入 Chamfer 距离特征作为匹配标准，来衡量两个轮廓之间的相似度。 机器学习是人工智能学科的一个重要方法。本文结合了机器学习的方法来完成识别过程。尝试使用 Ada Boost 和 SVM 两种学习方法训练分类器，并对最后的识别效果做了对比。用分类器可以计算出图中目标在各个位置出现的概率
5、，生成一张概率图，并用 Mean Shift 算法找到概率的峰值，确定目标位置，完成识别过程。心理学研究表明，人类仅从物体的轮廓片段信息就可以识别出物体。国外一些学者研究也表明，计算机也同样能够在仅有物体轮廓片段信息的基础上识别物体。本文深入研究了基于轮廓片段的图像识别过程以及相关技术，并从相应实验中得到良好的识别效果。 首先要从样本图片库中获取大量的轮廓片段信息，建立一个轮廓片段库。本文提出了一种基于角点的轮廓片段获取方法。角点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点，是图像的一个重要局部特征，它集中了图像上的很多重要的形状信息来反映图像的局部特征。以角点为窗口中心，提取窗口
6、内的轮廓信息构成轮廓片段库。由于角点的性质，决定角点周围的轮廓也是物体轮廓中最具代表性的轮廓片段。 然后从获得的大量轮廓片段中选出最有代表性的片段作为训练和识别的匹配模板。我们用 k-Medoids 方法对轮廓片段进行聚类，选择处于聚类中新的轮廓片段构成模板库。为此，引入 Chamfer 距离特征作为匹配标准，来衡量两个轮廓之间的相似度。 机器学习是人工智能学科的一个重要方法。本文结合了机器学习的方法来完成识别过程。尝试使用 Ada Boost 和 SVM 两种学习方法训练分类器，并对最后的识别效果做了对比。用分类器可以计算出图中目标在各个位置出现的概率，生成一张概率图，并用 Mean Shi
7、ft 算法找到概率的峰值，确定目标位置，完成识别过程。心理学研究表明，人类仅从物体的轮廓片段信息就可以识别出物体。国外一些学者研究也表明，计算机也同样能够在仅有物体轮廓片段信息的基础上识别物体。本文深入研究了基于轮廓片段的图像识别过程以及相关技术，并从相应实验中得到良好的识别效果。 首先要从样本图片库中获取大量的轮廓片段信息，建立一个轮廓片段库。本文提出了一种基于角点的轮廓片段获取方法。角点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点，是图像的一个重要局部特征，它集中了图像上的很多重要的形状信息来反映图像的局部特征。以角点为窗口中心，提取窗口内的轮廓信息构成轮廓片段库。由于角点的性
8、质，决定角点周围的轮廓也是物体轮廓中最具代表性的轮廓片段。 然后从获得的大量轮廓片段中选出最有代表性的片段作为训练和识别的匹配模板。我们用 k-Medoids 方法对轮廓片段进行聚类，选择处于聚类中新的轮廓片段构成模板库。为此，引入 Chamfer 距离特征作为匹配标准，来衡量两个轮廓之间的相似度。 机器学习是人工智能学科的一个重要方法。本文结合了机器学习的方法来完成识别过程。尝试使用 Ada Boost 和 SVM 两种学习方法训练分类器，并对最后的识别效果做了对比。用分类器可以计算出图中目标在各个位置出现的概率，生成一张概率图，并用 Mean Shift 算法找到概率的峰值，确定目标位置，
9、完成识别过程。心理学研究表明，人类仅从物体的轮廓片段信息就可以识别出物体。国外一些学者研究也表明，计算机也同样能够在仅有物体轮廓片段信息的基础上识别物体。本文深入研究了基于轮廓片段的图像识别过程以及相关技术，并从相应实验中得到良好的识别效果。 首先要从样本图片库中获取大量的轮廓片段信息，建立一个轮廓片段库。本文提出了一种基于角点的轮廓片段获取方法。角点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点，是图像的一个重要局部特征，它集中了图像上的很多重要的形状信息来反映图像的局部特征。以角点为窗口中心，提取窗口内的轮廓信息构成轮廓片段库。由于角点的性质，决定角点周围的轮廓也是物体轮廓中最具
10、代表性的轮廓片段。 然后从获得的大量轮廓片段中选出最有代表性的片段作为训练和识别的匹配模板。我们用 k-Medoids 方法对轮廓片段进行聚类，选择处于聚类中新的轮廓片段构成模板库。为此，引入 Chamfer 距离特征作为匹配标准，来衡量两个轮廓之间的相似度。 机器学习是人工智能学科的一个重要方法。本文结合了机器学习的方法来完成识别过程。尝试使用 Ada Boost 和 SVM 两种学习方法训练分类器，并对最后的识别效果做了对比。用分类器可以计算出图中目标在各个位置出现的概率，生成一张概率图，并用 Mean Shift 算法找到概率的峰值，确定目标位置，完成识别过程。心理学研究表明，人类仅从物
11、体的轮廓片段信息就可以识别出物体。国外一些学者研究也表明，计算机也同样能够在仅有物体轮廓片段信息的基础上识别物体。本文深入研究了基于轮廓片段的图像识别过程以及相关技术，并从相应实验中得到良好的识别效果。 首先要从样本图片库中获取大量的轮廓片段信息，建立一个轮廓片段库。本文提出了一种基于角点的轮廓片段获取方法。角点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点，是图像的一个重要局部特征，它集中了图像上的很多重要的形状信息来反映图像的局部特征。以角点为窗口中心，提取窗口内的轮廓信息构成轮廓片段库。由于角点的性质，决定角点周围的轮廓也是物体轮廓中最具代表性的轮廓片段。 然后从获得的大量轮廓
12、片段中选出最有代表性的片段作为训练和识别的匹配模板。我们用 k-Medoids 方法对轮廓片段进行聚类，选择处于聚类中新的轮廓片段构成模板库。为此，引入 Chamfer 距离特征作为匹配标准，来衡量两个轮廓之间的相似度。 机器学习是人工智能学科的一个重要方法。本文结合了机器学习的方法来完成识别过程。尝试使用 Ada Boost 和 SVM 两种学习方法训练分类器，并对最后的识别效果做了对比。用分类器可以计算出图中目标在各个位置出现的概率，生成一张概率图，并用 Mean Shift 算法找到概率的峰值，确定目标位置，完成识别过程。心理学研究表明，人类仅从物体的轮廓片段信息就可以识别出物体。国外一
13、些学者研究也表明，计算机也同样能够在仅有物体轮廓片段信息的基础上识别物体。本文深入研究了基于轮廓片段的图像识别过程以及相关技术，并从相应实验中得到良好的识别效果。 首先要从样本图片库中获取大量的轮廓片段信息，建立一个轮廓片段库。本文提出了一种基于角点的轮廓片段获取方法。角点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点，是图像的一个重要局部特征，它集中了图像上的很多重要的形状信息来反映图像的局部特征。以角点为窗口中心，提取窗口内的轮廓信息构成轮廓片段库。由于角点的性质，决定角点周围的轮廓也是物体轮廓中最具代表性的轮廓片段。 然后从获得的大量轮廓片段中选出最有代表性的片段作为训练和识别
14、的匹配模板。我们用 k-Medoids 方法对轮廓片段进行聚类，选择处于聚类中新的轮廓片段构成模板库。为此，引入 Chamfer 距离特征作为匹配标准，来衡量两个轮廓之间的相似度。 机器学习是人工智能学科的一个重要方法。本文结合了机器学习的方法来完成识别过程。尝试使用 Ada Boost 和 SVM 两种学习方法训练分类器，并对最后的识别效果做了对比。用分类器可以计算出图中目标在各个位置出现的概率，生成一张概率图，并用 Mean Shift 算法找到概率的峰值，确定目标位置，完成识别过程。心理学研究表明，人类仅从物体的轮廓片段信息就可以识别出物体。国外一些学者研究也表明，计算机也同样能够在仅有
15、物体轮廓片段信息的基础上识别物体。本文深入研究了基于轮廓片段的图像识别过程以及相关技术，并从相应实验中得到良好的识别效果。 首先要从样本图片库中获取大量的轮廓片段信息，建立一个轮廓片段库。本文提出了一种基于角点的轮廓片段获取方法。角点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点，是图像的一个重要局部特征，它集中了图像上的很多重要的形状信息来反映图像的局部特征。以角点为窗口中心，提取窗口内的轮廓信息构成轮廓片段库。由于角点的性质，决定角点周围的轮廓也是物体轮廓中最具代表性的轮廓片段。 然后从获得的大量轮廓片段中选出最有代表性的片段作为训练和识别的匹配模板。我们用 k-Medoids
16、方法对轮廓片段进行聚类，选择处于聚类中新的轮廓片段构成模板库。为此，引入 Chamfer 距离特征作为匹配标准，来衡量两个轮廓之间的相似度。 机器学习是人工智能学科的一个重要方法。本文结合了机器学习的方法来完成识别过程。尝试使用 Ada Boost 和 SVM 两种学习方法训练分类器，并对最后的识别效果做了对比。用分类器可以计算出图中目标在各个位置出现的概率，生成一张概率图，并用 Mean Shift 算法找到概率的峰值，确定目标位置，完成识别过程。心理学研究表明，人类仅从物体的轮廓片段信息就可以识别出物体。国外一些学者研究也表明，计算机也同样能够在仅有物体轮廓片段信息的基础上识别物体。本文深
17、入研究了基于轮廓片段的图像识别过程以及相关技术，并从相应实验中得到良好的识别效果。 首先要从样本图片库中获取大量的轮廓片段信息，建立一个轮廓片段库。本文提出了一种基于角点的轮廓片段获取方法。角点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点，是图像的一个重要局部特征，它集中了图像上的很多重要的形状信息来反映图像的局部特征。以角点为窗口中心，提取窗口内的轮廓信息构成轮廓片段库。由于角点的性质，决定角点周围的轮廓也是物体轮廓中最具代表性的轮廓片段。 然后从获得的大量轮廓片段中选出最有代表性的片段作为训练和识别的匹配模板。我们用 k-Medoids 方法对轮廓片段进行聚类，选择处于聚类中新
18、的轮廓片段构成模板库。为此，引入 Chamfer 距离特征作为匹配标准，来衡量两个轮廓之间的相似度。 机器学习是人工智能学科的一个重要方法。本文结合了机器学习的方法来完成识别过程。尝试使用 Ada Boost 和 SVM 两种学习方法训练分类器，并对最后的识别效果做了对比。用分类器可以计算出图中目标在各个位置出现的概率，生成一张概率图，并用 Mean Shift 算法找到概率的峰值，确定目标位置，完成识别过程。心理学研究表明，人类仅从物体的轮廓片段信息就可以识别出物体。国外一些学者研究也表明，计算机也同样能够在仅有物体轮廓片段信息的基础上识别物体。本文深入研究了基于轮廓片段的图像识别过程以及相
19、关技术，并从相应实验中得到良好的识别效果。 首先要从样本图片库中获取大量的轮廓片段信息，建立一个轮廓片段库。本文提出了一种基于角点的轮廓片段获取方法。角点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点，是图像的一个重要局部特征，它集中了图像上的很多重要的形状信息来反映图像的局部特征。以角点为窗口中心，提取窗口内的轮廓信息构成轮廓片段库。由于角点的性质，决定角点周围的轮廓也是物体轮廓中最具代表性的轮廓片段。 然后从获得的大量轮廓片段中选出最有代表性的片段作为训练和识别的匹配模板。我们用 k-Medoids 方法对轮廓片段进行聚类，选择处于聚类中新的轮廓片段构成模板库。为此，引入 Cha
20、mfer 距离特征作为匹配标准，来衡量两个轮廓之间的相似度。 机器学习是人工智能学科的一个重要方法。本文结合了机器学习的方法来完成识别过程。尝试使用 Ada Boost 和 SVM 两种学习方法训练分类器，并对最后的识别效果做了对比。用分类器可以计算出图中目标在各个位置出现的概率，生成一张概率图，并用 Mean Shift 算法找到概率的峰值，确定目标位置，完成识别过程。心理学研究表明，人类仅从物体的轮廓片段信息就可以识别出物体。国外一些学者研究也表明，计算机也同样能够在仅有物体轮廓片段信息的基础上识别物体。本文深入研究了基于轮廓片段的图像识别过程以及相关技术，并从相应实验中得到良好的识别效果
21、。 首先要从样本图片库中获取大量的轮廓片段信息，建立一个轮廓片段库。本文提出了一种基于角点的轮廓片段获取方法。角点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点，是图像的一个重要局部特征，它集中了图像上的很多重要的形状信息来反映图像的局部特征。以角点为窗口中心，提取窗口内的轮廓信息构成轮廓片段库。由于角点的性质，决定角点周围的轮廓也是物体轮廓中最具代表性的轮廓片段。 然后从获得的大量轮廓片段中选出最有代表性的片段作为训练和识别的匹配模板。我们用 k-Medoids 方法对轮廓片段进行聚类，选择处于聚类中新的轮廓片段构成模板库。为此，引入 Chamfer 距离特征作为匹配标准，来衡量两
22、个轮廓之间的相似度。 机器学习是人工智能学科的一个重要方法。本文结合了机器学习的方法来完成识别过程。尝试使用 Ada Boost 和 SVM 两种学习方法训练分类器，并对最后的识别效果做了对比。用分类器可以计算出图中目标在各个位置出现的概率，生成一张概率图，并用 Mean Shift 算法找到概率的峰值，确定目标位置，完成识别过程。特别提醒 ：正文内容由 PDF 文件转码生成，如您电脑未有相应转换码，则无法显示正文内容，请您下载相应软件，下载地址为 http:/ 。如还不能显示，可以联系我 q q 1627550258 ，提供原格式文档。“垐垯櫃 换烫梯葺铑?endstreamendobj2x
23、 滌?U 閩 AZ箾 FTP 鈦X 飼?狛P? 燚?琯嫼 b?袍*甒?颙嫯?4)=r 宵?i?j 彺帖 B3 锝檡骹笪 yLrQ#?0 鯖 l 壛枒l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛渓?擗#?“?# 綫 G 刿#K 芿$?7. 耟?Wa 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 皗 E|?pDb 癳$Fb 癳$Fb癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$F?責鯻 0 橔 C,f 薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵秾腵薍秾腵%?秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍
