《自然場景中的圖形符號識別》是依託復旦大學，由楊夙擔任項目負責人的面上項目。
基本介紹
- 中文名：自然場景中的圖形符號識別
- 依託單位：復旦大學
- 項目類別：面上項目
- 項目負責人：楊夙
項目摘要,結題摘要,
項目摘要
自然場景中的符號識別是圖形識別領域的新方向，可用於自主駕駛車輛、環境感知、信息檢索等，本項目擬研究自然場景圖像中的符號檢測和識別，並研製原型系統。在符號檢測方面，採用特徵選擇結合分類的技術方案，為了解決自然場景圖像在特徵空間的類分布較為散亂的問題，從局部類分布出發定義最佳化指標，研究新的特徵選擇方法。有別於基於符號檢測串聯符號識別的傳統技術路線，本項目擬探索基於符號檢出（Symbol Spotting）的新技術路線，自然場景下的符號檢出研究目前基本是空白，本項目引入高維形狀分析的新方法，對於局部描述子在特徵空間形成的點雲進行特徵提取，在此基礎上的目標分類不但依賴單一的局部特徵，同時利用了局部特徵之間的相互約束關係形成的高層特徵，因此有望獲得更好的符號檢出性能。
結題摘要
完成了兩種技術路線的研究：（a）符號分割（檢測）串聯符號識別；（b）基於局部描述子和點集合匹配的自然場景下的形狀識別與定位。發表論文16篇：Pattern Recognition 2篇，Neurocomputing 1篇，ICDAR、GREC、PSIVT、ICIG會議各1篇，其它論文9篇。主要成果：（a1）提出了一種稱作最大穩定前景區域的目標分割方法，可以從自然場景圖像中分割出圖形目標；（a2）提出了一種基於圖像關鍵點無監督機器學習（離群點檢測和聚類）的車牌文字區域檢測方法，可以從自然場景圖像中檢測出車牌文字區域所在；（a3）為了克服形狀上下文和點約束直方圖【S. Yang: Symbol recognition via statistical integration of pixel-level constraint histograms: A new descriptor. IEEE TPAMI 27 (2005) 278-281】的缺點，提出了形狀上下文譜特徵，證明了點約束直方圖可以近似地看作是形狀上下文的自相關，並推導出兩個點約束直方圖的相似度等價於對應的形狀上下文的功率譜的內積，由於所有計算完全在頻域基於FFT求解，形狀上下文譜比點約束直方圖的計算效率更高，同時由於形狀上下文譜可以看作是點約束直方圖的傅立葉變換或者形狀上下文的功率譜，因此繼承了點約束直方圖的魯棒性、旋轉和伸縮不變性，在符號識別公開測試集上的綜合性能優於點約束直方圖和形狀上下文。該文發表於Pattern Recognition；（a4）採用多閾值圖像分割，將候選構件與模板部件進行形狀匹配，再基於構件幾何關係一致性識別出自然場景中的目標。完成了交通標誌識別實驗。（b1）提出了三角形鏈碼，用於圖像關鍵點的形狀和結構描述，通過三角形鏈碼匹配得到相似變換，再通過仿射變換完成模板和圖像的匹配，以類似圖像配準的方式得到目標識別和定位結果。完成了樹葉形狀模板與自然場景中的目標匹配的實驗；（b2）提出了一種新的圖像關鍵點檢測方法，在圖像梯度空間構造基於方向和幅度的局部描述子，具有旋轉和尺度不變性，並進行了理論證明，圖像配準實驗表明該方法具有旋轉、尺度不變性，不受焦距變化、遮擋、噪聲、圖像模糊和變形的影響，在仿射變換圖像與多尺度圖像上，性能優於SIFT算法。該文發表於Pattern Recognition。
