基于网格统计模型的三维目标识别

计算机与现代化

基于网格统计模型的三维目标识别

西北工业大学航天学院，陕西西安710072

收稿日期:2013-12-31 出版日期:2014-04-17 发布日期:2014-04-23
作者简介:作者简介：方雪（1989），女，辽宁抚顺人，西北工业大学航天学院硕士研究生，研究方向：图像处理，模式识别；余瑞星（1978），女，湖北武汉人，副教授，博士，研究方向：图像处理，目标识别和跟踪。
基金资助:

基金项目：国家自然科学基金资助项目（61101191）；航空基金资助项目（20130153003）；上海航天科技创新基金资助项目（SAST201342）

Gridbased Statistical Model for 3D Object Recognition

School of Astronautics, Northwestern Polytechnical University, Xi’an 710072, China

Received:2013-12-31 Online:2014-04-17 Published:2014-04-23

摘要/Abstract

摘要：

摘要：提出一种基于网格的统计模型的三维目标识别算法。首先将网格结构引入多视点图像，并针对网格位置，利用三维目标多视点间的关联性，再根据目标的局部不变特征建立统计模型；其次对图像数据库COIL中三维目标的自由度进行扩充；最后在此基础上，对算法的识别性能进行测试。实验结果表明，该算法不仅能有效识别三维目标的类别，而且能够对目标的姿态做出可靠的判断，具有较强的鲁棒性。



关键词: 三维目标识别, 多视点, 网格结构, 目标姿态识别

Abstract:

Abstract: A 3D object recognition algorithm based on statistical model of grid structure is presented in this paper. First, a grid structure is introduced into the multiview points image. Then according to the positions of the grids, the relationship between the multiview points of the 3D object and the local invariant features of the object, the statistical model is established. Second, the degrees of freedom of the 3D object, which is from the image databaseCOIL, are expanded. At last, based on the previous work, the recognition performance of this algorithm is tested. The empirical results illustrate that this 3D object recognition algorithm, with relatively strong robustness, can not only recognize the classification of 3D objects effectively, but also make reliable judgments on the attitudes of the objects.

Key words:

, Key words: , 3D object recognition； multiple views； grid structure； object pose recognition

中图分类号:

TP391.4

方雪，余瑞星. 基于网格统计模型的三维目标识别[J]. 计算机与现代化.

FANG Xue, YU Ruixing. Gridbased Statistical Model for 3D Object Recognition[J]. Computer and Modernization.

参考文献

［1］

彭辉，黄士科，陶琳,等. 基于Zernike矩的三维目标多视点特性视图建模［J］. 红外与激光工程, 2005,34(3):292296.

［2］田谨,蒋强荣,许蔓苓. 基于多视点不变量的三维物体识别［J］. 北京工业大学学报, 2000,26(1):98101.

［3］ Yu X， Ma H， You S， et al． A solution to efficient viewpoint space partition in 3D object recognition［C］//International Conference on Image and Graphics． Xi’an， Shaanxi， China: IEEE Computer Society， 2009:565570.

［4］席学强，王润生. 遥感图像三维目标多视点建模识别方法［J］. 计算机辅助设计与图形学学报, 2002,14(10):945949.

［5］王松伟,李言俊,张科. 基于局部小波矩的易混淆三维目标识别［J］. 红外与激光工程, 2008,37(6):11061110.

［6］王睿,李言俊,张科. 基于不变矩和SVM分类的三维目标识别方法［J］. 计算机仿真, 2011,28(1):242245.

［7］马超杰,李晓霞,杨华,等. 应用支持向量机分类的多角度目标识别技术［J］. 激光与红外, 2009,39(1):8891.

［8］ Grzegorzek M, Reinhold M, Niemann H. Feature extraction with wavelet transformation for statistical object recognition［C］//The 4th International Conference on Computer Recognition Systems. 2005:161168.

［9］ Mallat Stephne. 信号处理的小波导引［M］. 北京：机械工业出版社， 2002:54237.

［10］陈武凡. 小波分析及其在图像处理中的应用［M］. 北京:科学出版社, 2002:166168.

［11］王冕，王晶晶，王波，等. 小波变换在光学相关目标识别中的应用［J］. 兵工学报， 2006，27（5）：836840.

［12］Murenzi R, Johnson D. Detection of targets in low resolution FLIR imagery using twodimension directional wavelets［C］//SPIE’98. 1998：5105l5.

［13］万缨,韩毅,卢汉清. 运动目标检测算法的探讨［J］. 计算机仿真, 2006,23(10):221226.

［14］Ueda N， Nakano R， Ghahramani Z， et al． Split and merge EM algorithm for improving Gaussian mixture density estimates［J］． Journal of VLSI Signal Processing Systems for Signal， Image， and Video Technology， 2000，26(12):133140．

［15］Yang M H, Roth D, Ahuja N. Learning to recognize 3d objects with snow［C］// Computer VisionECCV. 2000:439454.

[1]	刘如意. 基于虚拟视图和低秩矩阵恢复的视点间预测[J]. 计算机与现代化, 2013, 1(8): 19-22.
[2]	周清平;陈学工. 大规模等值线图任意多边形裁剪算法[J]. 计算机与现代化, 2012, 1(200): 196-04.