基于贝叶斯分类器的实时图像目标识别实验研究

高志峰，汪 渤，周志强

(北京理工大学 自动化学院，北京 100081)

基于贝叶斯分类器的实时图像目标识别实验研究

高志峰，汪 渤，周志强

(北京理工大学 自动化学院，北京 100081)

基于对不完全朴素贝叶斯分类器的分析，提出一种离线训练在线识别的目标图像识别与跟踪实验方法。实验将模板图像与目标实时图像之间的特征匹配问题转换为特征分类问题，并在成像自寻的导引系统上运行。实验结果表明，该方法在保持很高鲁棒性的同时，大幅减少在线目标识别的计算量，具有较强的实时性。

图像处理；贝叶斯分类器；目标识别；实验

在图像实验中，实时图像目标识别与跟踪技术是一项新的教学实验，是图像处理领域一个热门话题。它在公共安全、军事、智能交通等领域都有着非常广泛的应用，对于推动实验教学发展，培养学生的科研创新能力具有重要意义。

图像目标识别问题实际上是模板图像与实时图像之间的宽基线匹配问题，而图像匹配主要应用基于特征的匹配方法，比如Shen和Wang[1]设计的实时灰度角点检测算法，Mikolajczyk和Schmid[2]提出的Harris-Laplacian尺度不变点检测方法，Lowe[3]等提出的尺度不变的SIFT关键点检测方法。但是，以上算法建立和描述算子匹配均需要进行大量计算，由于图像处理大多采用嵌入式处理器，如DSP等，计算速度及能力有限，因此，繁重的计算量对于图像处理、实时跟踪运算非常不利。

Lepetit等人[4_5]将上述宽基线图像特征匹配问题转化为特征分类问题，将描述子方法中最耗时的局部特征向量的计算通过离线训练的方式进行;通过在训练阶段统计局部区域的类条件概率的联合分布，将在线特征分类计算归入贝叶斯分类理论框架之下[6_7]。……