2。4 匹配策略 7

2。4。1 Flann Based Matcher 7

2。5 特征匹配在移动物体检测中的表现 8

3 一种Merge Scale Invariant Feature Transform(MSIFT) 融合不变特征变换视频移动目标检测方法 11

3。1 基于颜色与轮廓的ROI提取方法 11

3。1。1 阈值化图像图提取轮廓特征 11

3。1。2 阈值的选取与ROI区域合并 12

3。1。3 目标提取结果 13

3。2 融合学习算法 13

3。3 第一层：通过初始模型与场景模型进行特征匹配对ROI进行分类 13

3。4 第二层：正(Positive)特征生成层 14

3。5 第三层：特征融合 14

3。5。1 缩放对齐图像 15

3。5。2 融合判断 15

3。5。3 特征融合 15

3。5。4 特征修剪 16

3。6 匹配与聚类 16

3。7 单应性寻找物体 17

4 程序设计与结果分析 19

4。1 开发环境和测试环境 19

4。2 程序结构 19

4。3 测试数据及来源 20

4。4 实验结果 20

5 结论 23

致谢 24

参考文献 25

1概述

1。1背景及应用

视觉是人类从现实世界获取信息的主要来源之一，人类的视觉是通过眼睛的视网膜对光信号进行成像，传输至大脑中进行处理和理解。随着计算机技术和信号处理理论发展，摄像机可进行光信号至成像的工作，计算机将承担理解分析的工作，于是，计算机视觉或称机器视觉应运而生。机器视觉的应用涉及到社会的诸多领域大大减少了人类工作量并提高效率，也不仅限于模仿人类的视觉功能，还能能从微观范畴和宏观范畴处理巨大的信息量并保持良好的精度。例如，在自动化工厂流水线中微观显微镜下的产品是否合格、监控车辆交通违章、对空中目标检测和跟踪、气象学云图分析等。

随着科学技术的进一步发展，进入人工智能时代，物体检测的技术在军事应用领域中有着广泛的应用，人们日常生活中所需要使用到机器视觉的场景日益增加，手持或移动的摄像头随处可见如：手机，无人机搭载的摄像头，运动摄像机，车载的行车记录仪，服务机器人搭载的摄像头。应用场景有人脸识别，拍照增强，车辆行驶警示标志，行人检测，增强现应用，无人机指定目标检测，机器人寻找物体等需求。其中人脸、车牌等物体的检测方法已经日趋成熟，市场上相关应用也较为成熟，不过在复杂条件下的可靠地检测算法还有待进一步研究。 SIFT特征匹配的移动目标检测方法研究(2):http://www.youerw.com/tongxin/lunwen_88437.html