高阶马尔可夫随机场下目标识别模型的建立

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (19): 127-130.

高阶马尔可夫随机场下目标识别模型的建立

王彩凤1，马超2，廖福成1

1.北京科技大学，北京 100083
2.首都经贸大学，北京 100070

出版日期:2013-10-01 发布日期:2015-04-20

Object recognition modeling based on high order Markov Random Field

WANG Caifeng1, MA Chao2, LIAO Fucheng1

1.University of Science and Technology Beijing, Beijing 100083, China
2.Capital University of Economics and Business, Beijing 100070, China

Online:2013-10-01 Published:2015-04-20

摘要/Abstract

摘要： 目标识别是指一个特殊目标（或一种类型的目标）从其他目标（或其他类型的目标）中被区分出来的过程。给出了高阶马尔可夫随机场下的区域邻域系统定义；通过贝叶斯分析，构建了基于协方差矩阵描述子刻画的图像区域度量的先验模型和似然模型；应用随机算法得到极大后验估计，求得目标所在位置和角度；再通过以目标所在位置为中心，获得多个随机矩形；最终以覆盖范围最大者为所寻找的目标区域。通过Matlab仿真实验，对道路中的斑马线进行模拟识别。实验结果表明，可以达到在大区域中识别出既定目标的目的。

关键词: 高阶马尔可夫随机场, 目标识别, 贝叶斯分析, 标值点过程, 马氏链蒙特卡罗方法

Abstract: Object recognition is to single out a special target from one or some observed images. This paper defines regional neighborhood system based on higher order Markov Random Field（MRF）. By Bayesian analysis, a covariance matrix descriptor for regional images is used to model the priori and the likelihood. After modeling, a maximum posteriori estimation can be obtained by Metropolis algorithm. So the central point’s location and angle of the special target in the observed images can be determined. By generating many random rectangles along this central point, it can ultimately recognize the greatest coverage of the special target in the observed images. The Zebra Crossing Line is identified by programming in Matlab 7.6.0. Experimental results show that the special target can be identified from a large image observed.

Key words: high order Markov Random Field（MRF）, object recognition, Bayesian analysis, marked point process, Markov chain Monte Carlo

王彩凤1，马超2，廖福成1. 高阶马尔可夫随机场下目标识别模型的建立[J]. 计算机工程与应用, 2013, 49(19): 127-130.

WANG Caifeng1, MA Chao2, LIAO Fucheng1. Object recognition modeling based on high order Markov Random Field[J]. Computer Engineering and Applications, 2013, 49(19): 127-130.

[1]	续晓丽，刘从峰，范广宇. 多尺度特征融合的二维编码图像识别[J]. 计算机工程与应用, 2020, 56(20): 165-172.
[2]	付佐毅，周世杰，李顶根. 轻量级目标识别深度神经网络及其应用[J]. 计算机工程与应用, 2020, 56(18): 131-136.
[3]	刘有用，张江梅，王坤朋，冯兴华，杨秀洪. 不平衡数据集下的水下目标快速识别方法[J]. 计算机工程与应用, 2020, 56(17): 236-242.
[4]	赵琛，王昱潭，朱超伟. 基于几何特征的灵武长枣图像分割算法[J]. 计算机工程与应用, 2019, 55(15): 204-212.
[5]	李展1，2，3，4，郝颖明1，3，4，付双飞1，3，4. 基于结构光的星箭对接环相对位姿测量方法[J]. 计算机工程与应用, 2019, 55(10): 205-212.
[6]	于丽1，刘坤2，于晟焘3. 基于密集卷积神经网络的遥感飞机识别[J]. 计算机工程与应用, 2018, 54(19): 179-185.
[7]	郭文强，高文强，侯勇严，李然. 基于稀缺数据集下BN参数学习的目标识别[J]. 计算机工程与应用, 2018, 54(17): 122-125.
[8]	段琪1，张东波1,2，胡扬1. 基于视觉引导的浸漆炉上料系统研究[J]. 计算机工程与应用, 2017, 53(7): 225-230.
[9]	涂世杰1，2，陈航1，冯刚2. 证据理论与模糊函数相结合的弹道目标识别[J]. 计算机工程与应用, 2017, 53(6): 169-173.
[10]	周小龙，柳　　宁，王　　高. 基于角点角度特征串的RSI多目标识别[J]. 计算机工程与应用, 2016, 52(4): 151-157.
[11]	张峰1，郭锐1，程志勇2，雍军1，傅思遥3，韩立伟3，杨军3，贾乐刚3. 基于主元梯度直方图的输电线路障碍物检测[J]. 计算机工程与应用, 2016, 52(15): 254-259.
[12]	杨明霞1，3，王万良1，2，邵鹏飞1，4. WSNs中基于隐马尔科夫模型的目标识别问题研究[J]. 计算机工程与应用, 2015, 51(22): 228-232.
[13]	刘振，姜晖，王粒宾. 基于稀疏表示的SAR图像目标识别方法[J]. 计算机工程与应用, 2014, 50(10): 212-215.
[14]	石敏1，2，徐袭2. 小波包熵在水下目标识别中的应用研究[J]. 计算机工程与应用, 2014, 50(1): 215-217.
[15]	曹伟1，2，周智敏1，周辉3，傅作为2. 基于多维特征及BP网络的高分辨雷达目标识别[J]. 计算机工程与应用, 2013, 49(8): 213-216.