推荐星级：

图像场景分类技术综述

更新时间：2019-12-30 15:32:21 大小：455K 上传用户：songhuahua 查看TA发布的资源 标签：图像场景分类 下载积分：1分评价赚积分（如何评价?）打赏收藏评论(0) 举报

资料介绍

目前,基于计算机视觉分析的图像场景分类技术已被广泛研究并应用在众多学科领域中.本文从不同角度对近年来典型的场景分类技术进行了深入的探讨与比较.首先介绍了场景分类技术的背景、应用场景以及发展现状;然后基于特征提取、语义分析和机器学习的角度分别对国内外的相关研究进行系统的分析、比较及总结;最后对目前研究所面临的问题和未来技术的发展给出总结与展望.

部分文件列表

文件名	大小
图像场景分类技术综述.pdf	455K

立即下载

【关注B站账户领20积分】

部分页面预览

（完整内容请下载后查看）

第期

Vol． 47 No． 4

Apr． 2019

电

子

学

报

2019

年月

ACTA ELECTRONICA SINICA

图像场景分类技术综述

1，2，3

1，2

，

田艳玲张维桐张锲石路纲吴晓军

( 1.

，

710062; 2.

，

710062;

陕西师范大学现代教学技术教育部重点实验室陕西西安

陕西师范大学计算机科学学院陕西西安

，

中国科学院深圳先进技术研究院广东深圳

518055)

，．

目前基于计算机视觉分析的图像场景分类技术已被广泛研究并应用在众多学科领域中本文从不同

摘要

．

、

角度对近年来典型的场景分类技术进行了深入的探讨与比较首先介绍了场景分类技术的背景应用场景以及发展现

;

、

状然后基于特征提取语义分析和机器学习的角度分别对国内外的相关研究进行系统的分析比较及总结最后对目

;

．

前研究所面临的问题和未来技术的发展给出总结与展望

;

关键词

中图分类号

URL: http: / /www． ejournal． org． cn

场景分类特征提取语义分析深度学习

TP391

0372-2112 ( 2019) 04-0915-12

DOI: 10． 3969 /j． issn． 0372-2112． 2019． 04． 020

文献标识码

文章编号

电子学报

Review on Image Scene Classification Technology

1，2，3

3 1，2

，ZHANG Qie-shi ，LU Gang ，WU Xiao-jun

1，2

TIAN Yan-ling

，ZHANG Wei-tong

( 1. Key Laboratory of Modern Teaching Technology，Ministry of Education，Shaanxi Normal University，Xi’an，Shaanxi 710062，China;

2. School of Computer Science，Shaanxi Normal University，Xi’an，Shaanxi 710062，China;

3. Shenzhen Institute of Advanced Technology，Chinese Academy of Sciences，Shenzhen，Guangdong 518055，China)

Abstract: The computer vision based scene classification technology is widely developed and applied in different

fields． In this paper，the typical scene classification technology is analyzed and compared from the different directions． First，

the background，application and development situation is introduced． Then，the related researches both at home and overseas

are analyzed，compared and summarized from the perspectives of feature extraction，semantic analysis and machine learning．

Finally，the problems that the current researches are facing and potential future development are discussed．

Key words: scene classification; feature extraction; semantics analysis; deep learning

“

”

让计算机以人类的思维逻辑去理解图像就是现在要

引言

．

着手解决的问题所谓图像场景分类是指对于已经给

、

图像场景分类技术涉及模式识别计算机视觉系

，

定的图像通过判断识别它所包含的信息和内容来判

、，

统信号处理及人机交互等学科的交叉领域是解决图

，．

断其所属的场景从而达到分类的目的随着图像场景

、

，

片搜索图像识别问题的关键技术已成为计算机视觉

，

分类技术的不断发展其内涵和范畴也在不断丰富拓

．，

领域中一个非常重要且极具挑战的研究课题早期通

．，

展在图像分类发展早期单幅图像的分类主要通过像

，

过人工分类的方法还可以满足一些领域的基本需求

，

素之间的关系权重来综合考虑在人工干预下逐步做

然而随着网络技术的普及及多媒体信息的爆炸性增

，

．

，

二类语义分割确定场景类别之后图像场景分类得到

，．

长图像内容种类和数量与日俱增如今面对海量的图

，

进一步发展研究人员通过提取图像整体特征来确定

，

像数据依靠传统人工分类与标注的方式已经远远不

．，

该图像所属类别根据应用需求的不同以及场景在组

．，

能满足需求单纯依靠人工分类不仅极大地浪费人力

、，

成架构包含元素等方面的巨大差异需要被分类的场

［1］

资源而且也不能保证工作的及时性与可靠性如何

．

． :

景类别多达上千种目前公认的场景分类主要分为自

: 2018-02-13;

; 2018-07-05;

收稿日期

修回日期

责任编辑李勇锋

国家自然科学基金

( No． 2017JM6101，No． 2017JM6103，No． 2017JM6060，No． 2017JQ6077 ) ;

( No． 2017YFB1402100) ;

( No． 11772178，No． 61772508，No． U1713213) ;

基金项目国家重点研发计划

陕西省自然科学基金

( No． GK201703060，No．

陕西师范大学中央高校基本科研业务费

( No． 17JG33)

年度校级综合教改研究项目

GK201801004) ;

2017

陕西师范大学

916

2019

电

子

学

报

年

［2］

、

．

，，

够计算图像的整体特征理解场景中的全局信息并通

然场景事件场景城市场景和室内场景四大类尽

，

管图像场景分类研究已经取得很大的进步但尚没有

．

过图像的能量谱信息提取图像的整体空间布局结构

，

但随着图像内容及结构的复杂度不断增加如分析粒

一种分类方法能在两类甚至多类图像场景数据库中兼

，

具有良好的分类表现这种矛盾在室内与室外的图像

，

度太过粗糙而忽略场景中物体的细节信息导致分类

．

，

结果远远偏离正确结果增加了其复杂度和计算负担

．

场景分类方法中表现的尤为明显

2006

，

、

在

年美国麻省理工学院召开的场景理解研讨

伴随着研究进展的推进颜色光线以及梯度特征

，

会上图像场景分类技术第一次被明确定义为分类的

，

在识别过程中表现出的不稳定性成为当时图像场景

．

一个关键课题自此图像场景分类技术在计算机视觉

． 2005

HOG( Histograms of O-

分类问题的阻碍

riented Gradients)

年提出的

［8］

，

领域的重要地位基本奠定每年都不断有大量新方法

特征延续了图像局部特征高识别度

．

，

与准确的特点采用梯度直方图方法有效地解决了光

和贡献被提出在早期图像场景分类研究中大多数方

，

、

线梯度特征等因素因敏感而引起局部场景轮廓识别

法是基于特征的即通过描述颜色纹理和形状等特征

来实现分类^［3，4］而后用融合多种特征的方法来描述

率低下的问题然而

特征维度高计算效率低且

具有很大冗余没有考虑尺度变换对分类结果产生的

HOG

，Anna Bosch

．

，

．

HOG

、

，

不同内容的图像场景并较先前基于单层次特征的方

，

．

法取得了更好的效果但由于无法进行深层涵义的理

．

影响为了改进

特征的不足

通过使用

特征并进行融合提

，．

解难以胜任复杂场景图像的分类而基于语义的场景

HOG

金字塔模型在图像上分层抽取

［9］

特征针对识别不同类别

PHOG( Pyramid HOG)

．

分类方法由于层次化模型和分类器的发展得以推

进^［5，6］然而当场景种类需要被进一步细分时上述方

出了

，

的场景和不同尺度的图像研究者们还基于

HOG

提出

．

法就难以取得理想的分类效果深度学习的出现则通

，

DPM ( Deformable Part-

了一系列改进的模型方法如

based Models) ^［4］

DPM

SDPM( Super-

过大量数据学习到图像的共有深层特征来有效的解决

和之后基于

改进的

．

vised Object Localization with DPM) ^［10］

．

这种问题

，，

在随后的发展过程中由于图像复杂度的提高基

场景分类方法

HOG

、

特征的模型方法出现特征点冗余计算效率低

于

，

到目前为止图像场景分类技术的发展主要经历

． Jianxin Wu 2010 CENTRIST

等人在年提出的

的问题

［11］

特

、

．

了基于特征基于语义基于学习三个阶段

．

征很好地解决了这一不足该特征通过对获取的像

2. 1

基于特征的分类方法

Census

，，

变换并将其转化为统计直方图形成

素点进行

CENTRIST

、，

图像特征如颜色纹理等是对图像特性的描述可以

．

特征来提取对象局部形状结构其转化后的

，

描述图像的基本信息也可以反映图像的深层结构信息

．

，

图像依然保留整体和局部结构信息因此能够模拟人

．

下面就一些经典的特征分类方法进行分析与总结

，

类视觉系统的实时性对物体的形状以及纹理等都有

1999

David Lowe

年

提出的图像局部特征描述算子

．

较明确的描述

( SIFT，Scale-Invariant Feature Transform) ^［7］

，

由于其在尺

，，

综上所述四种特征被广泛使用其优缺点如表

、，

度空间上的缩放旋转和仿射变换不变性在室外场景分

． (

所示基于特征的场景分类算法通过提取图像特征如

，

类上精度较高且能够较完整地描述图像的局部特征当

、 ) ，

颜色形状和纹理等结合特征描述并设计使用相应

．

图像中尺度变化较大时也能准确识别图像的显著特征

，

的分类器在平衡了复杂度以及模型结构后取得了不

2001

Aude Oliva

GIST

年由

等人模拟人的视觉提出

．

错的场景分类效果

［3］

特征以粗略提取图像以及其上下文信息该特征能

．

表

图像特征方法比较

名称

类型

全局

输出

优点

缺点

适用场合

特点

、

计算复杂度低简单背景复杂目标密集

［3］

GIST

光谱信息

简单的自然场景

通过光谱表现整体布局

易用

场景表现差

、

邻域

适用平移旋转尺复杂场景整体布局自然场景和简单的通过梯度方向信息表现目标

［7］

SIFT

直方图

度变换

表现差

室内场景

位置信息

不稳定场景形状结全局结构稳定的通过像素块边缘梯度表现几

构表现差场景何结构

［8］

HOG

局部

向量

表现轮廓和边缘

Census

、

Census

表现局部特性体现复杂多变场景表清晰布局目标不密通过

变换值表现整体

［11］

CENTRIST

变换值

位置信息

现差

集场景

结构

全部评论(0)

暂无评论

评论赚积分>>

上传资源上传优质资源有赏金

图像场景分类技术综述

资料介绍

部分文件列表

部分页面预览

相关下载

全部评论(0)

热门标签

最新上传

热门下载

资料专题

推荐下载

专栏首页