1、目標檢測一直是計算機視覺，模式識別，機器學(xué)習(xí)等領(lǐng)域的重要問題。盡管針對該方面的研究已經(jīng)取得了豐碩的成果，但都局限于某些特定的環(huán)境下。在自然環(huán)境下，圖像中陰影、光照變化、目標形變以及目標遮擋一直是困擾目標檢測的問題?；谳喞卣鞯哪繕藱z測方法和基于紋理特征的目標檢測方法可以在一定程度上解決此類問題。這兩種方法各有自己的特點，紋理特征相對于輪廓特征更易于表達，且內(nèi)容信息豐富；而輪廓特征抗光照能力強，部分輪廓段就能提供目標的標記信息。但是，在

2、提取輪廓特征和計算相似度的環(huán)節(jié)，往往需要很大的計算量。因此，本文主要從快速提取特征和相似度計算的方法兩方面展開研究。
　　本文的主要貢獻如下：
　?。?）提出了一種快速表示圖像輪廓的方法。首先，通過整合弦點累加曲率（Chord-to-Point Distance Accumulation，CPDA）和橢圓平面曲線模型提取顯著點。然后，運用最小二乘法，將輪廓曲線上的顯著點擬合成雙曲線。雙曲線可以很好的擬合對稱和不對稱的平面曲線

3、。實驗表明，該方法有效且實用。一方面，在顯著點提取中創(chuàng)新地引入了CPDA技術(shù)，大大減少了計算成本；另一方面，利用橢圓平面曲線模型提取目標曲線的顯著點，考慮了曲線段的全局屬性，提高了算法的穩(wěn)健性和實用性。
　　（2）提出一種有效的基于顯著線段的目標檢測方法。該方法通過融入顯著線段特征到Directional Chamfer Matching（DCM）檢測框架，提高了目標檢測的準確度。首先，利用弦點累加曲率表達形狀局部結(jié)構(gòu)信息，從而準

4、確地找到圖像輪廓的顯著點；然后，根據(jù)顯著點之間連接線段生成多方向的Chamfer距離圖像；最后，在DCM檢測框架下進行匹配檢測。該方法在多個數(shù)據(jù)集上進行了驗證，且取得了較好的結(jié)果，證明了該方法的有效性和準確性。
　　（3）提出了一種兩階段的快速回溯目標檢測方法。該方法基于索引標記回溯方式，建立兩個階段之間的數(shù)據(jù)傳遞關(guān)系，實現(xiàn)由粗到細的形狀匹配。粗匹配階段，在距離圖像上進行一次目標搜索過程得到檢測目標假設(shè)子集。細匹配階段，首先，利用

5、檢測目標假設(shè)子集構(gòu)建形狀輪廓描述矩陣；然后，根據(jù)形狀輪廓描述矩陣的內(nèi)部塊以及內(nèi)部塊之間的不相似度建立多目標優(yōu)化模型；最后，利用Pareto方法尋找多目標優(yōu)化模型的最優(yōu)解，獲得最終的檢測結(jié)果。實驗表明，由于使用了由粗到細的匹配方法，大幅度減少了計算量，從而加快了目標檢測的速度。
　?。?）提出了一個基于索引查找字典的多類目標檢測方法。該方法根據(jù)建立的索引查找字典對目標圖像上的特征進行投票，快速獲得目標位置。首先，將離散的多方向輪廓特

6、征分別進行距離變換；然后，對距離圖像的像素分值和近鄰環(huán)境特征進行量化編碼，建立一個特征索引查找字典；最后，根據(jù)索引確定圖像上特征的類別，并向該特征所屬的目標類的中心位置進行投票，完成目標檢測。實驗表明，該方法對多類目標同時進行快速地檢測，并在多個數(shù)據(jù)集上進行驗證，具有較好的通用性。
　　（5）提出了一個基于目標形狀局部輪廓段的賦形檢測方法。該方法設(shè)計了局部輪廓段特征，構(gòu)造模板形狀與目標輪廓對應(yīng)的目標函數(shù)，利用動態(tài)規(guī)劃的方法實現(xiàn)了良

7、好的目標形狀匹配效果。首先，利用弦點距離向量和弦點夾角向量方法提取局部輪廓段特征；然后，建立尋找模板目標形狀對應(yīng)點的目標函數(shù)，運用動態(tài)規(guī)劃算法找到對應(yīng)點；最后，利用非線性的優(yōu)化方法對模板和目標形狀進行匹配。實驗證明該方法提高了賦形檢測過程中尋找模板形狀與目標輪廓兩個點集對應(yīng)的準確性和魯棒性。
　　本文針對基于輪廓特征的目標檢測方法進行了深入的研究，內(nèi)容涉及到形狀表示、形狀相似度匹配等與目標檢測相關(guān)的關(guān)鍵問題，并取得了一定的研究成果