曹攀+董洪伟

摘要：针对复杂场景中难以标注对象轮廓的问题，提出一种基于支持向量机的场景标注方法。首先采用结构森林法生成边缘概率，再运用分水岭算法将边缘概率转化成初始图像块。为避免过分分割，减少训练开支，利用UCM算法并选取适当的阈值提高图像块对轮廓的精确度，最后通过支持向量机训练分割的图像块进行场景标注。实验表明，在处理复杂的户外场景标注时，基于支持向量机的场景标注方法在像素精确度上表现良好，在对象轮廓上标注效果较好。

关键词：对象轮廓；分水岭；支持向量机；场景标注

DOIDOI：10.11907/rjdk.171167

中图分类号：TP301

文献标识码：A 文章编号：1672-7800（2017）006-0015-04

0 引言

在计算机视觉领域，场景标注[1]作为图像分析的一个重要环节受到广泛关注。场景标注的主要任务是识别图像中每个像素所属类别。由于图像常会受到不同光照强度、对象遮挡以及对象种类繁多和复杂的场景问题，导致像素标注错误，无法很好地标注对象轮廓，最终导致场景标注效果不理想。因此，如何有效提取图像中对象的整体信息，描述图像对象轮廓，一直都是值得研究的问题。

当前的场景标注方法是直接在图像像素的基础上训练模型，而单纯在像素上训练模型很难描述对象轮廓，从而使场景标注难以获得理想效果。基于此，本文提出一种基于支持向量机的场景标注方法SVM-SLM（Scene labeling method based on support vector machine），通過训练图像块，有效解决了基于图像中对象轮廓的描述问题，在像素精确度上也有良好表现。……