目标检测一直是计算机视觉,模式识别,机器学习等领域的重要问题。尽管针对该方面的研究已经取得了丰硕的成果,但都局限于某些特定的环境下。在自然环境下,图像中阴影、光照变化、目标形变以及目标遮挡一直是困扰目标检测的问题。基于轮廓特征的目标检测方法和基于纹理特征的目标检测方法可以在一定程度上解决此类问题。这两种方法各有自己的特点,纹理特征相对于轮廓特征更易于表达,且内容信息丰富;而轮廓特征抗光照能力强,部分轮廓段就能提供目标的标记信息。但是,在提取轮廓特征和计算相似度的环节,往往需要很大的计算量。因此,本文主要从快速提取特征和相似度计算的方法两方面展开研究。本文的主要贡献如下:(1)提出了一种快速表示图像轮廓的方法。首先,通过整合弦点累加曲率(Chord-to-Point Distance Accumulation,CPDA)和椭圆平面曲线模型提取显著点。然后,运用最小二乘法,将轮廓曲线上的显著点拟合成双曲线。双曲线可以很好的拟合对称和不对称的平面曲线。实验表明,该方法有效且实用。一方面,在显著点提取中创新地引入了CPDA技术,大大减少了计算成本;另一方面,利用椭圆平面曲线模型提取目标曲线的显著点,考虑了曲线段的全局属性,提高了算法的稳健性和实用性。(2)提出一种有效的基于显著线段的目标检测方法。该方法通过融入显著线段特征到Directional Chamfer Matching(DCM)检测框架,提高了目标检测的准确度。首先,利用弦点累加曲率表达形状局部结构信息,从而准确地找到图像轮廓的显著点;然后,根据显著点之间连接线段生成多方向的Chamfer距离图像;最后,在DCM检测框架下进行匹配检测。该方法在多个数据集上进行了验证,且取得了较好的结果,证明了该方法的有效性和准确性。(3)提出了一种两阶段的快速回溯目标检测方法。该方法基于索引标记回溯方式,建立两个阶段之间的数据传递关系,实现由粗到细的形状匹配。粗匹配阶段,在距离图像上进行一次目标搜索过程得到检测目标假设子集。细匹配阶段,首先,利用检测目标假设子集构建形状轮廓描述矩阵;然后,根据形状轮廓描述矩阵的内部块以及内部块之间的不相似度建立多目标优化模型;最后,利用Pareto方法寻找多目标优化模型的最优解,获得最终的检测结果。实验表明,由于使用了由粗到细的匹配方法,大幅度减少了计算量,从而加快了目标检测的速度。(4)提出了一个基于索引查找字典的多类目标检测方法。该方法根据建立的索引查找字典对目标图像上的特征进行投票,快速获得目标位置。首先,将离散的多方向轮廓特征分别进行距离变换;然后,对距离图像的像素分值和近邻环境特征进行量化编码,建立一个特征索引查找字典;最后,根据索引确定图像上特征的类别,并向该特征所属的目标类的中心位置进行投票,完成目标检测。实验表明,该方法对多类目标同时进行快速地检测,并在多个数据集上进行验证,具有较好的通用性。(5)提出了一个基于目标形状局部轮廓段的赋形检测方法。该方法设计了局部轮廓段特征,构造模板形状与目标轮廓对应的目标函数,利用动态规划的方法实现了良好的目标形状匹配效果。首先,利用弦点距离向量和弦点夹角向量方法提取局部轮廓段特征;然后,建立寻找模板目标形状对应点的目标函数,运用动态规划算法找到对应点;最后,利用非线性的优化方法对模板和目标形状进行匹配。实验证明该方法提高了赋形检测过程中寻找模板形状与目标轮廓两个点集对应的准确性和鲁棒性。本文针对基于轮廓特征的目标检测方法进行了深入的研究,内容涉及到形状表示、形状相似度匹配等与目标检测相关的关键问题,并取得了一定的研究成果。