基于多實(shí)例表示的圖像目標(biāo)檢測(cè)技術(shù)研究.pdf

1、隨著目標(biāo)檢測(cè)技術(shù)的深入研究,目標(biāo)檢測(cè)技術(shù)的發(fā)展呈現(xiàn)出一種由難及易的趨勢(shì),從一開(kāi)始考慮到目標(biāo)在圖像中呈現(xiàn)的形態(tài)變化、角度變化等,早期的研究者希望尋找到這樣一類特征,它具有旋轉(zhuǎn)、大小、仿射等一系列不變特性,試圖抽取一個(gè)萬(wàn)能的特征實(shí)現(xiàn)對(duì)于圖像目標(biāo)的檢測(cè)分類等。這方面的研究隨著一些局部區(qū)域不變特征點(diǎn)的提出,取得了一定的研究成果,在目標(biāo)匹配和圖像分類中都取得了一定的成績(jī),但是對(duì)于目標(biāo)檢測(cè)則一直未能很好的解決。
　　直到人們對(duì)于目標(biāo)檢測(cè)問(wèn)題進(jìn)

2、行簡(jiǎn)化處理,只對(duì)常態(tài)的人臉、行人等進(jìn)行檢測(cè)并提出了稠密的局部區(qū)域特征描述子,這個(gè)問(wèn)題的解決才得到了比較長(zhǎng)遠(yuǎn)的進(jìn)步。但是基于稠密局部區(qū)域特征描述子如HOG特征,由于該特征主要反映的是檢測(cè)目標(biāo)的基本外形梯度特征,匹配的原則也只是從粗糙的外形上進(jìn)行匹配,因此其對(duì)于單一外形特征的匹配效果很明顯。而目前的檢測(cè)方法多把類別作為區(qū)分的量度,同一類型里多外形特征反而被弱化,導(dǎo)致檢測(cè)結(jié)果不明顯,于是基于多實(shí)例表示的目標(biāo)檢測(cè)技術(shù)在這些年得到了大力的發(fā)展。其

3、核心思想對(duì)訓(xùn)練集中的檢測(cè)樣例,每一個(gè)都訓(xùn)練自己的分類器,綜合所有的一類目標(biāo)的分類器實(shí)現(xiàn)對(duì)于該類目標(biāo)的檢測(cè)。本文就多實(shí)例表示的目標(biāo)檢測(cè)方法進(jìn)行研究,具體研究?jī)?nèi)容如下:
　　(1)從數(shù)據(jù)集大小的角度分析了多實(shí)例表示的圖像目標(biāo)檢則技術(shù)的性能增長(zhǎng)情況,具體分析20類檢測(cè)目標(biāo)的增長(zhǎng)情況。實(shí)驗(yàn)表明,檢測(cè)結(jié)果的性能隨著數(shù)據(jù)集規(guī)模的變化按照檢測(cè)類別的不同,呈現(xiàn)出不穩(wěn)定的變化規(guī)律,其主要原因在于數(shù)據(jù)集中數(shù)據(jù)的多樣性,對(duì)于固定的測(cè)試集,每一個(gè)檢測(cè)樣例

4、都會(huì)有一定數(shù)量的檢測(cè)結(jié)果,檢測(cè)性能的變化隨著訓(xùn)練集與測(cè)試集中數(shù)據(jù)在HOG算子下的匹配值變化而變化,因此表現(xiàn)出不穩(wěn)定性?；诖?后續(xù)從HOG局限性以及根據(jù)已有數(shù)據(jù)集構(gòu)建合理的初始實(shí)例庫(kù)進(jìn)行分析與研究。
　　(2)考慮到上述實(shí)驗(yàn)在使用單一特征HOG算子作為檢測(cè)特征時(shí)存在的局限性,通過(guò)融入SURF特征的方式來(lái)提高系統(tǒng)的檢測(cè)性能。由于SURF是對(duì)感興趣點(diǎn)的抽取,因此特征點(diǎn)的個(gè)數(shù)不定,所以將融入過(guò)程加在校準(zhǔn)過(guò)程,結(jié)合初始的檢測(cè)分?jǐn)?shù)以及檢測(cè)結(jié)

5、果與原始實(shí)例的SURF特征匹配度,構(gòu)成總的得分用于共生矩陣的生成,從而達(dá)到彌補(bǔ)各自在檢測(cè)上的局限性,提高系統(tǒng)的檢測(cè)性能的效果。
　　(3)從構(gòu)建合理數(shù)據(jù)實(shí)例集的角度分析,來(lái)提升模型的檢測(cè)效率。首先從單張圖片的角度分析有利于提升系統(tǒng)單實(shí)例召回率的方法,本文主要分析的有k-means聚類算法以及基于線性SVM分類結(jié)果的聚類算法。通過(guò)使用兩類聚類算法,構(gòu)建召回率更高的檢測(cè)實(shí)例庫(kù),使得系統(tǒng)的檢測(cè)性能得到了提升,該方法的實(shí)現(xiàn)原理就是將一類檢