基于多實例表示的圖像目標檢測技術(shù)研究.pdf

1、隨著目標檢測技術(shù)的深入研究,目標檢測技術(shù)的發(fā)展呈現(xiàn)出一種由難及易的趨勢,從一開始考慮到目標在圖像中呈現(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,試圖抽取一個萬能的特征實現(xiàn)對于圖像目標的檢測分類等。這方面的研究隨著一些局部區(qū)域不變特征點的提出,取得了一定的研究成果,在目標匹配和圖像分類中都取得了一定的成績,但是對于目標檢測則一直未能很好的解決。
　　直到人們對于目標檢測問題進

2、行簡化處理,只對常態(tài)的人臉、行人等進行檢測并提出了稠密的局部區(qū)域特征描述子,這個問題的解決才得到了比較長遠的進步。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目標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行匹配,因此其對于單一外形特征的匹配效果很明顯。而目前的檢測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)致檢測結(jié)果不明顯,于是基于多實例表示的目標檢測技術(shù)在這些年得到了大力的發(fā)展。其

3、核心思想對訓(xùn)練集中的檢測樣例,每一個都訓(xùn)練自己的分類器,綜合所有的一類目標的分類器實現(xiàn)對于該類目標的檢測。本文就多實例表示的目標檢測方法進行研究,具體研究內(nèi)容如下:
　　(1)從數(shù)據(jù)集大小的角度分析了多實例表示的圖像目標檢則技術(shù)的性能增長情況,具體分析20類檢測目標的增長情況。實驗表明,檢測結(jié)果的性能隨著數(shù)據(jù)集規(guī)模的變化按照檢測類別的不同,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,對于固定的測試集,每一個檢測樣例

4、都會有一定數(shù)量的檢測結(jié)果,檢測性能的變化隨著訓(xùn)練集與測試集中數(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)建合理的初始實例庫進行分析與研究。
　　(2)考慮到上述實驗在使用單一特征HOG算子作為檢測特征時存在的局限性,通過融入SURF特征的方式來提高系統(tǒng)的檢測性能。由于SURF是對感興趣點的抽取,因此特征點的個數(shù)不定,所以將融入過程加在校準過程,結(jié)合初始的檢測分數(shù)以及檢測結(jié)

5、果與原始實例的SURF特征匹配度,構(gòu)成總的得分用于共生矩陣的生成,從而達到彌補各自在檢測上的局限性,提高系統(tǒng)的檢測性能的效果。
　　(3)從構(gòu)建合理數(shù)據(jù)實例集的角度分析,來提升模型的檢測效率。首先從單張圖片的角度分析有利于提升系統(tǒng)單實例召回率的方法,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。通過使用兩類聚類算法,構(gòu)建召回率更高的檢測實例庫,使得系統(tǒng)的檢測性能得到了提升,該方法的實現(xiàn)原理就是將一類檢