結合局部特征與空間關系的多物體檢測算法研究.pdf

1、隨著網(wǎng)絡技術的進步和智能設備的普及,當今互聯(lián)網(wǎng)上的交流已經(jīng)突破了文字的局限,而更加青睞包含更多內容的數(shù)字圖像和視頻。因此,如何對這些圖像和視頻數(shù)據(jù)進行處理和分析,獲知這些數(shù)據(jù)背后存在的意義,并利用這些數(shù)據(jù)優(yōu)化決策的技術,是大數(shù)據(jù)時代研究的熱點。為了理解這些圖像和視頻的語義以供進一步分析,可靠的物體檢測技術具有廣泛的應用需求和應用前景。同時,作為計算機視覺領域的一個重要課題,物體檢測對于解決計算機視覺領域的其他問題,如語義分割(Seman

2、tic Segmentation)、物體解析(Object Parsing)等也有重要的研究意義。但是,由于數(shù)字圖像中的物體受到尺度、旋轉、視角、姿態(tài)、光照等因素影響,且當圖像中存在的多類物體間存在互相遮擋等空間關系時,現(xiàn)有的算法難以正確而快速地識別圖像中存在的物體。本文主要研究如何結合圖像的局部特征和空間關系提高多類物體檢測的準確率。
　　首先,本文研究了基于局部特征的物體檢測模型,分析了這些模型的優(yōu)缺點并對比其性能。隨后,本文

3、實現(xiàn)了結合局部特征和空間關系的物體檢測模型。該模型首先采用物體的局部特征對圖像中可能存在物體的區(qū)域進行識別,隨后利用預定義的空間關系建立結構化模型,并利用物體間存在的相對位置關系優(yōu)化識別結果。由于圖像中可能存在的物體類別,及物體間相互的空間關系種類繁多,對結構化模型進行訓練和測試耗時較長,本文提出了閾值法和極大值法兩種特征分離方法,將結構化模型轉化為多組二值判別模型,從而克服了多物體檢測的速度瓶頸。實驗結果表明,分離算法可以用較小的性能

4、損失來換取極大的速度提升。同時,采用極大值法分離的模型可引用更多的空間特征,如相對長寬比、重疊百分比等,從而提升模型的性能。
　　現(xiàn)有結合局部特征和空間關系的物體檢測模型大多采用預定義的空間關系來建立結構化模型。但是,這種空間關系并不準確,且難以捕捉物體間存在的豐富語義。因此,本文提出了一種采用數(shù)據(jù)驅動方式來挖掘物體之間存在的空間關系的算法。通過研究圖像數(shù)據(jù)集中物體的相對分布特性,本文采用聚類的方式獲得物體間相對位置的空間關系原型

5、,并通過空間關系原型構建空間關系特征,采用結構化學習算法提升物體檢測模型的性能。在常用的K-均值聚類(K-Means)的基礎上,本文提出了對比聚類算法(Contrast K-Means)以更好地捕捉空間關系原型。實驗結果表明,通過對比聚類獲得的空間關系原型可以比K-Means聚類更好地描述物體間的空間關系。本文還研究了使用多種不同的編碼算法構建的空間關系特征對檢測結果的影響,并選擇了最優(yōu)的編碼算法構建空間關系特征,提升了物體檢測模型的準