復(fù)雜場景下目標(biāo)檢測算法研究.pdf

1、目標(biāo)檢測是計(jì)算機(jī)視覺領(lǐng)域最基本的問題，其核心任務(wù)是對(duì)任意一幅給定的圖像，采用某種目標(biāo)識(shí)別算法和搜索策略，確定特定目標(biāo)在圖像中的位置和大小。盡管該領(lǐng)域已取得豐碩的研究成果，但在復(fù)雜應(yīng)用場景中，目標(biāo)通常會(huì)受光照變化、視角、姿態(tài)、部分遮擋等因素影響而引起較大的外觀變化，最終導(dǎo)致檢測算法性能下降。然而，隨著智能監(jiān)控、智能交通、圖像檢索等應(yīng)用需求的增長，人們對(duì)能適應(yīng)各種復(fù)雜應(yīng)用場景的目標(biāo)檢測方法的需求日益增長。
　　本文工作以一種Boost

2、ing算法加強(qiáng)的隨機(jī)森林GBRF（Gradient Boosting Ran-dom Forests）為基礎(chǔ)，針對(duì)不同場景下待檢測目標(biāo)的自身特點(diǎn)，將GBRF與不同圖像表達(dá)方式結(jié)合，構(gòu)建滿足應(yīng)用需求的目標(biāo)識(shí)別模型，并最終利用一種搜索方法完成檢測過程。研究分別從目標(biāo)分類模型、高層圖像表達(dá)、快速目標(biāo)檢測和多視角目標(biāo)檢測四個(gè)方面展開，主要貢獻(xiàn)總結(jié)如下：
　?。?）基于Boosting算法加強(qiáng)的隨機(jī)森林模型GBRF，提出了利用GBRF構(gòu)建能

3、適應(yīng)外觀變化目標(biāo)模型的一般方法，并應(yīng)用到人臉檢測任務(wù)上。首先，GBRF目標(biāo)模型以樹分類方法為基礎(chǔ)，結(jié)合不同圖像特征對(duì)樣本進(jìn)行逐層劃分，并利用樹的不同決策分支對(duì)外觀變化目標(biāo)分別建模；然后，為了提高模型泛化能力和識(shí)別精度，基于集成學(xué)習(xí)理論，先利用Bagging算法組合多棵樹，再利用Boosting算法組合森林的不同層；最后，針對(duì)人臉檢測任務(wù)，給出了一種“GBRF+Haar矩形特征”的人臉檢測方法。實(shí)驗(yàn)表明，該方法對(duì)人臉等小尺度、局部變化可控

4、的目標(biāo)有較好檢測結(jié)果，但對(duì)于復(fù)雜場景中尺度大、外觀變化大的目標(biāo)還需依賴更強(qiáng)大的圖像特征和目標(biāo)表達(dá)方法。
　?。?）提出一種基于CNN（Convolutional Neural Network）高層特征的圖像局部塊描述方法，并將其與GBRF相結(jié)合，以構(gòu)建目標(biāo)檢測模型。首先，通過研究CNN高層特征與圖像局部區(qū)域的對(duì)應(yīng)關(guān)系，提出了一種CNN局部圖像塊描述子；然后，結(jié)合CNN局部圖像塊特征表達(dá)形式，提出了一種基于圖像塊多維特征的樹節(jié)點(diǎn)樣本

5、劃分方法；最后，通過多棵樹逐層選擇并組合最有區(qū)分度的局部圖像塊構(gòu)建GBRF目標(biāo)識(shí)別模型。在多個(gè)目標(biāo)檢測任務(wù)集上比較實(shí)驗(yàn)的結(jié)果表明，CNN局部圖像塊特征對(duì)光照、局部形變有很好容忍能力，基于圖像塊多維特征的樹節(jié)點(diǎn)分裂函數(shù)有更強(qiáng)的分類能力，所提方法相比已有算法也展現(xiàn)了更好的檢測性能。
　?。?）基于局部DOT（Dominant Orientation Template）模板的快速計(jì)算特性，利用GBRF逐層選擇和組合不同位置、大小自適應(yīng)的

6、局部模板，以構(gòu)建了一種快速的行人檢測方法。首先，基于二進(jìn)制編碼形式給出DOT模板的快速計(jì)算方法，并利用SSE指令進(jìn)行硬件加速；然后，定義了一種位置、大小自適應(yīng)的局部DOT模板生成方法，并利用生成的局部模板，設(shè)計(jì)了一種基于DOT模板匹配的樹節(jié)點(diǎn)樣本劃分方法；最后，利用定義的局部模板集和節(jié)點(diǎn)劃分方法，給出了基于局部DOT模板和GBRF的目標(biāo)模型生成方法。檢測過程中，在基于滑動(dòng)窗口法確定目標(biāo)位置時(shí)，提出利用一種級(jí)聯(lián)檢測架構(gòu)快速排除大量的背景窗

7、口。實(shí)驗(yàn)結(jié)果表明，所提方法在不損失檢測精度前提下提高了檢測效率，同時(shí)，局部DOT模板對(duì)部分遮擋有較好抵抗能力。
　?。?）改進(jìn)傳統(tǒng)霍夫投票目標(biāo)檢測框架，提出了一種適用于多視角目標(biāo)的加權(quán)霍夫投票檢測方法，并在多視角車輛檢測上驗(yàn)證所提算法有效性。首先，利用GBRF對(duì)包含外觀和位置信息的圖像塊集進(jìn)行聚類，并提出了一種緊致性視覺單詞的描述方法，該描述方法不僅有利于表達(dá)投票檢測過程，還有效地減少了冗余、混亂的投票單元；其次，利用得到的視覺單