基于簡(jiǎn)單局部特征學(xué)習(xí)的物體檢測(cè)方法.pdf

1、本文研究的物體檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域一個(gè)非常具有挑戰(zhàn)性的課題，即從真實(shí)世界的圖像中識(shí)別某類物體并在混亂的圖像背景上定位該物體。這是人眼視覺(jué)系統(tǒng)的核心能力之一，但計(jì)算機(jī)視覺(jué)系統(tǒng)目前還遠(yuǎn)未達(dá)到接近該層級(jí)的效果。該課題的主要難點(diǎn)在于尋找一種有效的物體表示方式，一方面必須容忍同類物體不同個(gè)體之間的類內(nèi)變化，另一方面又能夠區(qū)分不同類別物體的類問(wèn)變化，同時(shí)還需要魯棒的處理混亂背景、光照變化以及部分遮擋等問(wèn)題。
　　 本文回顧了物體檢測(cè)方法的研

2、究現(xiàn)狀，分析和總結(jié)了常用的物體模型和特征，從簡(jiǎn)單局部特征和基于特征的學(xué)習(xí)算法兩個(gè)層面，研究了如何構(gòu)建準(zhǔn)確的、魯棒的物體模型。主要的研究成果和創(chuàng)新點(diǎn)有如下兩個(gè)方面：
　　 在特征層面，本文提出了一種基于表形的局部特征--分散矩形特征，和一種基于形狀的局部特征--霍夫變換線段(組)。
　　 分散矩形特征是類Haar特征的一種變體。和類Haar特征一樣，它也是一種基于矩形模板的簡(jiǎn)單特征，但模板內(nèi)的矩形不需要在水平或垂直方向上相

3、鄰對(duì)齊，因而不僅能夠表示任意的方位信息，而且在幾何關(guān)系上能夠表示錯(cuò)切、分離和重疊的形狀信息，使得分散矩形特征能夠更加靈活的表示物體部分，具有更好的表示能力。同時(shí)，可以利用積分圖，在常數(shù)時(shí)間內(nèi)計(jì)算圖像窗口上任意位置任意尺寸的分散矩形特征值，解決了由于缺少相鄰對(duì)齊約束后帶來(lái)的大量特征的計(jì)算量問(wèn)題。另外，采用構(gòu)造方法，嚴(yán)格的證明了任意一個(gè)非退化的分散矩形特征與滿足一定幾何約束關(guān)系的多個(gè)類Haar特征之間的等價(jià)性。該等價(jià)性說(shuō)明一個(gè)非退化的分散矩

4、形特征所包含的物體部分的信息等效于多個(gè)類Haar特征所包含的信息的綜合，因此該特征更加魯棒。在MIT和CMU人臉測(cè)試集上的對(duì)比實(shí)驗(yàn)結(jié)果顯示，基于分散矩形特征的分類器性能優(yōu)于類Haar特征分類器。
　　 霍夫變換線段(組)是受線條畫啟發(fā)而提出的一種簡(jiǎn)單的形狀特征。該特征不是由其兩個(gè)端點(diǎn)表示，而是通過(guò)其法向與橫軸的夾角角度、到坐標(biāo)原點(diǎn)的垂直距離、線段中心到垂線的距離以及線段長(zhǎng)度所組成的四元組表示。該四元組表示形式不僅能夠唯一的確定任

5、意線段，而且能夠很方便的處理縮放、旋轉(zhuǎn)和平移變換。給定以物體中心為原點(diǎn)的局部坐標(biāo)系，霍夫變換線段與物體中心之間的幾何關(guān)系被隱含于四元組中，成為一個(gè)緊湊的隱式形狀模型，后者在物體檢測(cè)研究中已經(jīng)被證明為一個(gè)有效的模型。相連的霍夫變換線段構(gòu)成霍夫變換線段組，通過(guò)引入線段之間的局部幾何信息進(jìn)一步增強(qiáng)特征的區(qū)分能力?；舴蜃儞Q線段(組)之間的相似度由四元組表示空間中的一個(gè)加權(quán)歐氏距離衡量。通過(guò)調(diào)整四元組元素相應(yīng)的權(quán)重，該距離能較好的容忍不可靠的邊緣

6、檢測(cè)所引起的噪音問(wèn)題，從而能夠用來(lái)從訓(xùn)練樣本中選取有區(qū)分能力的霍夫變換線段組，建立該類別物體碼表。通過(guò)形狀匹配實(shí)現(xiàn)的物體檢測(cè)實(shí)驗(yàn)表明形狀確實(shí)是定義物體類別的重要特征，也能勝任物體檢測(cè)任務(wù)。
　　 在學(xué)習(xí)算法層面，本文提出了一種AdaBoost算法變體--雙閾值A(chǔ)daBoost算法。該變體與原來(lái)的算法使用同樣的框架，但使用了具有兩個(gè)閾值的弱假設(shè)，其核心思想是選擇分類性能更好的弱假設(shè)可以使學(xué)習(xí)到的強(qiáng)假設(shè)更加魯棒和高效。雙閾值弱假設(shè)在

7、不退化為單閾值弱假設(shè)的情況下，通過(guò)對(duì)樣本在特征值空間更為精細(xì)的劃分，確保分類錯(cuò)誤比單閾值弱假設(shè)更小。為了快速確定兩個(gè)閾值的最優(yōu)值，本文相應(yīng)的提出了一個(gè)雙閾值弱學(xué)習(xí)算法。該弱學(xué)習(xí)算法將確定閾值問(wèn)題轉(zhuǎn)換為尋找最大和連續(xù)子序列問(wèn)題，后者可以采用線性的動(dòng)態(tài)規(guī)劃算法解決。對(duì)類Haar特征和分散矩形特征的學(xué)習(xí)結(jié)果表明，在同樣的訓(xùn)練性能要求下，該變體收斂速度更快，生成的檢測(cè)器具有更少的層次，使用更少的特征。在MIT和CMU人臉測(cè)試集上的檢測(cè)實(shí)驗(yàn)結(jié)果顯