基于部件的非剛性目標(biāo)檢測(cè)方法研究.pdf

1、目標(biāo)檢測(cè)不僅是目標(biāo)識(shí)別的經(jīng)典問(wèn)題，同時(shí)還是許多其它視覺(jué)任務(wù)的基礎(chǔ)。對(duì)目標(biāo)模型和檢測(cè)算法的研究體現(xiàn)并且推動(dòng)了目標(biāo)識(shí)別領(lǐng)域的整體發(fā)展水平。在檢測(cè)對(duì)象中，非剛性目標(biāo)（如動(dòng)物、人體等）相對(duì)其它目標(biāo)類(lèi)別的檢測(cè)難度更大，主要體現(xiàn)在類(lèi)內(nèi)外觀差異大、特征學(xué)習(xí)的噪聲干擾、局部形變等。近年來(lái)提出的部件模型為描述目標(biāo)類(lèi)別提供了一種有效的方法，特別是針對(duì)非剛性目標(biāo)。該方法將一個(gè)目標(biāo)描述為多個(gè)部件的組合，部件之間基于彈性關(guān)聯(lián)，從而使得整體目標(biāo)的檢測(cè)問(wèn)題被分而治之

2、。
　　本文概述了當(dāng)前主流的部件化方法與模型，分析了它們?cè)诮鉀Q目標(biāo)檢測(cè)問(wèn)題上的關(guān)鍵思想與技術(shù)，歸納出部件化檢測(cè)模型的明確定義以及作為部件的重要條件。以此為基礎(chǔ)，本文著眼于非剛性目標(biāo)的檢測(cè)問(wèn)題提出了一系列部件化方法和模型以提高識(shí)別精度。具體研究路線(xiàn)為:(1)應(yīng)用部件化思想解決傳統(tǒng)檢測(cè)方法的弊病，(2)通過(guò)分析現(xiàn)有部件化方法的不足從不同角度提出改進(jìn)方案。本文的所有實(shí)驗(yàn)基于標(biāo)準(zhǔn)化數(shù)據(jù)集，評(píng)估對(duì)象參照當(dāng)前最新的檢測(cè)方法，實(shí)驗(yàn)結(jié)果驗(yàn)證了本文

3、所提方法與模型的有效性，并且給出大量具有參考價(jià)值的結(jié)論。本文的主要工作及貢獻(xiàn)如下:
　　1.針對(duì)概率投票模型誤檢率偏高的問(wèn)題提出了一種基于部件的判別投票方法。概率投票模型是實(shí)現(xiàn)非剛性目標(biāo)的檢測(cè)以及輪廓識(shí)別的重要方法，該類(lèi)模型的兩個(gè)缺陷易形成誤檢:一是投票元素集（即碼本）的學(xué)習(xí)策略過(guò)于簡(jiǎn)單，易受噪聲影響;二是各元素獨(dú)立投票的可靠性較差。為此，本文提出了一種基于部件的判別投票方法，該方法將概率投票轉(zhuǎn)換為線(xiàn)性判別計(jì)算，通過(guò)統(tǒng)計(jì)學(xué)習(xí)理論優(yōu)

4、化投票元素的權(quán)重，從而提高碼本學(xué)習(xí)的效率。另一方面，該方法通過(guò)部件化碼本將特征的全局獨(dú)立投票轉(zhuǎn)換為局部一致化投票，從而避免獨(dú)立投票的不穩(wěn)定性和噪聲干擾。
　　2.針對(duì)弱監(jiān)督環(huán)境下的特征學(xué)習(xí)問(wèn)題，提出了一種自適應(yīng)的部件學(xué)習(xí)方法。在弱監(jiān)督環(huán)境下，部件模型采用啟發(fā)式搜索策略自動(dòng)獲得判別化部件，但無(wú)法度量部件與目標(biāo)類(lèi)別是否真正相關(guān)。本文提出了一種自適應(yīng)的部件學(xué)習(xí)方法，該方法融合多類(lèi)圖像線(xiàn)索改進(jìn)原有搜索策略，使其在選取判別化部件同時(shí)盡可能保

5、證該部件與目標(biāo)具有語(yǔ)義相關(guān)性。該方法的關(guān)鍵思想是計(jì)算每個(gè)候選窗口的顏色、紋理和邊緣在分布上的一致化程度，一致化分布較高的候選窗口對(duì)應(yīng)的相關(guān)性更強(qiáng)。本文構(gòu)建兩種學(xué)習(xí)策略:一是將自適應(yīng)方法作為原有部件搜索的后處理模塊;二是構(gòu)建基于形狀的部件模型，直接整合部件搜索與定位。
　　考慮到當(dāng)前部件學(xué)習(xí)方法在每個(gè)訓(xùn)練樣本中是“強(qiáng)制”選取所有部件，當(dāng)樣本不完整或存在部分遮擋時(shí)選取的部件實(shí)為噪聲，因此本文還提出一種簡(jiǎn)單有效的部件剪枝策略，以樣本的分

6、類(lèi)得分作為過(guò)濾偽正樣本的依據(jù)，該方法能有效地降低訓(xùn)練過(guò)程中噪聲部件的比例，加速學(xué)習(xí)收斂速度。
　　3.針對(duì)非剛性目標(biāo)的類(lèi)內(nèi)外觀差異問(wèn)題提出了一種層次化的聯(lián)合檢測(cè)模型。姿態(tài)變化是引起非剛性目標(biāo)外觀差異的主要原因之一。傳統(tǒng)的檢測(cè)模型基于樣本的長(zhǎng)寬比劃分目標(biāo)外觀，但該劃分依據(jù)不能反映目標(biāo)外觀的真實(shí)分布，尤其對(duì)于非剛性目標(biāo)。為此，本文將姿態(tài)估計(jì)整合至目標(biāo)檢測(cè)過(guò)程，構(gòu)建一個(gè)聯(lián)合檢測(cè)模型。該模型具有兩個(gè)特點(diǎn):一是并行化處理目標(biāo)檢測(cè)與姿態(tài)估計(jì)，

7、避免串行聯(lián)合引發(fā)的錯(cuò)誤傳播;二是兼顧目標(biāo)檢測(cè)與姿態(tài)估計(jì)的判別化計(jì)算，同時(shí)提升兩者的檢測(cè)性能。
　　4.部件的自動(dòng)標(biāo)注能夠?yàn)楸O(jiān)督部件模型提供有效的部件層樣本?，F(xiàn)實(shí)環(huán)境中因無(wú)法確保訓(xùn)練-測(cè)試集具有相同的特征分布，因而作用于部件標(biāo)注任務(wù)的傳統(tǒng)機(jī)器學(xué)習(xí)算法將受到性能限制。本文提出了一種基于領(lǐng)域自適應(yīng)的學(xué)習(xí)算法，將該算法應(yīng)用于部件標(biāo)注任務(wù)的參數(shù)學(xué)習(xí)。自適應(yīng)算法擴(kuò)展結(jié)構(gòu)化支持向量機(jī)的損失函數(shù)，引入基于相似度的正則子，實(shí)現(xiàn)優(yōu)化損失度與參數(shù)差異度