基于形狀和特征融合的多物體檢測(cè)方法研究.pdf

1、隨著計(jì)算機(jī)技術(shù)的發(fā)展和互聯(lián)網(wǎng)的普及，圖像和視頻由于包含信息較多，使用面越來(lái)越廣。如何對(duì)圖像和視頻數(shù)據(jù)進(jìn)行分析、快速準(zhǔn)確地從海量數(shù)據(jù)中找到想要的信息，已成為大數(shù)據(jù)時(shí)代的研究熱點(diǎn)。多物體檢測(cè)方法旨在從圖像中獲取多個(gè)物體的位置和類(lèi)別信息，在圖像檢索、智能監(jiān)控等領(lǐng)域有著廣泛的應(yīng)用前景。由于圖像中的物體受到視角、光照、姿態(tài)、尺度、旋轉(zhuǎn)等多個(gè)因素的影響，如何準(zhǔn)確、快速地檢測(cè)出不同物體是物體檢測(cè)算法共同面臨的挑戰(zhàn)。
　　本文首先研究了基于形狀的

2、多物體檢測(cè)算法。目前，大多數(shù)檢測(cè)算法都是基于滑動(dòng)窗口的方式，比較耗時(shí)。而使用對(duì)象性估計(jì)的方法提取出可能存在物體的候選窗口，再對(duì)候選窗口進(jìn)行特征提取和分類(lèi)，這種方法的效率相對(duì)較高。本文提出一種利用形狀特征進(jìn)行對(duì)象性估計(jì)的方法。該方法首先使用Sketch Tokens獲得邊緣圖像，再使用GPU加速的Hough變換檢測(cè)圖像中的圓，獲得候選窗口。最后，對(duì)候選窗口提取CNN特征，并使用SVM進(jìn)行分類(lèi)，得到每個(gè)物體類(lèi)的檢測(cè)結(jié)果。在ILSVRC數(shù)據(jù)集

3、的8個(gè)球體類(lèi)中，該方法的平均準(zhǔn)確率（MAP）達(dá)到了34.33%。
　　本文還研究了基于特征融合的多物體檢測(cè)算法，提出一種基于CNN與HOG兩種特征融合的多物體檢測(cè)方法。研究表明，物體檢測(cè)任務(wù)中同時(shí)使用高層特征與低層特征可以提高檢測(cè)效果。CNN特征是一種深度學(xué)習(xí)的高層特征，在訓(xùn)練數(shù)據(jù)量足夠龐大時(shí)，能夠挖掘出數(shù)據(jù)本質(zhì)的特點(diǎn)，具有很強(qiáng)的表達(dá)能力。HOG特征是一種基于像素梯度的低層特征，能夠消除光照變化、物體位移等帶來(lái)的影響，在物體檢測(cè)中