基于形狀和特征融合的多物體檢測方法研究.pdf

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

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

3、的8個球體類中，該方法的平均準確率（MAP）達到了34.33%。
　　本文還研究了基于特征融合的多物體檢測算法，提出一種基于CNN與HOG兩種特征融合的多物體檢測方法。研究表明，物體檢測任務中同時使用高層特征與低層特征可以提高檢測效果。CNN特征是一種深度學習的高層特征，在訓練數(shù)據(jù)量足夠龐大時，能夠挖掘出數(shù)據(jù)本質的特點，具有很強的表達能力。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、物體位移等帶來的影響，在物體檢測中