基于ELDA集成的多實例目標檢測模型.pdf

1、目標檢測是從靜態(tài)圖像或者動態(tài)視頻中提取出底層的圖像特征并進行編碼組合后，通過機器學習的方法，得到對原始圖像或者視頻的目標檢測結果。作為從淺層圖像處理
　　到深層圖像理解之間的關鍵環(huán)節(jié)，目標檢測技術已經(jīng)發(fā)展成為計算機智能領域的一個重要研究方向，并被廣泛應用到人們生產(chǎn)生活的方方面面。比如，工業(yè)生產(chǎn)領域里基于機器視覺的裝配機器人、軍事應用領域里的遙感航拍圖像處理、智能交通領域的監(jiān)控錄像設備以及生活娛樂領域的指紋解碼、相機自動對焦等等。這

2、些目標檢測技術的應用不僅為現(xiàn)代化經(jīng)濟、國防、科技的發(fā)展奠定了基礎，也在很大程度上提高了人們的生活質(zhì)量。目前，目標檢測技術還有很大的進步空間，比如如何在不影響檢測效果的同時降低機器學習階段的訓練成本、如何豐富目標檢測結果的可視化表達以及如何提高在非平衡數(shù)據(jù)下目標學習和檢測的效果等問題。
　　針對以上目標檢測技術中遇到的問題，本文基于ESVM集成模型（Ensemble of Exemplar-SVMs）以及 ELDA（Exemplar

3、-LDA）目標檢測模型，融合多實例學習機制（Multiple Instance Learning），提出了基于ELDA集成的多實例目標檢測模型，并獲得了較好的檢測性能。本文模型首先針對各個范例（exemplar）中提取的HOG（Histogram of Oriented Gradient）特征，用較少的訓練成本得到各個范例對應的獨一無二的單范例LDA（Linear Discriminant Analysis）分類器。根據(jù)驗證集圖像上的檢

4、測結果，構建關聯(lián)矩陣和共生矩陣對單范例分類器進行集成，以調(diào)節(jié)檢測窗口的打分。接著，本文模型在驗證集圖像和負樣本集圖像的檢測結果上構建第二層正、負樣本包，運用多實例學習算法進行訓練，準確找到樣本包中每一個樣本的正、負標簽，構建出單類別mi-SVM分類器。運用單類別分類器對集成的單范例分類器在測試集上的檢測結果進行過濾，進一步提高目標檢測的準確率，降低誤檢率。更重要的是，模型可以直接在檢測結果上做元數(shù)據(jù)（分割效果、幾何形狀等）替換，進而表達

5、出更準確更豐富的目標屬性。
　　本文提出的基于ELDA集成的多實例目標檢測模型，以MATLAB和C++混合編程實現(xiàn)，對PASCAL VOC2007數(shù)據(jù)庫上的火車、小汽車、沙發(fā)三類物體做了目標檢測和性能分析實驗。實驗結果表明，相較于原始的ESVM集成模型，本文提出的模型在火車、小汽車、沙發(fā)上的平均準確率分別提高了7.6%、26.4%和25.2%，降低了單范例分類器訓練過程中負樣本挖掘的訓練成本，同時也豐富了范例對檢測結果的智能化表達