基于霍夫變換和條件隨機(jī)場(chǎng)模型的目標(biāo)檢測(cè).pdf

1、目標(biāo)檢測(cè)是模式識(shí)別與計(jì)算機(jī)視覺(jué)中一個(gè)重要的領(lǐng)域。在復(fù)雜的現(xiàn)實(shí)場(chǎng)景中,由于存在遮擋,光照變化,尺度和視角變化甚至相似結(jié)構(gòu)的背景噪聲,同一類的物體往往表現(xiàn)出巨大的視覺(jué)差異,這就使得該條件下的目標(biāo)檢測(cè)顯得尤為具有挑戰(zhàn)性。在圖像和視頻中的目標(biāo)檢測(cè)往往使用滑動(dòng)窗的方法,但是近年來(lái)基于霍夫變換的方法受到了廣泛的關(guān)注。它最初被用來(lái)檢測(cè)圖像中的直線,后來(lái)發(fā)展到檢測(cè)事先設(shè)定的形狀。
　　隱式形狀模型將霍夫變換的思想推廣開(kāi)來(lái),利用局部特征在三維霍夫假

2、設(shè)空間中進(jìn)行概率投票,將投票值進(jìn)行線性累加之后,通過(guò)在霍夫空間中尋找極值點(diǎn)來(lái)檢測(cè)目標(biāo)。盡管隱式形狀模型取得了比較好的檢測(cè)效果,但是它仍存在著不足:它假設(shè)每一個(gè)局部特征的霍夫投票是相互獨(dú)立的,但是從概率角度來(lái)說(shuō),這種獨(dú)立性假設(shè)是不合理的,因?yàn)閳D像中相鄰的特征往往是相關(guān)的。
　　條件隨機(jī)場(chǎng)是一種判別式的條件概率模型,它繼承了隱式馬爾科夫模型的優(yōu)點(diǎn),但是同時(shí)也松弛了隱式馬爾科夫模型中的強(qiáng)獨(dú)立性假設(shè)。受條件隨機(jī)場(chǎng)的啟發(fā),本文利用它來(lái)建立霍

3、夫變換中投票特征與假設(shè)之間的關(guān)系:假設(shè)的條件概率不僅僅依賴于投票特征集,它同時(shí)依賴鄰域內(nèi)的其他假設(shè)。
　　本文利用基于隨機(jī)森林的霍夫投票和Parzen窗方法來(lái)實(shí)現(xiàn)上述的概率模型,主要過(guò)程如下:
　　1)基于隨機(jī)森林的霍夫投票,利用正負(fù)樣本提取的SIFT特征來(lái)建立隨機(jī)森林分類器，在葉子節(jié)點(diǎn)中存儲(chǔ)到達(dá)的SIFT特征相對(duì)于目標(biāo)中心的偏移量,這樣隨機(jī)森林的葉子節(jié)點(diǎn)集可視為一個(gè)判別式的碼本。利用隨機(jī)森林分類器對(duì)測(cè)試圖片中的SIFT特征

4、進(jìn)行分類,再利用上述的判別式碼本和廣義霍夫變換對(duì)可能的目標(biāo)中心進(jìn)行概率投票。
　　2)Parzen窗估計(jì),利用核函數(shù)估計(jì)來(lái)描述鄰域內(nèi)的假設(shè)之間的依存關(guān)系,本文利用自適應(yīng)尺度的Mean-shift搜索來(lái)實(shí)現(xiàn)。
　　3)基于最大后驗(yàn)概率的貪心算法,本文采用最大后驗(yàn)概率求解該概率模型,每次尋找最大極值點(diǎn),再對(duì)三維的霍夫假設(shè)空間進(jìn)行局部更新,如此反復(fù)直到到達(dá)迭代終止條件。
　　本文在TUDMotorbikes,UIUC-Car