基于霍夫變換和條件隨機(jī)場模型的目標(biāo)檢測.pdf

1、目標(biāo)檢測是模式識別與計算機(jī)視覺中一個重要的領(lǐng)域。在復(fù)雜的現(xiàn)實場景中,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)出巨大的視覺差異,這就使得該條件下的目標(biāo)檢測顯得尤為具有挑戰(zhàn)性。在圖像和視頻中的目標(biāo)檢測往往使用滑動窗的方法,但是近年來基于霍夫變換的方法受到了廣泛的關(guān)注。它最初被用來檢測圖像中的直線,后來發(fā)展到檢測事先設(shè)定的形狀。
　　隱式形狀模型將霍夫變換的思想推廣開來,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,通過在霍夫空間中尋找極值點來檢測目標(biāo)。盡管隱式形狀模型取得了比較好的檢測效果,但是它仍存在著不足:它假設(shè)每一個局部特征的霍夫投票是相互獨立的,但是從概率角度來說,這種獨立性假設(shè)是不合理的,因為圖像中相鄰的特征往往是相關(guān)的。
　　條件隨機(jī)場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,但是同時也松弛了隱式馬爾科夫模型中的強(qiáng)獨立性假設(shè)。受條件隨機(jī)場的啟發(fā),本文利用它來建立霍

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窗方法來實現(xiàn)上述的概率模型,主要過程如下:
　　1)基于隨機(jī)森林的霍夫投票,利用正負(fù)樣本提取的SIFT特征來建立隨機(jī)森林分類器，在葉子節(jié)點中存儲到達(dá)的SIFT特征相對于目標(biāo)中心的偏移量,這樣隨機(jī)森林的葉子節(jié)點集可視為一個判別式的碼本。利用隨機(jī)森林分類器對測試圖片中的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可能的目標(biāo)中心進(jìn)行概率投票。
　　2)Parzen窗估計,利用核函數(shù)估計來描述鄰域內(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搜索來實現(xiàn)。
　　3)基于最大后驗概率的貪心算法,本文采用最大后驗概率求解該概率模型,每次尋找最大極值點,再對三維的霍夫假設(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