結(jié)合局部特征與空間關(guān)系的多物體檢測算法研究.pdf

1、隨著網(wǎng)絡(luò)技術(shù)的進步和智能設(shè)備的普及,當(dāng)今互聯(lián)網(wǎng)上的交流已經(jīng)突破了文字的局限,而更加青睞包含更多內(nèi)容的數(shù)字圖像和視頻。因此,如何對這些圖像和視頻數(shù)據(jù)進行處理和分析,獲知這些數(shù)據(jù)背后存在的意義,并利用這些數(shù)據(jù)優(yōu)化決策的技術(shù),是大數(shù)據(jù)時代研究的熱點。為了理解這些圖像和視頻的語義以供進一步分析,可靠的物體檢測技術(shù)具有廣泛的應(yīng)用需求和應(yīng)用前景。同時,作為計算機視覺領(lǐng)域的一個重要課題,物體檢測對于解決計算機視覺領(lǐng)域的其他問題,如語義分割(Seman

2、tic Segmentation)、物體解析(Object Parsing)等也有重要的研究意義。但是,由于數(shù)字圖像中的物體受到尺度、旋轉(zhuǎn)、視角、姿態(tài)、光照等因素影響,且當(dāng)圖像中存在的多類物體間存在互相遮擋等空間關(guān)系時,現(xiàn)有的算法難以正確而快速地識別圖像中存在的物體。本文主要研究如何結(jié)合圖像的局部特征和空間關(guān)系提高多類物體檢測的準(zhǔn)確率。
　　首先,本文研究了基于局部特征的物體檢測模型,分析了這些模型的優(yōu)缺點并對比其性能。隨后,本文

3、實現(xiàn)了結(jié)合局部特征和空間關(guān)系的物體檢測模型。該模型首先采用物體的局部特征對圖像中可能存在物體的區(qū)域進行識別,隨后利用預(yù)定義的空間關(guān)系建立結(jié)構(gòu)化模型,并利用物體間存在的相對位置關(guān)系優(yōu)化識別結(jié)果。由于圖像中可能存在的物體類別,及物體間相互的空間關(guān)系種類繁多,對結(jié)構(gòu)化模型進行訓(xùn)練和測試耗時較長,本文提出了閾值法和極大值法兩種特征分離方法,將結(jié)構(gòu)化模型轉(zhuǎn)化為多組二值判別模型,從而克服了多物體檢測的速度瓶頸。實驗結(jié)果表明,分離算法可以用較小的性能

4、損失來換取極大的速度提升。同時,采用極大值法分離的模型可引用更多的空間特征,如相對長寬比、重疊百分比等,從而提升模型的性能。
　　現(xiàn)有結(jié)合局部特征和空間關(guān)系的物體檢測模型大多采用預(yù)定義的空間關(guān)系來建立結(jié)構(gòu)化模型。但是,這種空間關(guān)系并不準(zhǔn)確,且難以捕捉物體間存在的豐富語義。因此,本文提出了一種采用數(shù)據(jù)驅(qū)動方式來挖掘物體之間存在的空間關(guān)系的算法。通過研究圖像數(shù)據(jù)集中物體的相對分布特性,本文采用聚類的方式獲得物體間相對位置的空間關(guān)系原型

5、,并通過空間關(guān)系原型構(gòu)建空間關(guān)系特征,采用結(jié)構(gòu)化學(xué)習(xí)算法提升物體檢測模型的性能。在常用的K-均值聚類(K-Means)的基礎(chǔ)上,本文提出了對比聚類算法(Contrast K-Means)以更好地捕捉空間關(guān)系原型。實驗結(jié)果表明,通過對比聚類獲得的空間關(guān)系原型可以比K-Means聚類更好地描述物體間的空間關(guān)系。本文還研究了使用多種不同的編碼算法構(gòu)建的空間關(guān)系特征對檢測結(jié)果的影響,并選擇了最優(yōu)的編碼算法構(gòu)建空間關(guān)系特征,提升了物體檢測模型的準(zhǔn)