結(jié)合變形模型與集成范例模型的目標檢測方法研究.pdf

1、目標檢測是計算機視覺和模式識別領域的重要研究方向，是從低層的圖像處理到高層的圖像理解這個過程中一個關鍵的步驟，因此目標檢測也一直是研究的重點和熱點。由于圖像中目標豐富、姿態(tài)多樣、朝向各異，使得在其中檢測指定類型的目標非常不易，近年來已經(jīng)有一些相對成熟的目標檢測框架取得了一些效果，其中就包括DPM和 Exemplar-SVM兩個模型。前者主要利用部件信息將目標分塊，以應付目標靈活多變的特性，而后者則主要采用視覺相似性的原理將每個正樣本單獨

2、訓練，以保證照顧到所有正樣本之間的差異。
　　為了進一步改進通用類型的目標檢測算法，本文以DPM和Exemplar-SVM為研究基礎，將前者的部件信息加入到后者之中，并通過實驗證明了改進算法的有效性。本文完成的工作如下：
　　1)結(jié)合兩種模型的目標檢測方法研究。針對DPM和Exemplar-SVM兩個模型各自的特點，將部件信息在模型初始化階段直接加入到根濾波器中，既能滿足目標的不同姿態(tài)的要求，也能最大限度的保留目標之間的差異

3、性。最終將新模型應用于PASCAL VOC2007數(shù)據(jù)集中，實驗結(jié)果顯示20類目標中有15類目標的檢測結(jié)果優(yōu)于原始的Exemplar-SVM模型，而整體的mAP也從0.227提升至0.237，該結(jié)果充分證明了加入部件信息的確對Exemplar-SVM模型有所改善。
　　2)在驗證了在特定數(shù)據(jù)集上的表現(xiàn)之后，本文還將該模型用于農(nóng)藥噴灑檢測中，用于檢測其能否滿足實際生產(chǎn)環(huán)境中的要求。在通過對樣本的采集、預處理后，一共獲取532個樣本，