本文選題：目標(biāo)檢測 + 擴(kuò)展目標(biāo)��； 參考：《中國科學(xué)院大學(xué)(中國科學(xué)院光電技術(shù)研究所)》2017年碩士論文

【摘要】：目標(biāo)檢測作為圖像處理、識別、跟蹤的一個重要組成部分,一直都是人們研究的熱點。在視頻監(jiān)控、車輛導(dǎo)航、目標(biāo)跟蹤等多領(lǐng)域內(nèi)都有著廣泛的應(yīng)用前景。傳統(tǒng)的目標(biāo)檢測方法主要是基于特征點的檢測,在復(fù)雜場景中存在漏檢率高、檢測率低等問題。本文研究的主要是擴(kuò)展目標(biāo)的檢測,此類目標(biāo)通常在視場中會占據(jù)較大位置,同時會有較大的姿態(tài)、尺度變化以及遮擋等問題。而利用傳統(tǒng)的基于特征點匹配的檢測算法,很有可能導(dǎo)致特征匹配失敗,影響檢測率,從而也會影響后續(xù)應(yīng)用,如目標(biāo)跟蹤。因此研究一種較為魯棒、穩(wěn)定的目標(biāo)檢測算法具有重要意義。針對擴(kuò)展目標(biāo)檢測,本文詳細(xì)分析常用的局部特征提取方法包括SIFT、HOG、Harr-like、LBP等,對HOG特征進(jìn)行了深入分析并改進(jìn),針對HOG特征不能適應(yīng)目標(biāo)尺度變化問題,構(gòu)建了特征金字塔,使HOG特征具有尺度不變性。針對提取的HOG特征維數(shù)過多,計算量大的問題,采用了主成分分析(PCA)進(jìn)行特征降維。利用支持向量機(jī)(SVM)對樣本圖像進(jìn)行訓(xùn)練,實現(xiàn)了HOG+SVM目標(biāo)檢測算法,并針對該算法在目標(biāo)出現(xiàn)遮擋及較大姿態(tài)變化時,容易出現(xiàn)漏檢及誤檢情況,從部件的角度構(gòu)建了基于部件的目標(biāo)檢測算法。在對部件模型參數(shù)的訓(xùn)練過程中,由于輸入樣本只對目標(biāo)整體進(jìn)行了標(biāo)注,并沒有對各個部件進(jìn)行標(biāo)注,因此利用了Latent-SVM進(jìn)行訓(xùn)練。為了進(jìn)一步提高算法的魯棒性,在模型參數(shù)訓(xùn)練過程中,首先對樣本進(jìn)行了聚類,根據(jù)聚類的結(jié)果構(gòu)建了多視角混合訓(xùn)練模型,實現(xiàn)了混合多部件的目標(biāo)檢測算法。實驗表明,該算法在物體出現(xiàn)形變、遮擋及姿態(tài)變化時,能夠準(zhǔn)確檢測到目標(biāo)。盡管利用部件的思想,對目標(biāo)進(jìn)行檢測,能夠提升檢測精度,但是增加了模型的復(fù)雜度,檢測速度降低。針對此問題,本文結(jié)合了級聯(lián)檢測的思想,通過利用級聯(lián)檢測,能夠快速的過濾掉圖像中的非目標(biāo)部分,實驗表明,利用級聯(lián)思想在保證檢測精度不下降的情況下,能夠加快算法的運行效率,縮短檢測時間。
[Abstract]:As an important part of image processing, recognition and tracking, target detection has always been a hot topic. Video surveillance, vehicle navigation, target tracking and other fields have a wide range of applications. The traditional methods of target detection are mainly based on feature points. In complex scenes, the detection rate is high and the detection rate is low. This paper focuses on the detection of extended targets, which usually occupy a large position in the field of view, at the same time, there are many problems, such as attitude, scale change and occlusion. However, the traditional detection algorithm based on feature point matching may lead to the failure of feature matching, which will affect the detection rate, and will also affect the subsequent applications, such as target tracking. Therefore, it is important to study a robust and stable target detection algorithm. Aiming at the extended target detection, this paper analyzes in detail the commonly used local feature extraction methods, such as sift hog Harr-like LBP, and analyzes and improves the HOG feature in depth. Aiming at the problem that the HOG feature can not adapt to the change of target scale, the feature pyramid is constructed. The HOG features are scale-invariant. In order to solve the problem that the extracted HOG feature dimension is too many and the computation is large, the principal component analysis (PCA) is used to reduce the feature dimension. The HOG SVM target detection algorithm is realized by using support vector machine (SVM) to train the sample image. The algorithm is prone to miss detection and false detection when the target appears occlusion and larger attitude change. An object detection algorithm based on components is constructed from the point of view of components. In the training process of component model parameters, because the input sample only annotates the whole target, and does not annotate each component, the Latent-SVM is used to train. In order to further improve the robustness of the algorithm, in the process of model parameter training, the samples are first clustered, and the multi-view hybrid training model is constructed according to the result of the clustering, and the target detection algorithm of mixed multi-component is realized. Experiments show that the algorithm can detect the target accurately when the object appears deformation, occlusion and attitude change. Although the detection accuracy can be improved by using the idea of components, the complexity of the model is increased and the detection speed is reduced. Aiming at this problem, this paper combines the idea of cascade detection, by using cascade detection, can quickly filter out the non-target part of the image. The experiment shows that the concatenation method can ensure the detection accuracy does not decrease. It can speed up the efficiency of the algorithm and shorten the detection time.
【學(xué)位授予單位】：中國科學(xué)院大學(xué)(中國科學(xué)院光電技術(shù)研究所)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 于洪波;王國宏;王娜;;基于粒子濾波的擴(kuò)展目標(biāo)檢測前跟蹤算法[J];電光與控制;2010年08期

2 胡文明;關(guān)鍵;何友;;基于視頻積累的距離擴(kuò)展目標(biāo)檢測[J];火控雷達(dá)技術(shù);2006年04期

3 張曉利;黃勇;關(guān)鍵;何友;;基于距離單元選擇的距離擴(kuò)展目標(biāo)檢測器[J];系統(tǒng)工程與電子技術(shù);2012年01期

4 孔剛,張啟衡;復(fù)雜背景下擴(kuò)展目標(biāo)多尺度小波分割策略[J];光電子·激光;2004年02期

5 顧新鋒;簡濤;何友;李炳榮;邱榮劍;;一種基于波形的距離擴(kuò)展目標(biāo)檢測方法[J];海軍航空工程學(xué)院學(xué)報;2008年06期

6 楊忠良;梁永輝;胡浩軍;施建華;任晨綱;于起峰;;擴(kuò)展目標(biāo)幸運成像技術(shù)的理論和實驗研究[J];激光與光電子學(xué)進(jìn)展;2010年05期

7 陳遠(yuǎn)征;趙宏鐘;付強(qiáng);;擴(kuò)展目標(biāo)檢測的陷落損失問題與改進(jìn)方法[J];雷達(dá)科學(xué)與技術(shù);2010年03期

8 陳遠(yuǎn)征;周劍雄;付強(qiáng);;擴(kuò)展目標(biāo)的最優(yōu)二進(jìn)制檢測[J];系統(tǒng)工程與電子技術(shù);2011年01期

9 吳兆平;朱凱然;蘇濤;盧錦;;采用改進(jìn)粒子濾波的雷達(dá)擴(kuò)展目標(biāo)檢測前跟蹤[J];西安電子科技大學(xué)學(xué)報;2011年02期

10 陳建軍;邱偉;黃孟俊;趙宏鐘;付強(qiáng);;基于距離單元篩選的擴(kuò)展目標(biāo)檢測新方法[J];雷達(dá)科學(xué)與技術(shù);2012年03期

相關(guān)會議論文 前4條

1 郭昕;張強(qiáng);;寬頻帶雷達(dá)擴(kuò)展目標(biāo)運動建模[A];第13屆中國系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)年會論文集[C];2011年

2 劉建新;韓宇;向敬成;;距離擴(kuò)展目標(biāo)的二進(jìn)制積累檢測[A];第十屆全國信號處理學(xué)術(shù)年會（CCSP-2001）論文集[C];2001年

3 蔡雷;關(guān)小偉;張世強(qiáng);;擴(kuò)展目標(biāo)光學(xué)特性的理論分析與實驗研究[A];第十屆全國光電技術(shù)學(xué)術(shù)交流會論文集[C];2012年

4 陳遠(yuǎn)征;;復(fù)合高斯雜波下擴(kuò)展目標(biāo)多普勒頻率的MLE及性能分析[A];第十四屆全國信號處理學(xué)術(shù)年會(CCSP-2009)論文集[C];2009年

相關(guān)博士學(xué)位論文 前9條

1 崔雄文;復(fù)雜背景下擴(kuò)展目標(biāo)跟蹤技術(shù)研究[D];中國科學(xué)院研究生院（光電技術(shù)研究所）;2015年

2 張曉偉;基于壓縮感知的寬帶雷達(dá)距離擴(kuò)展目標(biāo)檢測方法研究[D];西安電子科技大學(xué);2014年

3 高彥釗;大拖尾雷達(dá)雜波模型及其背景下的擴(kuò)展目標(biāo)檢測方法研究[D];國防科學(xué)技術(shù)大學(xué);2014年

4 張永權(quán);隨機(jī)有限集擴(kuò)展目標(biāo)跟蹤算法研究[D];西安電子科技大學(xué);2014年

5 陳遠(yuǎn)征;末制導(dǎo)雷達(dá)擴(kuò)展目標(biāo)檢測方法研究[D];國防科學(xué)技術(shù)大學(xué);2009年

6 帥曉飛;距離擴(kuò)展目標(biāo)的檢測算法研究[D];電子科技大學(xué);2011年

7 李軍;擴(kuò)展目標(biāo)的雷達(dá)檢測技術(shù)及其應(yīng)用研究[D];國防科學(xué)技術(shù)大學(xué);2011年

8 鐘權(quán);地空背景下擴(kuò)展目標(biāo)穩(wěn)定跟蹤技術(shù)研究[D];中國科學(xué)院研究生院（光電技術(shù)研究所）;2014年

9 江濤;分布式相對定位技術(shù)的研究[D];中國科學(xué)技術(shù)大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 嚴(yán)超;箱粒子濾波在擴(kuò)展目標(biāo)跟蹤中的應(yīng)用[D];西安電子科技大學(xué);2014年

2 王妮;擴(kuò)展目標(biāo)的高斯混合概率假設(shè)密度濾波算法研究[D];西安工程大學(xué);2015年

3 王雙英;基于高斯混合概率假設(shè)密度濾波器的多擴(kuò)展目標(biāo)跟蹤[D];長安大學(xué);2016年

4 李鵬濤;基于箱粒子濾波的MeMBer擴(kuò)展目標(biāo)跟蹤算法研究[D];西安電子科技大學(xué);2016年

5 李維娟;機(jī)動擴(kuò)展目標(biāo)聯(lián)合跟蹤與分類算法研究[D];西安電子科技大學(xué);2015年

6 衛(wèi)磊;擴(kuò)展目標(biāo)的穩(wěn)定檢測技術(shù)研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院光電技術(shù)研究所);2017年

7 官安全;復(fù)雜背景下擴(kuò)展目標(biāo)亞像素分級跟蹤方法研究[D];電子科技大學(xué);2007年

8 劉風(fēng)梅;多擴(kuò)展目標(biāo)跟蹤量測集劃分方法研究[D];江南大學(xué);2015年

9 李娟;距離擴(kuò)展目標(biāo)檢測與參數(shù)估計方法研究[D];湖南大學(xué);2009年

10 聶丹;頻率步進(jìn)雷達(dá)運動擴(kuò)展目標(biāo)速度估計與距離像抽取研究[D];國防科學(xué)技術(shù)大學(xué);2008年

，

本文編號：1862533