论文部分内容阅读
复杂背景下的目标检测是计算机视觉领域的核心问题之一,其主要任务是识别和定位图像中的目标。本文针对复杂背景下的目标检测提出结合显著性和模板匹配的算法。首先对图像做显著性预处理,然后在显著性区域内实现目标检测,最后对基于显著性和模板匹配的目标检测算法做实验分析。
在显著性预处理过程中,首先提取图像的超像素特征向量,通过随机森林分类得到包含前景、背景和未知区域的初始显著性三元图,在三元图中完成显著性检测;然后根据本文提出的组合多种传统低维颜色特征的高维颜色特征概念,实现基于全局的显著性检测,还采取了基于相邻超像素特征的局部显著性检测算法。最后对两种显著性检测结果迭代优化组合,实现最佳显著性区域检测效果。
本文提出一种基于形状特征的模板匹配算法在显著性区域中实现目标检测。首先采用新的形状描述子表征目标的轮廓形状,以此可以进行模板图像和待测图像之间的匹配;然后应用动态时间规整的匹配算法和深度优先的搜索策略得到目标检测的候选假设;最后进行假设验证,实现复杂背景下的目标检测。
算法的实验分析包括显著性区域检测实验、最终的目标检测实验、显著性预处理和形状描述子的性能分析。在MSRA-B、ECSSD和PASCAL-S数据集中进行显著性检测实验,自适应阈值的算法检测准确率可以达到89.5%,比常见的GC和RBD模型都有明显提升,在保证检测率的同时,平均检测时间比DRFI模型减少79.5%;在ETHZ、INRIAHorse和Caltech101数据集中进行最终的目标检测实验,每张图像的平均误检率为0.3时,算法的平均检测率可达到98.4%;平均误检率为0.4时,检测率可以达到99.7%。与其他基于形状的目标算法相比均表现优异。最后在ETHZ数据集中对比分析是否应该进行显著性预处理的实验,证明显著性预处理的步骤是必要且有效的;同时在两个形状数据集MPEG-7和Kimias中对形状描述子做实验分析,对比常见的形状特征算法,该形状描述子在图像检索中的匹配得分和检索数目都具有最优表现。
在显著性预处理过程中,首先提取图像的超像素特征向量,通过随机森林分类得到包含前景、背景和未知区域的初始显著性三元图,在三元图中完成显著性检测;然后根据本文提出的组合多种传统低维颜色特征的高维颜色特征概念,实现基于全局的显著性检测,还采取了基于相邻超像素特征的局部显著性检测算法。最后对两种显著性检测结果迭代优化组合,实现最佳显著性区域检测效果。
本文提出一种基于形状特征的模板匹配算法在显著性区域中实现目标检测。首先采用新的形状描述子表征目标的轮廓形状,以此可以进行模板图像和待测图像之间的匹配;然后应用动态时间规整的匹配算法和深度优先的搜索策略得到目标检测的候选假设;最后进行假设验证,实现复杂背景下的目标检测。
算法的实验分析包括显著性区域检测实验、最终的目标检测实验、显著性预处理和形状描述子的性能分析。在MSRA-B、ECSSD和PASCAL-S数据集中进行显著性检测实验,自适应阈值的算法检测准确率可以达到89.5%,比常见的GC和RBD模型都有明显提升,在保证检测率的同时,平均检测时间比DRFI模型减少79.5%;在ETHZ、INRIAHorse和Caltech101数据集中进行最终的目标检测实验,每张图像的平均误检率为0.3时,算法的平均检测率可达到98.4%;平均误检率为0.4时,检测率可以达到99.7%。与其他基于形状的目标算法相比均表现优异。最后在ETHZ数据集中对比分析是否应该进行显著性预处理的实验,证明显著性预处理的步骤是必要且有效的;同时在两个形状数据集MPEG-7和Kimias中对形状描述子做实验分析,对比常见的形状特征算法,该形状描述子在图像检索中的匹配得分和检索数目都具有最优表现。