基于ELDA集成的多實(shí)例目標(biāo)檢測模型.pdf

1、目標(biāo)檢測是從靜態(tài)圖像或者動(dòng)態(tài)視頻中提取出底層的圖像特征并進(jìn)行編碼組合后，通過機(jī)器學(xué)習(xí)的方法，得到對(duì)原始圖像或者視頻的目標(biāo)檢測結(jié)果。作為從淺層圖像處理
　　到深層圖像理解之間的關(guān)鍵環(huán)節(jié)，目標(biāo)檢測技術(shù)已經(jīng)發(fā)展成為計(jì)算機(jī)智能領(lǐng)域的一個(gè)重要研究方向，并被廣泛應(yīng)用到人們生產(chǎn)生活的方方面面。比如，工業(yè)生產(chǎn)領(lǐng)域里基于機(jī)器視覺的裝配機(jī)器人、軍事應(yīng)用領(lǐng)域里的遙感航拍圖像處理、智能交通領(lǐng)域的監(jiān)控錄像設(shè)備以及生活?yuàn)蕵奉I(lǐng)域的指紋解碼、相機(jī)自動(dòng)對(duì)焦等等。這

2、些目標(biāo)檢測技術(shù)的應(yīng)用不僅為現(xiàn)代化經(jīng)濟(jì)、國防、科技的發(fā)展奠定了基礎(chǔ)，也在很大程度上提高了人們的生活質(zhì)量。目前，目標(biāo)檢測技術(shù)還有很大的進(jìn)步空間，比如如何在不影響檢測效果的同時(shí)降低機(jī)器學(xué)習(xí)階段的訓(xùn)練成本、如何豐富目標(biāo)檢測結(jié)果的可視化表達(dá)以及如何提高在非平衡數(shù)據(jù)下目標(biāo)學(xué)習(xí)和檢測的效果等問題。
　　針對(duì)以上目標(biāo)檢測技術(shù)中遇到的問題，本文基于ESVM集成模型（Ensemble of Exemplar-SVMs）以及 ELDA（Exemplar

3、-LDA）目標(biāo)檢測模型，融合多實(shí)例學(xué)習(xí)機(jī)制（Multiple Instance Learning），提出了基于ELDA集成的多實(shí)例目標(biāo)檢測模型，并獲得了較好的檢測性能。本文模型首先針對(duì)各個(gè)范例（exemplar）中提取的HOG（Histogram of Oriented Gradient）特征，用較少的訓(xùn)練成本得到各個(gè)范例對(duì)應(yīng)的獨(dú)一無二的單范例LDA（Linear Discriminant Analysis）分類器。根據(jù)驗(yàn)證集圖像上的檢

4、測結(jié)果，構(gòu)建關(guān)聯(lián)矩陣和共生矩陣對(duì)單范例分類器進(jìn)行集成，以調(diào)節(jié)檢測窗口的打分。接著，本文模型在驗(yàn)證集圖像和負(fù)樣本集圖像的檢測結(jié)果上構(gòu)建第二層正、負(fù)樣本包，運(yùn)用多實(shí)例學(xué)習(xí)算法進(jìn)行訓(xùn)練，準(zhǔn)確找到樣本包中每一個(gè)樣本的正、負(fù)標(biāo)簽，構(gòu)建出單類別mi-SVM分類器。運(yùn)用單類別分類器對(duì)集成的單范例分類器在測試集上的檢測結(jié)果進(jìn)行過濾，進(jìn)一步提高目標(biāo)檢測的準(zhǔn)確率，降低誤檢率。更重要的是，模型可以直接在檢測結(jié)果上做元數(shù)據(jù)（分割效果、幾何形狀等）替換，進(jìn)而表達(dá)

5、出更準(zhǔn)確更豐富的目標(biāo)屬性。
　　本文提出的基于ELDA集成的多實(shí)例目標(biāo)檢測模型，以MATLAB和C++混合編程實(shí)現(xiàn)，對(duì)PASCAL VOC2007數(shù)據(jù)庫上的火車、小汽車、沙發(fā)三類物體做了目標(biāo)檢測和性能分析實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，相較于原始的ESVM集成模型，本文提出的模型在火車、小汽車、沙發(fā)上的平均準(zhǔn)確率分別提高了7.6%、26.4%和25.2%，降低了單范例分類器訓(xùn)練過程中負(fù)樣本挖掘的訓(xùn)練成本，同時(shí)也豐富了范例對(duì)檢測結(jié)果的智能化表達(dá)