基于候選生成的貓臉檢測.pdf

1、在目標(biāo)識別領(lǐng)域，人們已經(jīng)取得了不錯的成果，目標(biāo)識別技術(shù)已應(yīng)用到各行各業(yè)都可以看到它的應(yīng)用，比如在生物領(lǐng)域,軍事領(lǐng)域，農(nóng)業(yè)領(lǐng)域等。隨著研究的深入，人們開始將注意力轉(zhuǎn)移到動物的檢測上。受人臉檢測成功的啟發(fā)，考慮將人臉檢測的技術(shù)應(yīng)用到動物檢測上，本文開展了對貓臉進(jìn)行識別的工作。
　　本文采取有粗到精的思想對貓臉進(jìn)行檢測，工作分為兩步，第一步是粗檢測，獲得最有可能包含貓臉的候選區(qū)域，第二部分是對第一步的基礎(chǔ)上應(yīng)用可變形模板對貓臉進(jìn)行精檢測

2、，得到最終結(jié)果。
　　第一個工作充分利用了貓所具有的豐富的顏色和紋理信息。顏色特征是一種比較常見的圖像底層特征，而且貓具有豐富的顏色信息。為了使得objectness方法生成的候選邊界框更加針對貓，本文將圖像轉(zhuǎn)換到HSV顏色空間后，應(yīng)用高斯混模型對顏色空間進(jìn)行分割，從實(shí)驗(yàn)中可以看到貓的大致區(qū)域能夠被分割出來。獲得分割的結(jié)果之后，在其上應(yīng)用objectness方法來產(chǎn)生候選矩形，由于加入了顏色的先驗(yàn)信息，使得選用少量的矩形框就能夠比

3、較好地標(biāo)定貓所在的區(qū)域。
　　紋理特征是一種比較常見的圖像特征，LBP特征是描述紋理最有效的特征之一。在貓臉識別中，為了提取豐富的紋理信息，同時獲得特征的局部信息，本文在提取的LBP特征上應(yīng)用空間金字塔SPM，獲得特征的空間幾何信息。而為了更好地捕捉圖像不同空間區(qū)域之間的紋理變化，本文將Haar-like思想應(yīng)用到SPM中，提取空間區(qū)域之間的一階信息來反映區(qū)域間的紋理的變化。在基于Microsoft Cat Dataset進(jìn)行處理

4、所得到的貓臉數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果驗(yàn)證了所提出方法的有效性。在該數(shù)據(jù)集上提取完特征之后，我們訓(xùn)練Adaboost級聯(lián)分類器，進(jìn)而獲得貓臉的候選區(qū)域，從實(shí)驗(yàn)中可以看出，我們能夠得到較為準(zhǔn)確的候選區(qū)域。
　　結(jié)合第一步的兩個工作的結(jié)果，我們獲得了關(guān)于貓臉的粗檢測區(qū)域。在第二步中，為了能夠在候選區(qū)域上精確地檢測出貓臉，本文訓(xùn)練得到貓臉的可變形部件模型，在得到的包含貓臉的候選矩形上，應(yīng)用DPM進(jìn)行檢測。實(shí)驗(yàn)證明這種基于區(qū)域的檢測要好于整幅圖像