基于簡單局部特征學習的物體檢測方法.pdf

1、本文研究的物體檢測是計算機視覺領域一個非常具有挑戰(zhàn)性的課題，即從真實世界的圖像中識別某類物體并在混亂的圖像背景上定位該物體。這是人眼視覺系統(tǒng)的核心能力之一，但計算機視覺系統(tǒng)目前還遠未達到接近該層級的效果。該課題的主要難點在于尋找一種有效的物體表示方式，一方面必須容忍同類物體不同個體之間的類內(nèi)變化，另一方面又能夠區(qū)分不同類別物體的類問變化，同時還需要魯棒的處理混亂背景、光照變化以及部分遮擋等問題。
　　 本文回顧了物體檢測方法的研

2、究現(xiàn)狀，分析和總結了常用的物體模型和特征，從簡單局部特征和基于特征的學習算法兩個層面，研究了如何構建準確的、魯棒的物體模型。主要的研究成果和創(chuàng)新點有如下兩個方面：
　　 在特征層面，本文提出了一種基于表形的局部特征--分散矩形特征，和一種基于形狀的局部特征--霍夫變換線段(組)。
　　 分散矩形特征是類Haar特征的一種變體。和類Haar特征一樣，它也是一種基于矩形模板的簡單特征，但模板內(nèi)的矩形不需要在水平或垂直方向上相

3、鄰對齊，因而不僅能夠表示任意的方位信息，而且在幾何關系上能夠表示錯切、分離和重疊的形狀信息，使得分散矩形特征能夠更加靈活的表示物體部分，具有更好的表示能力。同時，可以利用積分圖，在常數(shù)時間內(nèi)計算圖像窗口上任意位置任意尺寸的分散矩形特征值，解決了由于缺少相鄰對齊約束后帶來的大量特征的計算量問題。另外，采用構造方法，嚴格的證明了任意一個非退化的分散矩形特征與滿足一定幾何約束關系的多個類Haar特征之間的等價性。該等價性說明一個非退化的分散矩

4、形特征所包含的物體部分的信息等效于多個類Haar特征所包含的信息的綜合，因此該特征更加魯棒。在MIT和CMU人臉測試集上的對比實驗結果顯示，基于分散矩形特征的分類器性能優(yōu)于類Haar特征分類器。
　　 霍夫變換線段(組)是受線條畫啟發(fā)而提出的一種簡單的形狀特征。該特征不是由其兩個端點表示，而是通過其法向與橫軸的夾角角度、到坐標原點的垂直距離、線段中心到垂線的距離以及線段長度所組成的四元組表示。該四元組表示形式不僅能夠唯一的確定任

5、意線段，而且能夠很方便的處理縮放、旋轉和平移變換。給定以物體中心為原點的局部坐標系，霍夫變換線段與物體中心之間的幾何關系被隱含于四元組中，成為一個緊湊的隱式形狀模型，后者在物體檢測研究中已經(jīng)被證明為一個有效的模型。相連的霍夫變換線段構成霍夫變換線段組，通過引入線段之間的局部幾何信息進一步增強特征的區(qū)分能力。霍夫變換線段(組)之間的相似度由四元組表示空間中的一個加權歐氏距離衡量。通過調(diào)整四元組元素相應的權重，該距離能較好的容忍不可靠的邊緣

6、檢測所引起的噪音問題，從而能夠用來從訓練樣本中選取有區(qū)分能力的霍夫變換線段組，建立該類別物體碼表。通過形狀匹配實現(xiàn)的物體檢測實驗表明形狀確實是定義物體類別的重要特征，也能勝任物體檢測任務。
　　 在學習算法層面，本文提出了一種AdaBoost算法變體--雙閾值AdaBoost算法。該變體與原來的算法使用同樣的框架，但使用了具有兩個閾值的弱假設，其核心思想是選擇分類性能更好的弱假設可以使學習到的強假設更加魯棒和高效。雙閾值弱假設在

7、不退化為單閾值弱假設的情況下，通過對樣本在特征值空間更為精細的劃分，確保分類錯誤比單閾值弱假設更小。為了快速確定兩個閾值的最優(yōu)值，本文相應的提出了一個雙閾值弱學習算法。該弱學習算法將確定閾值問題轉換為尋找最大和連續(xù)子序列問題，后者可以采用線性的動態(tài)規(guī)劃算法解決。對類Haar特征和分散矩形特征的學習結果表明，在同樣的訓練性能要求下，該變體收斂速度更快，生成的檢測器具有更少的層次，使用更少的特征。在MIT和CMU人臉測試集上的檢測實驗結果顯