資源描述：
《基于部件的非剛性目標(biāo)檢測方法研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、萬方數(shù)據(jù)學(xué)校代號：10532學(xué)號：B091000020密級：湖南大學(xué)博士學(xué)位論文基于部件的非剛性目標(biāo)檢測方法研究詮窒筌避旦塑；2Q!壘生12旦Q至旦萬方數(shù)據(jù)TheResearchonPart—·basedMethodsforNon·-rigidObjectDetectionbyCHENYaodongB．E．(HunanUniversityofScienceandTechnology)2000M．S．(NationalUniversityofDefenseTechnology)2004Adissertation
2、submittedinpartialsatisfactionoftheRequirementsforthedegreeofDoctorofEngineeringComputerApplicationTechnologyintheGraduateSchoolofHunanUniversitySupervisorProfessorLIRenfa萬方數(shù)據(jù)湖南大學(xué)學(xué)位論文原創(chuàng)性聲明本人鄭重聲明：所呈交的論文是本人在導(dǎo)師的指導(dǎo)下獨立進行研究所取得的研究成果。除了文中特別加以標(biāo)注引用的內(nèi)容外，本論文不包含任何其他個人或集
3、體已經(jīng)發(fā)表或撰寫的成果作品。對本文的研究做出重要貢獻的個人和集體，均已在文中以明確方式標(biāo)明。本人完全意識到本聲明的法律后果由本人承擔(dān)。作者簽名：誦、撇、El期：劫氓年I≯月口)，日學(xué)位論文版權(quán)使用授權(quán)書本學(xué)位論文作者完全了解學(xué)校有關(guān)保留、使用學(xué)位論文的規(guī)定，同意學(xué)校保留并向國家有關(guān)部門或機構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。本人授權(quán)湖南大學(xué)可以將本學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存和匯編本學(xué)位論文。本學(xué)位論文屬于1、保密口，在年解密后適用本授權(quán)
4、書。2、不保密團。(請在以上相應(yīng)方框內(nèi)打“／”)作者簽名：了巧?？陶希疘翼日期：知，v年，≯月p≥日導(dǎo)師簽名：夕知么．日期：沙f≯年，L月陟日萬方數(shù)據(jù)基于部件的非剛性目標(biāo)檢測方法研究摘要目標(biāo)檢測不僅是目標(biāo)識別的經(jīng)典問題，同時還是許多其它視覺任務(wù)的基礎(chǔ)。對目標(biāo)模型和檢測算法的研究體現(xiàn)并且推動了目標(biāo)識別領(lǐng)域的整體發(fā)展水平。在檢測對象中，非剛性目標(biāo)(如動物、人體等)相對其它目標(biāo)類別的檢測難度更大，主要體現(xiàn)在類內(nèi)外觀差異大、特征學(xué)習(xí)的噪聲干擾、局部形變等。近年來提出的部件模型為描述目標(biāo)類別提供了一種有效的方法，特別是
5、針對非剛性目標(biāo)。該方法將一個目標(biāo)描述為多個部件的組合，部件之間基于彈性關(guān)聯(lián)，從而使得整體目標(biāo)的檢測問題被分而治之。本文概述了當(dāng)前主流的部件化方法與模型，分析了它們在解決目標(biāo)檢測問題上的關(guān)鍵思想與技術(shù)，歸納出部件化檢測模型的明確定義以及作為部件的重要條件。以此為基礎(chǔ)，本文著眼于非剛性目標(biāo)的檢測問題提出了一系列部件化方法和模型以提高識別精度。具體研究路線為：(1)應(yīng)用部件化思想解決傳統(tǒng)檢測方法的弊病，(2)通過分析現(xiàn)有部件化方法的不足從不同角度提出改進方案。本文的所有實驗基于標(biāo)準(zhǔn)化數(shù)據(jù)集，評估對象參照當(dāng)前最新的檢
6、測方法，實驗結(jié)果驗證了本文所提方法與模型的有效性，并且給出大量具有參考價值的結(jié)論。本文的主要工作及貢獻如下：1．針對概率投票模型誤檢率偏高的問題提出了一種基于部件的判別投票方法。概率投票模型是實現(xiàn)非剛性目標(biāo)的檢測以及輪廓識別的重要方法，該類模型的兩個缺陷易形成誤檢：一是投票元素集(即碼本)的學(xué)習(xí)策略過于簡單，易受噪聲影響；二是各元素獨立投票的可靠性較差。為此，本文提出了一種基于部件的判別投票方法，該方法將概率投票轉(zhuǎn)換為線性判別計算，通過統(tǒng)計學(xué)習(xí)理論優(yōu)化投票元素的權(quán)重，從而提高碼本學(xué)習(xí)的效率。另一方面，該方法通
7、過部件化碼本將特征的全局獨立投票轉(zhuǎn)換為局部一致化投票，從而避免獨立投票的不穩(wěn)定性和噪聲干擾。2．針對弱監(jiān)督環(huán)境下的特征學(xué)習(xí)問題，提出了一種自適應(yīng)的部件學(xué)習(xí)方法。在弱監(jiān)督環(huán)境下，部件模型采用啟發(fā)式搜索策略自動獲得判別化部件，但無法度量部件與目標(biāo)類別是否真正相關(guān)。本文提出了一種自適應(yīng)的部件學(xué)習(xí)方法，該方法融合多類圖像線索改進原有搜索策略，使其在選取判別化部件同時盡可能保證該部件與目標(biāo)具有語義相關(guān)性。該方法的關(guān)鍵思想是計算每個候選窗口的顏色、紋理和邊緣在分布上的一致化程度，一致化分布較高的候選窗口對應(yīng)的相關(guān)性更強。
8、本文構(gòu)建兩種學(xué)習(xí)策略：一是將自適應(yīng)方法作為原有部件搜索的后處理模塊；二是構(gòu)建基于形狀的部件模型，直接整合部件搜索與定位?？紤]到當(dāng)前部件學(xué)習(xí)方法在每個訓(xùn)練樣本中是“強制”選取所有部件，當(dāng)樣Il萬方數(shù)據(jù)博士學(xué)位論文本不完整或存在部分遮擋時選取的部件實為噪聲，因此本文還提出一種簡單有效的部件剪枝策略，以樣本的分類得分作為過濾偽正樣本的依據(jù)，該方法能有效地降低訓(xùn)練過程中噪聲部件的比例，加速學(xué)習(xí)收斂速度。3．
