基于SVM和RPCA的目标检测算法若干研究

发布时间：2024-01-23 19:44

　　目标检测是计算机视觉研究领域中一个重要的研究方向,是其他高级视觉任务的的必备前提,基于支持向量机(SVM,Support Vector Machine)的目标检测算法是目前机器学习的主流算法,而鲁棒主成分分析(RPCA,Robust Principal Component Analysis)可以一定程度上去除待检测图像中的噪声污染,对提高目标检测的检测率有很好的帮助,本文将支持向量机分别加入显著性和卷积神经网络进行目标检测,并将鲁棒主成分分析和混合高斯模型相结合得到运动目标检测的新算法,一定程度上解决了目标检测算法研究面临的鲁棒性不高、计算量较大的问题。主要研究工作如下:(1)提出了基于显著性分析的可变形部件SVM目标检测(DPM,Deformable Part Model)算法。在可变形部件SVM目标检测模型的基础上,加入显著性检测模型,使用基于全局对比度的显著性分析方法生成显著特征图,再用可变形部件SVM模型对显著特征图进行检测目标。实验表明,该算法降低计算量,检测时间减少,检测率有所提高。(2)提出了基于支持向量机的卷积神经网络行人检测算法。在对目标图像建立多尺度图像子块的基础上...

【文章页数】：50 页

【学位级别】：硕士

图2.1线性可分支持向量机则样本为(,)

图2.2卷积图2.2为举例，为55的特征图输入卷积层，卷积核为22，步长为1的卷积过程

图2.3从左到右，分别是Sigmoid函数、Tanh函数、ReLU函数

图3.1显著性检测效果图

本文编号：3883255