基于范例集成的目标检测模型研究

发布时间：2017-03-21 03:11

  本文关键词：基于范例集成的目标检测模型研究，由笔耕文化传播整理发布。

【摘要】：目标检测作为从底层图像处理到上层图像理解之间的关键步骤,已成为计算机视觉和模式识别的一个非常重要的研究方向。其目的在于从静态图片或者动态视频中检测并且定位所指定类型的目标物体,且已被广泛应用于许许多多重要的行业领域,例如公共安全监控、交通道路系统以及智能导航等。但目前的目标检测技术在性能上还有很大的提高空间,譬如如何提高检测的准确率、增强检测的鲁棒性和智能化效果等。随着这些性能问题地不断完善,在普遍智能化、信息化、自动化发展的今天,目标检测技术将能更为成熟地应用到整个人类的生产和生活中,帮助改善人类的生产、生活质量。本文深入研究了基于范例(Exemplar)集成的目标检测方法,结合非平衡学习理论,提出了改进后的多实例学习(Multiple Instance Learning)框架,实现了最终的目标检测模型,在结果上取得了较好的目标检测效果。首先基于范例集成方法,在大规模的样本中选定目标类别进行数据标定,提取目标的梯度直方图(HOG)特征,通过深度挖掘有效负样本的训练过程,为每一个单独的范例训练相应的线性SVM分类器——单范例分类器。同时,基于单范例分类器在验证集中的检测结果构建关联矩阵及共存矩阵,以集成这些单范例分类器。其次,为了进一步抑制检测模型对负样本的响应,本文融合了改进后的多实例学习框架训练生成单类分类器,利用非平衡学习的手段大幅降低了目标误检率。除此之外,对于所需检测的目标类别做了更细化的设定,同时在检测结果上,提供了伪3D效果的显示方式,以判断被检测目标的形态和方向性等信息,以此提高目标检测的智能化效果。本文模型建立使用Matlab和C++混合编程以提高效率,使用Pascal VOC2007作为实验数据库,主要挑选数据库中的小型车、自行车、马作为研究目标,通过调节各环节参数,从实验结果中可以看出,相比原始的范例集成模型,本文所提出的目标检测模型就平均准确率而言,针对小型车、自行车和马三个类别分别提高了21.4%、18.1%和26.0%,表现出了更好的检测性能。
【关键词】：目标检测 范例集成 梯度直方图 负样本挖掘 共存矩阵 多实例学习
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要3-5
• ABSTRACT5-12
• 第1章 引言12-16
• 1.1 目标检测研究的背景与意义12-14
• 1.2 本文主要工作与成果概述14-15
• 1.3 章节安排15-16
• 第2章 目标检测算法综述及方法介绍16-32
• 2.1 目标检测领域难点16-18
• 2.2 目标检测研究现状18-20
• 2.3 目标检测关键环节20-29
• 2.3.1 图像特征提取21-25
• 2.3.2 机器学习方法25-29
• 2.4 非平衡学习研究29-31
• 2.5 本章小结31-32
• 第3章 范例(EXEMPLAR)集成的目标检测基础模型实现32-53
• 3.1 范例集成模型背景33
• 3.2 范例集成基础框架实现33-48
• 3.2.1 数据标定34-36
• 3.2.2 特征提取36-41
• 3.2.3 分类器训练41-45
• 3.2.4 验证集校正45-47
• 3.2.5 测试集检测47-48
• 3.3 范例集成基础模型的目标检测结果与分析48-52
• 3.4 本章小结52-53
• 第4章 融合多实例学习实现模型改进53-65
• 4.1 多实例学习背景53-54
• 4.2 多实例学习算法框架实现54-62
• 4.2.1 训练数据55-57
• 4.2.2 训练过程57-61
• 4.2.3 检测过滤61-62
• 4.3 改进模型后的实验结果与分析62-64
• 4.4 本章小结64-65
• 第5章 本文目标检测模型性能分析65-74
• 5.1 实验环境及参数设定65-66
• 5.2 检测性能结果对比与分析66-73
• 5.3 本章小结73-74
• 第6章 总结与展望74-77
• 6.1 本文总结74-76
• 6.2 未来研究工作和展望76-77
• 参考文献77-81
• 致谢81-82
• 攻读硕士学位期间已发表或录用的论文82-84

【相似文献】

中国期刊全文数据库 前10条

1 杨清;;电网异常检测模型方法设计[J];电测与仪表;2009年S2期

2 纪祥敏;陈秋妹;景林;;面向下一代互联网的异常检测模型研究[J];福建电脑;2013年01期

3 崔艳娜;;一种网络流量异常检测模型[J];计算机与现代化;2013年08期

4 涂旭平;金海;何丽莉;杨志玲;陶智飞;;一种新的网络异常流量检测模型[J];计算机科学;2005年08期

5 吕洪柱;张建平;邓文新;;基于数据挖掘技术的异常检测模型设计[J];高师理科学刊;2007年06期

6 马琳;苏一丹;莫锦萍;;协同推荐系统检测模型的一种优化方法[J];微计算机信息;2010年03期

7 杨清;;基于模糊序列电网异常检测建模方法与研究[J];山西电子技术;2009年05期

8 李雪琴;;基于模糊C均值的异常流量检测模型[J];赣南师范学院学报;2009年06期

9 唐彰国;李焕洲;钟明全;张健;;改进的进程行为检测模型及实现[J];计算机应用;2010年01期

10 申利民;李峰;孙鹏飞;牛景春;;开放企业计算环境下基于信任的行为检测模型[J];计算机集成制造系统;2013年01期

中国重要会议论文全文数据库 前7条

1 刘俊荣;王文槿;刘宝旭;;一种基于网络行为分析的木马检测模型[A];第十六届全国核电子学与核探测技术学术年会论文集（下册）[C];2012年

2 马文忠;郭江艳;陈科成;杨珊;王艳丽;;基于神经网络的供热燃烧系统检测模型的研究[A];2011中国电工技术学会学术年会论文集[C];2011年

3 张广军;贺俊吉;;基于圆结构光的内表面三维视觉检测模型[A];中国仪器仪表学会学术论文集[C];2004年

4 王建平;张自立;魏华;;战术空域冲突检测模型研究[A];Proceedings of 14th Chinese Conference on System Simulation Technology & Application(CCSSTA’2012)[C];2012年

5 武照东;刘英凯;刘春;吴秀峰;;Overlay网络的链路故障检测模型[A];2008通信理论与技术新发展——第十三届全国青年通信学术会议论文集（下）[C];2008年

6 李京鹏;杨林;刘世栋;;防火墙状态检测模型研究[A];第十八次全国计算机安全学术交流会论文集[C];2003年

7 周双娥;熊国平;;基于Petri网的故障检测模型的设计与分析[A];第六届中国测试学术会议论文集[C];2010年

中国博士学位论文全文数据库 前4条

1 赵静;网络协议异常检测模型的研究与应用[D];北京交通大学;2010年

2 赵斌;基于图模型的微博数据分析与管理[D];华东师范大学;2012年

3 牛清宁;基于信息融合的疲劳驾驶检测方法研究[D];吉林大学;2014年

4 刘鹏飞;铝合金点焊质量的逆过程检测方法研究[D];天津大学;2008年

中国硕士学位论文全文数据库 前10条

1 朱远文;前端启发式渗透检测模型研究[D];天津理工大学;2015年

2 刘娇;基于高光谱技术的不同品种猪肉品质检测模型传递方法研究[D];华中农业大学;2015年

3 轩照光;ITS系统防碰撞技术研究[D];电子科技大学;2015年

4 祝e，

本文编号：258940