基于模型设计和插值的多视角物体检测技术

论文摘要

运动物体检测是近年来图像处理和计算机视觉领域一个十分活跃的分支和备受关注的前沿课题。该领域的研究有着广泛的应用价值,如应用于智能安全监控、人机接口、人体运动细节分析等方面。本文在总结和分析了国内外相关研究工作的基础上,针对运动物体检测中的多视角物体检测问题展开研究,在模型设计和模型插值的基础上,设计出一种简单有效的多视角物体检测方法,大大提高了其检测性能。首先,本文将人工干预引入到机器学习过程中,由人手动设计物体在各个视角上的模型并用于检测。为了使设计出的模型更加合理,在设计过程中设计者可以根据现有的图像和自己对这类物体外观的理解来对模型进行调整。这是一个手动设计分类器的过程,很好地避免了分类器对所选样本数据的依赖性。给定一组多个视角上的样本图像,我们选择几个主要视角上的图像作为训练样本,针对每个视角分别手动设计出一个分类器。然后,由设计好的几个主要视角上的分类器来插值得出中间角度的分类器。我们假设每个模型特征基的权重和位置都可以看作是关于视角角度的方程,因此插值过程是在模型特征基的权重和位置上进行的。最后,我们将设计得到的分类器和插值得出的分类器相组合,运用Boosting策略构造出一个强分类器用于多视角的物体检测。本文分别在行人和汽车两组数据集上对设计和插值出的单个视角的分类器和组合后的多视角分类器进行了检测实验,并将它们的检测结果与对应的由学习方法得到的分类器的检测结果进行了比较。结果显示,设计和插值得出的分类器的检测性能都与学习得到的分类器的检测性能相似。同时,将设计和插值得出的多个视角上的分类器组合后,分类器的整体性能大大提高了,这也进一步验证了我们的设计方法和插值方法的有效性。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题研究背景
• 1.2 国内外研究现状
• 1.3 论文主要研究工作及内容安排
• 1.4 论文主要创新点
• 2 背景知识及相关研究
• 2.1 引言
• 2.2 运动物体检测与背景建模
• 2.2.1 光流法
• 2.2.2 帧间差分法
• 2.2.3 背景减除法
• 2.2.4 背景建模
• 2.3 摄像机定标
• 2.4 模板匹配
• 2.5 Haar特征
• 2.5.1 什么是Haar特征
• 2.5.2 积分图的表示及计算
• 2.6 Boosting策略
• 2.6.1 Boosting策略的基本思想
• 2.6.2 Adaboost算法原理
• 3 基于Active Basis模型的物体检测技术
• 3.1 引言
• 3.2 Active Basis建模方法
• 3.2.1 Gabor滤波器
• 3.2.2 Active Basis建模的基本原理
• 3.3 物体检测方法介绍
• 3.3.1 改进的Active Haar特征
• 3.3.2 基于改进后的Active Basis模型的物体检测方法
• 4 基于模型设计和插值的多视角物体检测方法及实验
• 4.1 样本选取
• 4.2 方法描述
• 4.2.1 模型设计方法
• 4.2.2 模型插值方法
• 4.3 多视角物体检测实验结果
• 5 总结及展望
• 5.1 本文在多视角物体检测方面所做的一些工作
• 5.2 对今后研究工作的展望
• 参考文献
• 致谢
• 个人简历
• 攻读硕士期间发表的论文与研究成果