基于中层语义特征表达的物体检测方法研究

《基于中层语义特征表达的物体检测方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中文图书分类号：TP181密级：公开UDC：621.3学校代码：10005硕士学位论文MASTERALDISSERTATION论文题目：基于中层语义特征表达的物体检测方法研究论文作者：陈浩学科：控制科学与工程指导教师：杨金福副教授论文提交日期:2016年6月UDC：621.3学校代码：10005中文图书分类号：TP181学号：S201302164密级：公开北京工业大学工学硕士学位论文题目:基于中层语义特征表达的物体检测方法研究英文题目:ObjectDetectionBasedonMid-levelF

2、eatures论文作者：陈浩学科：控制科学与工程研究方向：模式识别与智能系统申请学位：工学硕士指导教师：杨金福副教授所在单位：电子信息与控制工程学院答辩日期：2016年6月授予学位单位：北京工业大学独创性声明本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得北京工业大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说

3、明并表示了谢意。签名：陈浩日期：2016年6月6日关于论文使用授权的说明本人完全了解北京工业大学有关保留、使用学位论文的规定，即：学校有权保留送交论文的复印件，允许论文被查阅和借阅；学校可以公布论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。（保密的论文在解密后应遵守此规定）签名：陈浩日期：2016年6月6日导师签名：杨金福日期：2016年6月6日摘要摘要物体检测是计算机视觉的一个核心研究问题，在机器人的视觉环境感知、人脸识别、行人检测、智能视频分析、图像检索等领域有着广泛的应用。由

4、于图像采集过程存在光照条件变化、视角变化、尺度变化、物体自身的非刚性变形、局部遮挡以及背景复杂等因素，使得物体的外观特征产生较大的变化，给物体检测算法带来了极大的挑战性。特征提取与表达是物体检测的关键步骤。尽管底层特征表达在视觉检测问题上已取得了较大成功，然而越来越多的研究人员指出，仅用底层特征的传统方法并不能对图像进行充分表达。针对底层特征通常只保留图像级别信息而不包含高层语义属性的问题，有研究者提出了结构化图像描述的中层特征表达方法，并迅速成为图像识别领域的研究热点。由于中层特征包含了高层的语义

5、属性，具有更好的推广能力，因此，相比于底层特征的方法，在识别任务上能够取得更好的识别性能。虽然基于中层特征的识别方法取得了较大成功，但是如何更加有效地提取中层特征，获得高层语义属性表达仍然是一个具有挑战的问题。本文针对机器人视觉环境感知过程的物体检测问题，研究中层特征的提取与表达方法，以提高物体检测方法的性能，主要研究内容包括：(1)提出了一种基于视觉注意机制的ESVM物体检测方法。为了提高物体检测算法的效率，采用由粗到精的分级检测策略。首先，在粗检测阶段，受生物视觉系统启发，借鉴视觉注意的思想，在

6、提取中层图像块的基础上，采用梯度范数进行中层特征表达，进而利用支撑向量机(SVM)对图像的前景和背景进行区分，得到物体的粗检测结果；然后，在粗检测的基础上，采用范例-支撑向量机(ExemplarSVM,ESVM)方法进行进一步的精检测，得到最终的结果。在多个数据集上的实验结果表明，所提出的方法能够在保证算法效率的同时，取得了优于其他流行方法的准确率。(2)提出了一种基于边缘结构相似度RCNN的物体检测方法。首先，利用融合边缘结构相似度的区域合并方法，改进选择性搜索中的合并策略，实现对图像候选区域的有

7、效提取；然后，将提取到的图像候选区域作为卷积神经网络的输入，进行特征提取；最后，利用SVM分类器进行特征分类与检测。实验结果表明，本文方法大大提高了物体检测的准确率。(3)提出了基于一种多通道分层特征的物体检测方法。为了更好地表征检测物体的内容，首先，利用基于简单线性迭代聚类算法对图像进行分割，并根据熵值大小，选取一定数量的最具代表性和鉴别性的中层图像块；然后，将得到的中层图像块与基于选择性搜索策略得到的图像候选区域进行卷积计算，得到图像的I北京工业大学工学硕士学位论文卷积特征分层表达，并将其与卷积

8、神经网络通道提取的特征进行融合，得到最终的物体特征表达；最后，利用SVM进行特征分类，实现物体的检测。实验结果表明，与其他流行方法相比，本文所提出的方法获得了最高的检测准确率。关键词：中层特征；语义概念；物体检测；卷积神经网络；视觉注意IIAbstractAbstractAsacoreresearchtopicincomputervision,objectdetectioniswidelyemployedinrobotenvironmentperception,ped