基于霍夫變換和條件隨機場模型的目標檢測.pdf_第1頁
已閱讀1頁,還剩81頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、目標檢測是模式識別與計算機視覺中一個重要的領域。在復雜的現實場景中,由于存在遮擋,光照變化,尺度和視角變化甚至相似結構的背景噪聲,同一類的物體往往表現出巨大的視覺差異,這就使得該條件下的目標檢測顯得尤為具有挑戰(zhàn)性。在圖像和視頻中的目標檢測往往使用滑動窗的方法,但是近年來基于霍夫變換的方法受到了廣泛的關注。它最初被用來檢測圖像中的直線,后來發(fā)展到檢測事先設定的形狀。
  隱式形狀模型將霍夫變換的思想推廣開來,利用局部特征在三維霍夫假

2、設空間中進行概率投票,將投票值進行線性累加之后,通過在霍夫空間中尋找極值點來檢測目標。盡管隱式形狀模型取得了比較好的檢測效果,但是它仍存在著不足:它假設每一個局部特征的霍夫投票是相互獨立的,但是從概率角度來說,這種獨立性假設是不合理的,因為圖像中相鄰的特征往往是相關的。
  條件隨機場是一種判別式的條件概率模型,它繼承了隱式馬爾科夫模型的優(yōu)點,但是同時也松弛了隱式馬爾科夫模型中的強獨立性假設。受條件隨機場的啟發(fā),本文利用它來建立霍

3、夫變換中投票特征與假設之間的關系:假設的條件概率不僅僅依賴于投票特征集,它同時依賴鄰域內的其他假設。
  本文利用基于隨機森林的霍夫投票和Parzen窗方法來實現上述的概率模型,主要過程如下:
  1)基于隨機森林的霍夫投票,利用正負樣本提取的SIFT特征來建立隨機森林分類器,在葉子節(jié)點中存儲到達的SIFT特征相對于目標中心的偏移量,這樣隨機森林的葉子節(jié)點集可視為一個判別式的碼本。利用隨機森林分類器對測試圖片中的SIFT特征

4、進行分類,再利用上述的判別式碼本和廣義霍夫變換對可能的目標中心進行概率投票。
  2)Parzen窗估計,利用核函數估計來描述鄰域內的假設之間的依存關系,本文利用自適應尺度的Mean-shift搜索來實現。
  3)基于最大后驗概率的貪心算法,本文采用最大后驗概率求解該概率模型,每次尋找最大極值點,再對三維的霍夫假設空間進行局部更新,如此反復直到到達迭代終止條件。
  本文在TUDMotorbikes,UIUC-Car

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論