论文部分内容阅读
物体检测是目前计算机视觉中最具有挑战性的课题之一。物体检测在辅助驾驶系统或者智能监控领域中都有着相当广泛的应用前景。随着R-CNN,Fast R-CNN和Faster R-CNN等算法出现,物体检测越来越倾向于采用基于候选区域的框架,即先在图像中利用简单快速的方法筛选出一批候选物体,再对这些候选物进行逐一分类判别。本文旨在研究基于候选区域的框架下的两个比较普遍的问题,分别是候选区域提取算法以及物体的特征提取算法。对于候选区域提取算法,一部分算法是通过对图像进行分割,区分前景和背景;而另外一部分算法则通过一些低层次的物体特征对图像进行快速的物体和背景的区分。对于物体的特征提取算法,从历史的发展角度来看出现了不少提取特征的方法,不同的方法之间有着不一样的优缺点。本文针对基于候选区域框架下的两个问题,候选区域提取算法以及物体特征提取算法进行研究。本文主要完成的工作和贡献有以下几点:在候选区域提取算法上,本文研究以及分析Edge Boxes的优缺点,针对Edge Boxes算法的不足之处,提出显著性得分以及位置信息得分对Edge Boxes进行改进,从而提高Edge Boxes的召回率,进而提高整个检测算法的召回率。同时对比了改进的Edge Boxes算法以及主流的候选区域提取算法的性能,体现改进的Edge Boxes算法的鲁棒性。在特征提取算法上,本文按照历史发展角度,对比了HOG特征,稀疏自编码特征以及卷积神经网络特征几种物体特征的提取方法,为具体的物体检测任务提供特征选择的理据。最后,本文对改进的Edge Boxes算法投入到具体应用。在正负样本采集时,利用改进的Edge Boxes算法进行正负样本的自动采集,实现快速获取样本的功能。在对图像进行车辆检测时,采用改进的Edge Boxes算法对图像进行候选物选取,再利用卷积神经网络特征对候选物进行筛选,实现一个基于改进Edge Boxes算法的车辆检测系统。经过系统设计和实现测试,实验结果表明,本文提出的改进Edge Boxes算法具有一定实用性和鲁棒性。