论文部分内容阅读
目标检测是模式识别与计算机视觉中一个重要的领域。在复杂的现实场景中，由于存在遮挡，光照变化，尺度和视角变化甚至相似结构的背景噪声，同一类的物体往往表现出巨大的视觉差异，这就使得该条件下的目标检测显得尤为具有挑战性。在图像和视频中的目标检测往往使用滑动窗的方法，但是近年来基于霍夫变换的方法受到了广泛的关注。它最初被用来检测图像中的直线，后来发展到检测事先设定的形状。隐式形状模型将霍夫变换的思想推广开来，利用局部特征在三维霍夫假设空间中进行概率投票，将投票值进行线性累加之后，通过在霍夫空间中寻找极值点来检测目标。尽管隐式形状模型取得了比较好的检测效果，但是它仍存在着不足：它假设每一个局部特征的霍夫投票是相互独立的，但是从概率角度来说，这种独立性假设是不合理的，因为图像中相邻的特征往往是相关的。条件随机场是一种判别式的条件概率模型，它继承了隐式马尔科夫模型的优点，但是同时也松弛了隐式马尔科夫模型中的强独立性假设。受条件随机场的启发，本文利用它来建立霍夫变换中投票特征与假设之间的关系：假设的条件概率不仅仅依赖于投票特征集，它同时依赖邻域内的其他假设。本文利用基于随机森林的霍夫投票和Parzen窗方法来实现上述的概率模型，主要过程如下：1）基于随机森林的霍夫投票，利用正负样本提取的SIFT特征来建立随机森林分类器，，在叶子节点中存储到达的SIFT特征相对于目标中心的偏移量，这样随机森林的叶子节点集可视为一个判别式的码本。利用随机森林分类器对测试图片中的SIFT特征进行分类，再利用上述的判别式码本和广义霍夫变换对可能的目标中心进行概率投票。2）Parzen窗估计，利用核函数估计来描述邻域内的假设之间的依存关系，本文利用自适应尺度的Mean-shift搜索来实现。3）基于最大后验概率的贪心算法，本文采用最大后验概率求解该概率模型，每次寻找最大极值点，再对三维的霍夫假设空间进行局部更新，如此反复直到到达迭代终止条件。本文在TUD Motorbikes，UIUC-Cars以及Weizmann Horse三个公开数据集以及一个我们自己收集的国内机场飞机数据集上测试我们的方法，实验结果显示，本文的方法相比于隐式形状模型取得了更好的检测效果，即使是在目标之间存在遮挡的情况下。