基于SVM和RPCA的目标检测算法若干研究

• 作 者: 焦佳丽
• 出 处: 南京邮电大学
• 发表日期: 2020年02期
• 关键词: 支持向量机 显著性分析 可变性部件目标检测 卷积神经网络 鲁棒主成分分析 混合高斯模型

目标检测是计算机视觉研究领域中一个重要的研究方向,是其他高级视觉任务的的必备前提,基于支持向量机(SVM,Support Vector Machine)的目标检测算法是目前机器学习的主流算法,而鲁棒主成分分析(RPCA,Robust Principal Component Analysis)可以一定程度上去除待检测图像中的噪声污染,对提高目标检测的检测率有很好的帮助,本文将支持向量机分别加入显著性和卷积神经网络进行目标检测,并将鲁棒主成分分析和混合高斯模型相结合得到运动目标检测的新算法,一定程度上解决了目标检测算法研究面临的鲁棒性不高、计算量较大的问题。主要研究工作如下:(1)提出了基于显著性分析的可变形部件SVM目标检测(DPM,Deformable Part Model)算法。在可变形部件SVM目标检测模型的基础上,加入显著性检测模型,使用基于全局对比度的显著性分析方法生成显著特征图,再用可变形部件SVM模型对显著特征图进行检测目标。实验表明,该算法降低计算量,检测时间减少,检测率有所提高。(2)提出了基于支持向量机的卷积神经网络行人检测算法。在对目标图像建立多尺度图像子块的基础上,利用卷积神经网络的经典网络LeNet-5对图像进行特征提取与分类,再对卷积神经网络判别为行人的图像子块利用SVM进行二次分类。在INRIA行人数据集上进行实验,实验结果表明,行人检测精确率与召回率有较为明显的提升。(3)提出了基于RPCA和混合高斯模型的运动目标检测算法。在实际应用中,检测视频易受光照变换、遮挡等噪声的污染,为了减少噪声的污染,提出在研究运动目标检测的基础上,对视频目标进行鲁棒主成分分析,一定程度上解决了光照等噪声对检测效果带来的影响,有效的去除了噪声的影响。实验表明,本文方法对于运动目标检测表现出良好的鲁棒性。