基于多示例的多尺度目標檢測算法研究.pdf

1、目標檢測的目的是將某既定目標從場景中分割和識別出來，是一種基于目標的幾何特征以及統(tǒng)計特征的圖像分割。評價一個目標檢測系統(tǒng)的性能主要包括準確檢測能力及其實時性。
　　 本文以自然圖像中的目標檢測為背景，在對基于多示例的目標檢測算法研究的基礎上，提出了一些新的改進算法，并將其應用于自然圖像中的車輛目標檢測。
　　 本文的主要工作如下：
　　 1)在原算法給出的提取示例間關系特征的基礎上，本文改進了特征的提取方法。用示

2、例在目標上的空間分布特征取代示例之間的空間關系特征，并用示例的空間分布的先驗知識指導K-Means聚類，代替原算法的Bottom-Up聚類方法，提高了分類與目標檢測的能力。
　　 2)針對原算法對于多尺度多目標圖像檢測虛警率高的問題，本文提出了一種基于連續(xù)度的改進方法。該算法利用目標在多個連續(xù)縮放尺度上均有較高檢測率的特性，通過定義目標在多個縮放尺度上的連續(xù)度，可以將背景中的虛警目標濾除，從而更為準確的檢測到目標。該方法有效降低

3、了虛警率，提高了目標檢測的準確率，同時，該方法對目標的定位也更加準確。
　　 3)針對改進的多尺度多目標檢測算法對于大尺寸圖像進行多尺度縮放時目標檢測耗時長的問題，本文提出了一種基于感興趣區(qū)域提取的快速目標檢測方法。該方法利用汽車底部的陰影部分特征，首先將感興趣區(qū)域檢測出來，然后在該感興趣區(qū)域內進行多尺度縮放檢測目標。該算法有效降低了對大尺寸圖像進行目標檢測的時間，而且在提取感興趣區(qū)域的可以同時去除大量背景干擾，能夠進一步提高目