论文部分内容阅读
多视角目标检测是计算机视觉领域的一个难点问题,在智能监控、自主驾驶、机器人等多个领域具有广泛的应用价值。如何有效地构造多视角目标模型,并在图像中快速地定位处于不同观测视角的目标,是多视角目标检测需要解决的两个核心问题。稀疏表示(sparse representation)作为一种新型有效的描述方法,近年来受到广泛关注并成功应用于多个问题中。本文基于稀疏表示理论分别从多视角目标的全局描述、局部描述以及多尺度描述三个方面分别开展多视角目标检测研究,进行的主要工作和取得的主要研究成果如下:(1)针对基于稀疏表示框架多视角目标模型学习存在的训练样本数量大,无法反映多个视角的差异性和算法有效性差的问题,提出一种基于元样本稀疏表示的多视角目标检测算法。首先提取多视角目标样本的元样本构造字典,然后通过目标和背景在元样本字典上的稀疏表示系数来检测目标。实验结果表明,与基于原始样本字典的稀疏表示算法相比,检测速度和性能都有所提升。(2)针对多视角目标模型描述中存在的局部遮挡和信息缺失问题,提出一种基于有监督共享字典学习的多视角目标检测算法。首先采用非负矩阵分解的方法提取了多视角目标的共享特征,并利用有监督字典学习的方法生成共享字典。通过待测图像在共享字典上的稀疏表示系数来判别其是否为目标并且估计其视角信息。实验结果表明,算法对于部分遮挡鲁棒性较好,并且对中间视角的目标检测性能有一定提升。(3)针对多视角目标模型描述中存在的局部信息和全局信息的结合问题,提出一种基于多尺度稀疏表示的多视角目标检测算法。从多个尺度的图像块来对图像进行描述,利用稀疏编码算法生成视觉字典和稀疏表示特征向量,然后进行空间特征融合和对比归一化,最后将不同尺度上汇总的特征串接形成对整幅图的描述。实验结果表明,通过多个尺度信息结合建立起来的特征可以给线性检测器提供非常好的数据,在尺度变化、背景复杂等条件下多视角目标检测性能较好。