摘 要

目标检测是计算机视觉领域的研究热点，十分泛用。它在不同的领域均占有着重要的地位：如图像检索、智能交通等。在静态图像的检测中，难点主要在于各类对象的外观变化非常大——不仅仅局限于光照、视角的变化，还包括物体的形变和其它视觉特征的变化。目前有很多算法可以实现目标检测，但因为环境的复杂和目标的多变，目标检测依旧面临许多困境。近些年内可变形部件模型（DPM）在许多领域进行了应用，DPM可以充分利用目标的信息来优化检测性能。尽管DMP与以前相比在检测精度方面具有优势，但是它依然存在算法复杂、耗时较长、过于冗余等等问题。

本文主要改进了算法。改进是针对候选区域过滤提出的，是一种分级检测的算法。在每个阶段各自提取相异的特征、训练各类不同的分类器，逐步过滤候选区域，最后成功检测目标。本文主要以行人为例。

研究结果表明与原始DPM算法相比，该方法减少了目标的检索空间，加快了目标的检测，而不会降低精度。

本文的特色：详述了DPM算法的优越性，并叙述了改进后分级检测的具体过程。

关键词：可变形部件模型；分级特征；物体检测；场景相关特征

Abstract

Target detection is a hot topic in the field of computer vision, and it is very general. It occupies an important position in different areas: such as image retrieval, intelligent transportation and so on. In the detection of static images, the main difficulty lies in the appearance of various objects change very large - not only limited to light, viewing angle changes, but also the deformation of objects and other visual features changes. There are many algorithms that can achieve target detection, but because of the complexity of the environment and the goal of changeable, target detection is still facing many difficulties. In recent years, the deformable part model (DPM) has been used in many fields, and DPM can make full use of the target information to optimize the detection performance. Although DMP has advantages over detection accuracy, it still has problems with complex algorithms, long time-consuming, redundancy, and so on.

This paper mainly improves the algorithm. The improvement is proposed for candidate region filtering, which is an algorithm for hierarchical detection. In each stage to extract the different characteristics of each, training a variety of different classifiers, and gradually filter the candidate area, and finally successfully detect the target. This article is mainly based on pedestrians.

The results show that compared with the original DPM algorithm, this method reduces the retrieval space of the target, accelerates the detection of the target without degrading the accuracy.

The characteristics of this paper: the superiority of DPM algorithm is described, and the concrete process of improved post-grading detection is described.

Key words：Deformable part model,Classification feature,Object detection,

Scene correlation feature

目录

第1章 绪论1

1.1 研究背景及意义1

1.2 国内外研究现状2

1.2.1 国内研究现状2

1.2.2 国外研究现状3

第2章 目标检测算法4

2.1 目标检测的流程4

2.2 图像特征提取4

2.2.1 LBP方法4

2.2.2 SIFT方法5

2.2.3 HOG方法5

2.3 支持向量机SVM6

第3章 可变形部件模型9

3.1 可变形部件模型介绍9

3.2 可变形部件模型原理9

3.3 关于HOG和DPM算法中卷积的解释11

3.4 算法原理12

3.4.1 可变形部件模型的算法实现13

3.4.2 针对DPM的分级算法改进14

第4章 基于可变形部件模型和分级算法的目标检测研究16

4.1 算法仿真16

4.1.1 可变形部件模型算法的具体实现16

4.1.2 分级算法的具体实现17

4.2 结果分析17

第5章 总结与展望26

参考文献27

致谢28

第1章 绪论

人工智能研究的目标，即人类智能的模拟、机器对人的仿生。对计算机视觉的研究也是这个远大目标的重要组成部分。许多与计算机视觉有关的的任务中，目标检测是最具挑战性的。它是目标跟踪，场景理解和其他高级视觉任务的基础。视觉输入是我们与外部世界互动的最重要渠道之一。人们每天都需要处理大量的图像信息，而且人的直觉能够识别图像中的对象。然而，计算机对图像的理解仍远远落后于人类。这个任务所包含的难度源于它作为一个逆问题的性质：它应该被赋予在诸如颜色，光和形状信息等未知对象的条件下的一些变量中描述的视觉世界，或者通过物理概率模型来估计未知信息。

现实世界对象在复杂对象类别中纷繁多样。类模糊对象之间的差异；类似对象在图像中以不同的形式出现；照明、遮挡、透视等因素的尺度和影响，让物体检测非常困难。