遮擋問題一直是計算機視覺領域中的經(jīng)典話題,在目標跟蹤、三維重建、物體識別等視覺任務中,遮擋問題都占據(jù)著舉足輕重的地位。因此,在眾多計算機視覺處理問題中,如何準確而又高效地對遮擋進行檢測已經(jīng)成為一個亟待解決的難題。針對深度圖像在三維真實場景中表征能力較強的優(yōu)勢,同時國內(nèi)外以深度圖像作為遮擋研究對象的成果相對較少�；诖�,本文以深度圖像為研究對象并結(jié)合機器學習理論中的神經(jīng)網(wǎng)絡模型來實現(xiàn)圖像遮擋邊界檢測任務。首先,以深度圖像為出發(fā)點,介紹了有關遮擋現(xiàn)象、遮擋邊界和遮擋相關特征的有關概念。同時,對本文中所用神經(jīng)網(wǎng)絡有關基礎知識內(nèi)容進行了描述和概括。其次,提出了一種基于BP神經(jīng)網(wǎng)絡模型的圖像遮擋邊界檢測方法。該方法中根據(jù)深度圖像的像素信息,提出了一種新的遮擋相關特征,并通過隨機森林與已有特征進行重要性評估;同時,根據(jù)像素點特征向量的分布情況,設計了一種非線性歸一化方法對特征向量進行映射并根據(jù)BP神經(jīng)網(wǎng)絡模型進行訓練、檢測,將圖像中所有像素點區(qū)分為遮擋邊界點和非遮擋邊界點,實現(xiàn)檢測的目的。再次,提出一種基于卷積神經(jīng)網(wǎng)絡模型的遮擋檢測方法�；赩GG16網(wǎng)絡,通過使用卷積層替代全連接層進而修改網(wǎng)絡結(jié)... 

【文章來源】：燕山大學河北省

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【部分圖文】：

深度圖像及其遮擋邊界

圖 2-4 Sigmoid 激活函數(shù)中激活函數(shù)的輸入通常為全連接層加權(quán)求和之后的結(jié)果，輸出即為激活值，對激活值進行判別，若大。Sigmoid 函數(shù)的定義如公式(2-3)所示。

ReLU激活函數(shù)對比Sigmoid激活函數(shù)，Sigmoid激活函數(shù)在變量為0時輸出已經(jīng)達到了半飽和

【參考文獻】：
期刊論文
[1]利用無監(jiān)督聚類實現(xiàn)深度圖像的遮擋邊界檢測[J]. 張世輝,楊青青,何歡.  小型微型計算機系統(tǒng). 2017(11)
[2]基于圖的半監(jiān)督學習的遮擋邊界檢測方法[J]. 張世輝,張鈺程,張紅橋,李鑫.  計量學報. 2016 (06)
[3]基于深度圖像利用隨機森林實現(xiàn)遮擋檢測[J]. 張世輝,劉建新,孔令富.  光學學報. 2014(09)



本文編號：3046604