目標(biāo)檢測是計算機視覺研究領(lǐng)域中一個重要的研究方向,是其他高級視覺任務(wù)的的必備前提,基于支持向量機(SVM,Support Vector Machine)的目標(biāo)檢測算法是目前機器學(xué)習(xí)的主流算法,而魯棒主成分分析(RPCA,Robust Principal Component Analysis)可以一定程度上去除待檢測圖像中的噪聲污染,對提高目標(biāo)檢測的檢測率有很好的幫助,本文將支持向量機分別加入顯著性和卷積神經(jīng)網(wǎng)絡(luò)進行目標(biāo)檢測,并將魯棒主成分分析和混合高斯模型相結(jié)合得到運動目標(biāo)檢測的新算法,一定程度上解決了目標(biāo)檢測算法研究面臨的魯棒性不高、計算量較大的問題。主要研究工作如下:(1)提出了基于顯著性分析的可變形部件SVM目標(biāo)檢測(DPM,Deformable Part Model)算法。在可變形部件SVM目標(biāo)檢測模型的基礎(chǔ)上,加入顯著性檢測模型,使用基于全局對比度的顯著性分析方法生成顯著特征圖,再用可變形部件SVM模型對顯著特征圖進行檢測目標(biāo)。實驗表明,該算法降低計算量,檢測時間減少,檢測率有所提高。(2)提出了基于支持向量機的卷積神經(jīng)網(wǎng)絡(luò)行人檢測算法。在對目標(biāo)圖像建立多尺度圖像子塊的基礎(chǔ)上...

【文章頁數(shù)】：50 頁

【學(xué)位級別】：碩士

圖2.1線性可分支持向量機則樣本為(,)

圖2.2卷積圖2.2為舉例，為55的特征圖輸入卷積層，卷積核為22，步長為1的卷積過程

圖2.3從左到右，分別是Sigmoid函數(shù)、Tanh函數(shù)、ReLU函數(shù)

圖3.1顯著性檢測效果圖

本文編號：3883255