目標(biāo)檢測(cè)是計(jì)算機(jī)視覺研究領(lǐng)域中一個(gè)重要的研究方向,是其他高級(jí)視覺任務(wù)的的必備前提,基于支持向量機(jī)(SVM,Support Vector Machine)的目標(biāo)檢測(cè)算法是目前機(jī)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(cè)圖像中的噪聲污染,對(duì)提高目標(biāo)檢測(cè)的檢測(cè)率有很好的幫助,本文將支持向量機(jī)分別加入顯著性和卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)檢測(cè),并將魯棒主成分分析和混合高斯模型相結(jié)合得到運(yùn)動(dòng)目標(biāo)檢測(cè)的新算法,一定程度上解決了目標(biāo)檢測(cè)算法研究面臨的魯棒性不高、計(jì)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(cè)(DPM,Deformable Part Model)算法。在可變形部件SVM目標(biāo)檢測(cè)模型的基礎(chǔ)上,加入顯著性檢測(cè)模型,使用基于全局對(duì)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(duì)顯著特征圖進(jìn)行檢測(cè)目標(biāo)。實(shí)驗(yàn)表明,該算法降低計(jì)算量,檢測(cè)時(shí)間減少,檢測(cè)率有所提高。(2)提出了基于支持向量機(jī)的卷積神經(jīng)網(wǎng)絡(luò)行人檢測(cè)算法。在對(duì)目標(biāo)圖像建立多尺度圖像子塊的基礎(chǔ)上...

【文章頁(yè)數(shù)】：50 頁(yè)

【學(xué)位級(jí)別】：碩士

圖2.1線性可分支持向量機(jī)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(zhǎng)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(cè)效果圖

本文編號(hào)：3883255