本文選題：目標檢測 + 上下文　； 參考：《電子科技大學》2016年博士論文

【摘要】：目標檢測是計算機視覺領域的重點和難點問題,廣泛地應用于諸如智能監(jiān)控、圖片搜索、人機交互等多個領域。由于目標外觀信息不足或光照、遮擋、視角等造成的目標外觀變化,導致了目標表征的不確定性,降低了目標檢測的準確率。而上下文信息能夠描述目標的內在聯(lián)系,所以借助上下文信息,能有效消除或減少這種不確定性對目標檢測的影響,提高目標檢測的準確度。目前,基于上下文的目標檢測研究雖然取得了一定的進展,但由于目標表征與人類視覺語義鴻溝的存在,目標檢測的準確度仍亟需大幅提升。為此,圍繞這一主題,我們開展了上下文信息的目標檢測研究。本文針對目標檢測中的不同問題,從多個角度,充分挖掘和利用圖像中的上下文信息,進行目標檢測。在研究不同上下文表示的基礎上,結合諸如卷積神經網絡(Convolutional neural network,CNN)等機器學習方法,提出了多個新的目標檢測模型,提升了目標檢測的準確度。本文主要工作和貢獻如下:(1)針對圖像中的目標檢測問題,提出了一種通用的基于霍夫上下文的目標檢測模型。該模型摒棄傳統(tǒng)的利用特征對目標中心投票的方式,以圖像中每個像素點為投票中心構建新的橢圓形霍夫上下文。基于提出的霍夫上下文,通過有限次采樣,巧妙的利用單一特征和聯(lián)合特征的空間和外觀關系,形成了一種新的局部上下文表示。為了充分利用該局部上下文信息,提出了一種包含獨立和聯(lián)合投票函數(shù)的新的加權投票函數(shù)。實驗結果表明,該方法基于單一和聯(lián)合特征,充分挖掘了目標自身包含的局部上下文信息,進一步加強了目標表征的準確性,提高了目標檢測的準確性。(2)針對圖像中存在兩個同時出現(xiàn)的目標的檢測問題,基于一種新的表示目標間牢固語義關系的局部上下文表示,構建了一種新的基于上下文信息的多層目標檢測模型。首先,基于混合專家思想,在利用全局上下文特征劃分的子場景下,基于不同目標之間的位置、尺度、以及角度的相互一致關系,提出了一種和場景相關的,包含豐富目標間語義關系的局部上下文表示,即一致性目標對。然后,利用這種局部語義的上下文信息,改變樹形模型結構,生成相應場景下的子樹,完成基于上下文信息的多層目標檢測模型的建立。實驗結果表明,這種新的局部上下文信息,增強了目標間相互約束,為目標表征,提供了更豐富的信息,進一步提高了目標檢測的準確性。(3)針對視頻的目標檢測問題,基于目標在時空域的動態(tài)變化,構建時空上下文表示,在此基礎上,提出了新的基于時空上下文信息的火焰檢測模型和人數(shù)統(tǒng)計模型。針對火焰檢測模型,在多個層面上,利用光流法獲取的火焰方向信息,構造了一種新的時空上下文表示,并用該表示形成了新的火焰運動特征。在此基礎上,結合Kernel SVM建立火焰檢測模型。實驗結果表明,該特征融合了火焰目標的時空上下文表示,能準確刻畫火焰表征,所以能顯著提高火焰檢測的準確性和降低誤報率。針對人數(shù)統(tǒng)計模型,首先,描述了一種包含團塊運動的光流強度信息和團塊面積信息等新的時空上下文表示,并用該表示形成新的團塊特征;然后,利用該特征,結合人數(shù)統(tǒng)計的特點,設計了一種新的跟蹤算法;最后,利用SVM進行線性擬合建立人數(shù)統(tǒng)計模型。實驗結果表明,這種團塊的時空上下文表示,可有效地刻畫團塊特征,提高了人數(shù)統(tǒng)計的準確性。(4)針對特定場景的目標檢測問題,基于CNN學習的高層圖像表達,構建了一種針對特定場景的上下文表示,在此基礎上,建立了一種基于自適應上下文信息的CNN目標檢測模型。首先,在特定場景下,基于CNN分別學習目標及其上下文的特征圖。在同一尺度下,通過度量兩組特征圖間差異,保留有效上下文特征圖的位置索引,獲得一種新的上下文信息表示。然后,利用該表示,獲取有效的上下文信息。融合目標和上下文信息,學習建立基于自適應上下文信息的CNN目標檢測模型。實驗結果表明,這種新的基于高層圖像表達的上下文信息,增強了目標表征,有效的提高了目標檢測的準確性。
[Abstract]:In order to improve the accuracy of target detection , this paper proposes a new weighted voting function based on the context information , which can effectively eliminate or reduce the influence of the target detection and improve the accuracy of the target detection . In this paper , a new multi - layer target detection model based on context information is proposed based on a new local context representation of the strong semantic relationship between objects . A new temporal and temporal context representation based on temporal and temporal context information is presented , and a new tracking algorithm is proposed based on the feature of space - time context . The results show that the new method can improve the accuracy of flame detection and reduce the false alarm rate .

【學位授予單位】：電子科技大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 楊清;;電網異常檢測模型方法設計[J];電測與儀表;2009年S2期

2 紀祥敏;陳秋妹;景林;;面向下一代互聯(lián)網的異常檢測模型研究[J];福建電腦;2013年01期

3 崔艷娜;;一種網絡流量異常檢測模型[J];計算機與現(xiàn)代化;2013年08期

4 涂旭平;金海;何麗莉;楊志玲;陶智飛;;一種新的網絡異常流量檢測模型[J];計算機科學;2005年08期

5 呂洪柱;張建平;鄧文新;;基于數(shù)據挖掘技術的異常檢測模型設計[J];高師理科學刊;2007年06期

6 馬琳;蘇一丹;莫錦萍;;協(xié)同推薦系統(tǒng)檢測模型的一種優(yōu)化方法[J];微計算機信息;2010年03期

7 楊清;;基于模糊序列電網異常檢測建模方法與研究[J];山西電子技術;2009年05期

8 李雪琴;;基于模糊C均值的異常流量檢測模型[J];贛南師范學院學報;2009年06期

9 唐彰國;李煥洲;鐘明全;張健;;改進的進程行為檢測模型及實現(xiàn)[J];計算機應用;2010年01期

10 申利民;李峰;孫鵬飛;牛景春;;開放企業(yè)計算環(huán)境下基于信任的行為檢測模型[J];計算機集成制造系統(tǒng);2013年01期

相關會議論文 前7條

1 劉俊榮;王文槿;劉寶旭;;一種基于網絡行為分析的木馬檢測模型[A];第十六屆全國核電子學與核探測技術學術年會論文集（下冊）[C];2012年

2 馬文忠;郭江艷;陳科成;楊珊;王艷麗;;基于神經網絡的供熱燃燒系統(tǒng)檢測模型的研究[A];2011中國電工技術學會學術年會論文集[C];2011年

3 張廣軍;賀俊吉;;基于圓結構光的內表面三維視覺檢測模型[A];中國儀器儀表學會學術論文集[C];2004年

4 王建平;張自立;魏華;;戰(zhàn)術空域沖突檢測模型研究[A];Proceedings of 14th Chinese Conference on System Simulation Technology & Application(CCSSTA’2012)[C];2012年

5 武照東;劉英凱;劉春;吳秀峰;;Overlay網絡的鏈路故障檢測模型[A];2008通信理論與技術新發(fā)展——第十三屆全國青年通信學術會議論文集（下）[C];2008年

6 李京鵬;楊林;劉世棟;;防火墻狀態(tài)檢測模型研究[A];第十八次全國計算機安全學術交流會論文集[C];2003年

7 周雙娥;熊國平;;基于Petri網的故障檢測模型的設計與分析[A];第六屆中國測試學術會議論文集[C];2010年

相關博士學位論文 前6條

1 蔣鵬;圖像內容顯著性檢測的理論和方法研究[D];山東大學;2016年

2 李濤;基于上下文的目標檢測研究[D];電子科技大學;2016年

3 趙靜;網絡協(xié)議異常檢測模型的研究與應用[D];北京交通大學;2010年

4 趙斌;基于圖模型的微博數(shù)據分析與管理[D];華東師范大學;2012年

5 牛清寧;基于信息融合的疲勞駕駛檢測方法研究[D];吉林大學;2014年

6 劉鵬飛;鋁合金點焊質量的逆過程檢測方法研究[D];天津大學;2008年

相關碩士學位論文 前10條

1 劉琦;卷積檢測模型的GPU加速研究[D];上海交通大學;2015年

2 張穎華;特定場景下的可變形部件模型[D];上海交通大學;2015年

3 黃咨;基于卷積神經網絡的目標檢測模型的研究[D];上海交通大學;2015年

4 陳璐艷;基于范例集成的目標檢測模型研究[D];上海交通大學;2015年

5 許劍;基于andriod平臺手機的老人跌倒檢測識別方法研究[D];東南大學;2015年

6 孫翔;在線社交網絡上的高效事件檢測模型[D];江蘇大學;2016年

7 卓可秋;基于Spark的突發(fā)事件檢測實現(xiàn)研究[D];南京大學;2016年

8 張文清;惡意RFID閱讀器檢測技術研究與應用[D];電子科技大學;2016年

9 趙永福;基于行為特征的Windows Bootkit檢測模型的研究及其系統(tǒng)實現(xiàn)[D];電子科技大學;2016年

10 江鷗;部分遮擋情況下的行人檢測[D];電子科技大學;2016年

，

本文編號：1844269