[发明专利]一种基于SVR模型的自适应区域池化物体检测方法

摘要

本发明公开了一种基于SVR模型的自适应区域池化物体检测方法，该基于SVR模型的自适应区域池化物体检测方法适用于分割区域，区域粗匹配机制能有效选择和测试对象，能自动发现不同的样本和区域，能够适应物体的区域结构变化，再利用区域池化法提取特征解析区域结构，最后，分类数据采用了非极大值抑制法来得到检测结果，对非刚性目标（例如奶牛，羊等）上具有很好的效果，与其他同类方法相比，提出的方法对物体检测的性能明显提升，其中平均召回率达到了90.8%，加入CNN特征，性能提升幅度更大。

主权项

一种基于SVR模型的自适应区域池化物体检测方法，其特征在于，该检测方法包括以下步骤：步骤一：选择有代表性的实例；步骤二：采用区域粗匹配的方法对实例进行训练，获得与实例相似的训练数据集，对象掩模Me是Pe块的总区域，根据该区域的外观和大小计算Me之间的相似性和目标区域R，即：S(Me,R)=<ze,zr>·(min(|Me|,|R|)max(|Me|,|R|))---(1)]]>式中，ze和zr是特征矢量，|Me|和|R|分别表示标本掩模和目标区域的尺寸；步骤三：对步骤二中获取的训练数据集进行自适应区域特征池化，获取训练数据集块的SIFT特征，1)将实例分割成L块：2)将实例中块的尺寸调整至与目标区域的边界框尺寸一样，使得目标区域R被分成像Pe一样的结构来获取，即3)在以Pr作为基础上进行池化，其中，是第i块的特征矢量，而每一对和均针对的是相同的块；步骤四：对步骤三中进行特征池化后的训练集中引入SVR模型，其定义如下：minw,ξi,ξi*12||w||2+CΣi=1n(ξi+ξi*)]]>满足于：O(yi,y)‑＜w,xi＞‑b≤ε+ξi   (2)<w,xi>+b-O(yi,y)≤ϵ+ξi*]]>ξi,ξi*≥0]]>式中，xi为由区域池化法提取的区域特征矢量，O(yi,y)为由真实值y的边界框和yi区域之间的重复率计算获得的回归数，其中，O(yi,y)的重复率是使用真实值边界框和实例区域R的最大重复来计算的，即：O(R,GiI)=max|R∩GiI||R∪GiI|---(3)]]>步骤五：采用了非极大值抑制法来得到检测结果。