基于对象性测度估计和霍夫森林的目标检测方法

胡梦婕; 魏振忠; 张广军

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于对象性测度估计和霍夫森林的目标检测方法

胡梦婕, 魏振忠, 张广军

文章导航 > 红外与激光工程 > 2015 > 44(6): 1936-1941

胡梦婕, 魏振忠, 张广军. 基于对象性测度估计和霍夫森林的目标检测方法[J]. 红外与激光工程, 2015, 44(6): 1936-1941.

引用本文:

胡梦婕, 魏振忠, 张广军. 基于对象性测度估计和霍夫森林的目标检测方法[J]. 红外与激光工程, 2015, 44(6): 1936-1941.

Hu Mengjie, Wei Zhenzhong, Zhang Guangjun. Object detection method based on objectness estimation and Hough forest[J]. Infrared and Laser Engineering, 2015, 44(6): 1936-1941.

Citation:

Hu Mengjie, Wei Zhenzhong, Zhang Guangjun. Object detection method based on objectness estimation and Hough forest[J]. Infrared and Laser Engineering, 2015, 44(6): 1936-1941.

基于对象性测度估计和霍夫森林的目标检测方法

1.
北京航空航天大学精密光机电一体化技术教育部重点实验室,北京 100191

基金项目:

国家自然科学基金(61340054);北京市自然科学基金(3142012);国家重大科学仪器设备开发专项(2012YQ140032)

详细信息

作者简介:
胡梦婕(1988-),女,博士生,主要研究方向为计算机视觉与模式识别等。Email:humengjie881101@gmail.com

中图分类号: TP391.4

Object detection method based on objectness estimation and Hough forest

1.
Key Laboratory of Precision Opto-mechatronics Technology,Ministry of Education,Beihang University,Beijing 100191,China

摘要: 实现高效准确的目标检测算法在视频监控、自动导航等诸多领域至关重要的作用。针对现有目标检测算法速度不高且鲁棒性差的缺点,提出了一种基于对象性测度估计和霍夫森林的快速目标检测方法。首先,基于自下而上的视觉注意机制,采用对象性测度估计,提取图像中的物体候选集;然后,在由物体候选集确定的感兴趣区域内进行霍夫森林目标检测,确定目标中心位置;最后,结合目标中心所在的对象性测度估计候选框的尺度信息,确定目标大小。实现结果表明,该方法在提高霍夫森林目标检测算法检测准确度的同时,大大提升了检测速率。
- 目标检测 /
- 霍夫森林 /
- 对象性测度估计
Abstract: Realizing effective and efficient object detection plays an important role in computer vision and has many practical applications including video surveillance and auto navigation. In order to improve the speed and accuracy of the existing detection methods, a simple yet effective object detection method coupled objectness estimation with Hough forest was proposed. Firstly, objectness estimation was utilized to generalize a set of object proposals based on bottom up visual attention mechanism of human vision system. Secondly, Hough forest object was adopted to localize the center of the object in the region of interest which was confirmed by object proposals put forward in the last step. Thirdly, the scale of the object proposal where the center was located was employed to determine the size of the object. A set of experiments demonstrate the effectiveness and efficiency of the proposed method.
- object detection /
- Hough forest /
- objectness estimation

[1]
[2]	Xia Dong. Research on object detection, tracking and recognition in intelligence video surveillance[D]. Changsha: National University of Defense Technology, 2012: 1-2.(in Chinese) 夏东. 智能视频监控中目标检测、跟踪和识别方法研究[D]. 长沙:国防科学技术大学, 2012: 1-2.
[3]
[4]	Alexe Bogdan, Deselaers Thomas, Ferrari Vittorio. Measuring the objectness of image windows[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2012, 34(11): 2189-2202.
[5]
[6]	Wang Xiaoyu, Yang Ming, Zhu Shenghuo, et al. Regionlets for generic object detection[C]//Computer Vision (ICCV), 2013 IEEE International Conference on IEEE, 2013: 17-24.(in Chinese)
[7]
[8]	Cheng Mingming, Zhang Ziming, Lin Wenyan, et al. BING: binarized normed gradients for objectness estimation at 300fps [C]//Computer Vision and Pattern Recognition (CVPR), 2014 IEEE Conference on IEEE, 2014. (in Chinese)
[9]	Gall Juergen, Lempitsky Victor. Class-specific Hough Forests for Object Detection[M]// Decision Forests for Computer Vision and Medical Image Analysis. London, Springer: 2013: 143-157.
[10]
[11]
[12]	Gall Juergen, Yao Angela, Razavi Nima, et al. Hough forests for object detection, tracking, and action recognition[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2011, 33(11): 2188-2202.
[13]	An Meng, Jiang Zhiguo, Zhao Danpei, et al. Space shape object feature training and detection and recognition method based on Hough forest[J]. Infrared and Laser Engineering,2011, 40(8): 1582-1588. (in Chinese) 安萌,姜志国,赵丹培,等. 基于Hough树林的空间有形目标特征训练与检测识别方法[J]. 红外与激光工程,2011, 40(8): 1582-1588.

[1]	高凡, 杨小冈, 卢瑞涛, 王思宇, 高久安, 夏海. Anchor-free轻量级红外目标检测方法（特邀） . 红外与激光工程, 2022, 51(4): 20220193-1-20220193-9. doi: 10.3788/IRLA20220193
[2]	张景程, 乔新博, 赵永强. 红外偏振摄像机动目标检测跟踪系统（特邀） . 红外与激光工程, 2022, 51(4): 20220233-1-20220233-10. doi: 10.3788/IRLA20220233
[3]	李岳楠, 徐浩宇, 董浩. 频域内面向目标检测的领域自适应 . 红外与激光工程, 2022, 51(7): 20210638-1-20210638-9. doi: 10.3788/IRLA20210638
[4]	蒋昕昊, 蔡伟, 杨志勇, 徐佩伟, 姜波. 基于YOLO-IDSTD算法的红外弱小目标检测 . 红外与激光工程, 2022, 51(3): 20210106-1-20210106-10. doi: 10.3788/IRLA20210106
[5]	韩金辉, 魏艳涛, 彭真明, 赵骞, 陈耀弘, 覃尧, 李楠. 红外弱小目标检测方法综述 . 红外与激光工程, 2022, 51(4): 20210393-1-20210393-24. doi: 10.3788/IRLA20210393
[6]	李鸿龙, 杨杰, 张忠星, 罗迁, 于双铭, 刘力源, 吴南健. 用于实时目标检测的高速可编程视觉芯片 . 红外与激光工程, 2020, 49(5): 20190553-20190553-10. doi: 10.3788/IRLA20190553
[7]	南天章, 耿建君, 陈旭, 陈颖. 基于邻域特征的红外低慢小目标检测 . 红外与激光工程, 2019, 48(S1): 174-180. doi: 10.3788/IRLA201948.S128002
[8]	唐聪, 凌永顺, 郑科栋, 杨星, 郑超, 杨华, 金伟. 基于深度学习的多视窗SSD目标检测方法 . 红外与激光工程, 2018, 47(1): 126003-0126003(9). doi: 10.3788/IRLA201847.0126003
[9]	陈卫, 孙晓兵, 乔延利, 陈震庭, 殷玉龙. 海面耀光背景下的目标偏振检测 . 红外与激光工程, 2017, 46(S1): 63-68. doi: 10.3788/IRLA201746.S117001
[10]	陈善静, 康青, 顾忠征, 王正刚, 沈志强, 蒲欢, 辛颖. 基于三维GMRF的高光谱图像空天融合目标检测 . 红外与激光工程, 2016, 45(S2): 132-139. doi: 10.3788/IRLA201645.S223003
[11]	刘峰, 奚晓梁, 沈同圣. 基于最大值投影和快速配准的空间小目标检测 . 红外与激光工程, 2016, 45(11): 1104002-1104002(6). doi: 10.3788/IRLA201645.1104002
[12]	王晓飞, 王霄衣, 史翔宇, 阎秋静, 陈向南. 基于空间上下文单类分类器的目标检测算法 . 红外与激光工程, 2015, 44(S1): 236-240.
[13]	孙照蕾, 惠斌, 秦莫凡, 常铮, 罗海波, 夏仁波. 红外图像显著目标检测算法 . 红外与激光工程, 2015, 44(9): 2633-2637.
[14]	韩艳丽, 刘峰. 基于三角形匹配的空间小目标检测算法 . 红外与激光工程, 2014, 43(9): 3134-3140.
[15]	彭志勇, 王向军, 卢进. 窗口热辐射下基于视觉显著性的红外目标检测方法 . 红外与激光工程, 2014, 43(6): 1772-1776.
[16]	吴明军, 许建铮, 周桢, 张亚涛. 针对运动摄像机的快速低存储开销运动目标检测算法 . 红外与激光工程, 2013, 42(8): 2275-2280.
[17]	刘志刚, 卢云龙, 魏一苇. 有监督的高光谱图像伪装目标检测方法 . 红外与激光工程, 2013, 42(11): 3076-3081.
[18]	黎志华, 李新国. 基于OpenCV的红外弱小运动目标检测与跟踪 . 红外与激光工程, 2013, 42(9): 2561-2565.
[19]	杨亚威, 李俊山, 杨威, 赵方舟. 利用稀疏化生物视觉特征的多类多视角目标检测方法 . 红外与激光工程, 2012, 41(1): 267-272.
[20]	何莲, 蔡敬菊, 张启衡. 改进的基于弦切变换的目标检测方法 . 红外与激光工程, 2012, 41(1): 239-247.

点击查看大图

计量

文章访问数: 405
HTML全文浏览量: 73
PDF下载量: 269
被引次数: 0

基于对象性测度估计和霍夫森林的目标检测方法

1. 北京航空航天大学精密光机电一体化技术教育部重点实验室,北京 100191

作者简介:
胡梦婕(1988-),女,博士生,主要研究方向为计算机视觉与模式识别等。Email:humengjie881101@gmail.com

收稿日期: 2014-10-13
修回日期: 2014-11-17
刊出日期: 2015-06-25

基金项目:

国家自然科学基金(61340054);北京市自然科学基金(3142012);国家重大科学仪器设备开发专项(2012YQ140032)

中图分类号: TP391.4

关键词:

摘要: 实现高效准确的目标检测算法在视频监控、自动导航等诸多领域至关重要的作用。针对现有目标检测算法速度不高且鲁棒性差的缺点,提出了一种基于对象性测度估计和霍夫森林的快速目标检测方法。首先,基于自下而上的视觉注意机制,采用对象性测度估计,提取图像中的物体候选集;然后,在由物体候选集确定的感兴趣区域内进行霍夫森林目标检测,确定目标中心位置;最后,结合目标中心所在的对象性测度估计候选框的尺度信息,确定目标大小。实现结果表明,该方法在提高霍夫森林目标检测算法检测准确度的同时,大大提升了检测速率。