[發(fā)明專(zhuān)利]一種基于SVR模型的自適應(yīng)區(qū)域池化物體檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710024021.0
• 申請(qǐng)日: 2017-01-13
• 公開(kāi)（公告）號(hào): CN106803102B
• 公開(kāi)（公告）日: 2020-04-07
• 發(fā)明（設(shè)計(jì)）人: 季云峰
• 申請(qǐng)（專(zhuān)利權(quán)）人: 江蘇信息職業(yè)技術(shù)學(xué)院
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62
• 代理公司: 無(wú)錫萬(wàn)里知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 32263
• 代理人: 王傳林

1.一種基于SVR模型的自適應(yīng)區(qū)域池化物體檢測(cè)方法，其特征在于，該檢測(cè)方法包括以下步驟：

步驟一：選擇有代表性的實(shí)例；

步驟二：采用區(qū)域粗匹配的方法對(duì)實(shí)例進(jìn)行訓(xùn)練，獲得與實(shí)例相似的訓(xùn)練數(shù)據(jù)集，

對(duì)象掩模M^e是P^e塊的總區(qū)域，根據(jù)該區(qū)域的外觀和大小計(jì)算M^e之間的相似性和目標(biāo)區(qū)域R，即：

式中，z^e和z^r是特征矢量，|M^e|和|R|分別表示對(duì)象掩模和目標(biāo)區(qū)域的尺寸；

步驟三：對(duì)步驟二中獲取的訓(xùn)練數(shù)據(jù)集進(jìn)行自適應(yīng)區(qū)域特征池化，獲取訓(xùn)練數(shù)據(jù)集塊的SIFT特征，

將實(shí)例分割成L塊：

將實(shí)例中塊的尺寸調(diào)整至與目標(biāo)區(qū)域的邊界框尺寸一樣，使得目標(biāo)區(qū)域R被分成像P^e一樣的結(jié)構(gòu)來(lái)獲取，即

在以P^r作為基礎(chǔ)上進(jìn)行池化，其中，是第i塊的特征矢量，而每一對(duì)和均針對(duì)的是相同的塊；

步驟四：對(duì)步驟三中進(jìn)行特征池化后的訓(xùn)練集中引入SVR模型，其定義如下：

滿足于：

式中，x_i為由區(qū)域池化法提取的區(qū)域特征矢量，O(y_i,y)為由真實(shí)值y的邊界框和y_i區(qū)域之間的重復(fù)率計(jì)算獲得的回歸數(shù)，其中，O(y_i,y)的重復(fù)率是使用真實(shí)值邊界框和實(shí)例區(qū)域R′的最大重復(fù)來(lái)計(jì)算的，即：

步驟五：采用了非極大值抑制法來(lái)得到檢測(cè)結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于SVR模型的自適應(yīng)區(qū)域池化物體檢測(cè)方法，其特征在于，該檢測(cè)方法還可以在邊界中輸入CNN模型來(lái)獲取訓(xùn)練數(shù)據(jù)集塊的特征，并將這些塊特征聯(lián)結(jié)成一個(gè)特征矢量，然后將特征矢量值引入SVR模型。