● 摘要
随着当今社会经济与科技的迅猛发展，模式识别应用已经逐渐融入到大众的生产生活之中。人们对基于视觉的智能化检测、识别系统的需求也越来越迫切。静态图像目标检测是模式识别领域的一大核心课题，并且在列车故障诊断、智能监控、人体行为分析等应用中都有着重要的实用价值和广阔的发展前景。本文首先总结了前人在图像目标检测领域的研究工作，然后提出了一种新型的分类器设计框架，并分别对静态图像中的列车制动缸检测和人体检测方法进行研究。论文的主要工作如下：分类器设计是静态图像目标检测中的关键问题。本文首先利用VC维最小化原理构建紧凑子分类器，使得单个分类器分类效率更加突出。而后提出一种基于加权边界稀疏嵌入(WMSE)的分类器融合方法，通过对稀疏嵌入模型与加权边界模型的迭代学习过程，最终得到收敛的集成分类器。在列车制动缸检测中，我们首次发布了具有挑战性的北航制动缸(BH-BC)数据库，该库含有2000余幅在复杂背景条件下采集的多种形态的制动缸图片，为相关算法提供公开测试平台。我们采用局部二值模式积分直方图方法对制动缸进行特征提取，并利用WMSE算法进行分类器学习。通过与SVM、Adaboost实验效果对比，WMSE方法更加高效，准确。静态图像中的人体检测采用了方向梯度直方图方法进行特征提取。在分类器设计方面，本文提出了参数化的加权边界稀疏嵌入模型(PB-WMSE)，通过引入目标偏离中心的空间偏移参数来扩充分类覆盖能力，有效地解决了目标旋转、平移等检测难题。最终的对比实验结果表明，PB-WMSE方法检测准确率有了较大提高。