本站小編為你精心準(zhǔn)備了簡(jiǎn)化非極大值抑制分析參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫(xiě)作靈感。歡迎深入閱讀并收藏。

《中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào)》2016年第一期

摘要：

以簡(jiǎn)化非極大值抑制為代表的后處理在基于滑動(dòng)窗口法的目標(biāo)檢測(cè)中發(fā)揮著重要作用．針對(duì)傳統(tǒng)簡(jiǎn)化非極大值抑制約束條件單一、消除重復(fù)檢測(cè)不充分的問(wèn)題，提出了一種改進(jìn)的簡(jiǎn)化非極大值抑制，即在傳統(tǒng)簡(jiǎn)化非極大值抑制僅計(jì)算交集面積對(duì)候選檢測(cè)邊界框的覆蓋比例的基礎(chǔ)上，增加“抑制完全覆蓋檢測(cè)”約束和“PASCALVOC重疊判據(jù)”約束，分別對(duì)應(yīng)計(jì)算交集面積對(duì)選中檢測(cè)邊界框的覆蓋比例和對(duì)并集面積的重疊比例．實(shí)驗(yàn)結(jié)果表明，該改進(jìn)的簡(jiǎn)化非極大值抑制能有效消除誤檢，顯著提升目標(biāo)檢測(cè)方法性能．

關(guān)鍵詞：

目標(biāo)檢測(cè)；后處理；簡(jiǎn)化非極大值抑制；抑制完全覆蓋檢測(cè)；PASCALVOC重疊判據(jù)

目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域最基本的挑戰(zhàn)之一，廣泛應(yīng)用在工業(yè)、醫(yī)學(xué)、軍事、教育、商業(yè)、體育等領(lǐng)域［1］．滑動(dòng)窗口法是目標(biāo)檢測(cè)方法中的主流方法［2］，雖然在圖像的尺度空間中稠密地滑動(dòng)窗口可以有效地避免漏檢，但是也帶來(lái)了一個(gè)重要的難題：目標(biāo)周?chē)鷷?huì)產(chǎn)生大量覆蓋目標(biāo)整體或部分的彼此鄰近的窗口，分類(lèi)器有很大可能將這些窗口分類(lèi)為包含目標(biāo)，從而導(dǎo)致對(duì)目標(biāo)重復(fù)檢測(cè)，發(fā)生很多誤檢．正是為了處理這種情況，基于滑動(dòng)窗口法的目標(biāo)檢測(cè)方法中通常包括一個(gè)后處理的步驟．Viola等在做人臉檢測(cè)研究時(shí)提出維奧拉－瓊斯目標(biāo)檢測(cè)框架［3］，該框架是第一種可以實(shí)時(shí)處理并給出很好檢測(cè)率的目標(biāo)檢測(cè)方法．本文采用后處理方法解決重復(fù)檢測(cè)問(wèn)題．首先，如果兩個(gè)檢測(cè)結(jié)果的邊界框有交疊，那么將它們劃分到同一個(gè)子集，根據(jù)此規(guī)則將所有檢測(cè)結(jié)果劃分到互不相交的子集中；然后，計(jì)算子集內(nèi)所有檢測(cè)結(jié)果邊界框的平均值，得出一個(gè)最終的檢測(cè)區(qū)域．這樣，每一個(gè)子集都有一個(gè)唯一的檢測(cè)結(jié)果，大大減少了誤檢的數(shù)量．目前，非極大值抑制（non－maximumsuppression，NMS）是應(yīng)用最為廣泛的一類(lèi)后處理方法，C4行人檢測(cè)器等諸多目標(biāo)檢測(cè)方法［5－9］均采用NMS以消除重復(fù)檢測(cè)．文獻(xiàn)［4］將NMS闡述為局部極大值搜索（localmaximumsearch，LMS），即通過(guò)LMS獲得超越所有相鄰者的局部極大值，然后抑制其他局部非極大值．NMS又分mean－shiftNMS、簡(jiǎn)化NMS等．Mean－ShiftNMS［6］是一種較好的NMS方法，但是在運(yùn)用過(guò)程中，Mean－ShiftNMS需要設(shè)置很多的參數(shù)．這些參數(shù)嚴(yán)重依賴(lài)檢測(cè)方法的其他方面因素，如滑動(dòng)窗口步長(zhǎng)等；因此，大多數(shù)研究人員選擇采用簡(jiǎn)潔而實(shí)用的簡(jiǎn)化非極大值抑制．Dollár等［7］在完整的圖像中檢測(cè)目標(biāo)時(shí)，在圖像多尺度空間中采用滑動(dòng)窗口法，其中滑動(dòng)窗口步長(zhǎng)為4個(gè)像素，尺度步長(zhǎng)為21／10．文中作者用到的簡(jiǎn)化NMS只有一個(gè)參數(shù)，即重疊率閾值，并將其設(shè)置為0．6；同樣地，Enzweiler等在文獻(xiàn)［8］中將簡(jiǎn)化非極大值抑制的重疊率閾值設(shè)為0．5．在可變形部位模型（deformablepartmodels，DPM）目標(biāo)檢測(cè)方法［9］中，F(xiàn)elzenszwalb等較詳細(xì)地描述了簡(jiǎn)化非極大值抑制的過(guò)程：首先分類(lèi)器對(duì)圖片完成檢測(cè)后，獲得檢測(cè)結(jié)果集合D，其中每一個(gè)元素由1個(gè)檢測(cè)邊界框和相應(yīng)的分類(lèi)器得分構(gòu)成；然后嚴(yán)格按分類(lèi)器得分對(duì)集合D排序，選中得分最高的檢測(cè)結(jié)果，依次計(jì)算該檢測(cè)邊界框?qū)Φ梅州^低的候選邊界框的覆蓋比例，丟棄覆蓋超過(guò)50％的候選邊界框；再更新檢測(cè)結(jié)果并排序，重復(fù)上一個(gè)步驟，最終選擇出所有符合要求的邊界框．由于傳統(tǒng)的簡(jiǎn)化非極大值抑制方法存在約束條件單一、消除誤檢不充分的問(wèn)題，本文在傳統(tǒng)的簡(jiǎn)化非極大值抑制基礎(chǔ)上，增加兩條輔助約束條件，提出一種改進(jìn)的簡(jiǎn)化非極大值抑制．

1簡(jiǎn)化非極大值抑制的一般化討論

本節(jié)首先對(duì)傳統(tǒng)的簡(jiǎn)化非極大值抑制展開(kāi)一般化的討論，然后以DPM目標(biāo)檢測(cè)方法在INRIAPerson測(cè)試集上檢測(cè)行人目標(biāo)為例，分析傳統(tǒng)的簡(jiǎn)化非極大值抑制的不足．

1．1傳統(tǒng)的簡(jiǎn)化非極大值抑制Felzenszwalb等［9］認(rèn)為簡(jiǎn)化非極大值抑制是一種“貪婪”的方法，這里的“貪婪”體現(xiàn)在它總是優(yōu)先選擇分類(lèi)器得分高的檢測(cè)結(jié)果．一旦候選邊界框與已經(jīng)被選中的邊界框觸發(fā)簡(jiǎn)化非極大值抑制的約束條件，總是分類(lèi)器得分低的候選邊界框被丟棄。

1．2簡(jiǎn)化非極大值抑制的不足簡(jiǎn)化非極大值抑制后處理方法非常簡(jiǎn)潔，但是也存在明顯不足．如圖1所示，DPM目標(biāo)檢測(cè)方法在INRIAPerson測(cè)試集上檢測(cè)行人目標(biāo)時(shí)，存在很多類(lèi)似圖1中展示的誤檢．

2改進(jìn)的簡(jiǎn)化非極大值抑制

傳統(tǒng)的簡(jiǎn)化非極大值抑制憑借簡(jiǎn)潔實(shí)用的優(yōu)點(diǎn)得到了廣泛應(yīng)用，然而單一約束條件嚴(yán)重限制了后處理的效果．本節(jié)提出了兩條改進(jìn)的約束條件，可以有效解決傳統(tǒng)簡(jiǎn)化非極大值抑制的不足，顯著提升目標(biāo)檢測(cè)方法的性能．

2．1“抑制完全覆蓋檢測(cè)”約束我們觀察到一個(gè)頻繁出現(xiàn)的現(xiàn)象，如圖1所示．尺寸大的誤檢邊界框往往將小的檢測(cè)邊界框完全覆蓋．受此啟發(fā)，我們提出“抑制完全覆蓋檢測(cè)”約束：如果分類(lèi)器得分低的候選檢測(cè)邊界框?qū)⒁呀?jīng)選中的邊界框完全覆蓋，則丟棄該候選檢測(cè)結(jié)果．

2．2“PASCALVOC重疊判據(jù)”約束為了解決“抑制完全覆蓋檢測(cè)”約束的不足，我們繼續(xù)提出“PASCALVOC重疊判據(jù)”約束，這個(gè)約束條件源于PASCALVOC目標(biāo)檢測(cè)評(píng)價(jià)方法，約束也由此得名．PASCALVOC挑戰(zhàn)賽［10］對(duì)于是否檢測(cè)到目標(biāo)的評(píng)價(jià)方法，即所謂PASCALVOC重疊判據(jù)，是通過(guò)計(jì)算檢測(cè)結(jié)果邊界框與標(biāo)注真實(shí)值（groundtruth）邊界框的重疊率，如公式（2）所示．當(dāng)檢測(cè)結(jié)果邊界框Bp與標(biāo)注真實(shí)值邊界框Bgt的交集面積與其并集面積的比值超過(guò)閾值50％時(shí)，檢測(cè)結(jié)果Bp視為正確檢測(cè)到目標(biāo).

3實(shí)驗(yàn)結(jié)果分析

驗(yàn)證實(shí)驗(yàn)采用DPM在INRIAPerson數(shù)據(jù)集上訓(xùn)練得到的行人混合模型，如圖4所示．該混合模型共有2個(gè)組件模型，每個(gè)組件模型分別包含8個(gè)可變形部位．INRIAPerson測(cè)試集由288張正樣本測(cè)試圖片組成，共包含589個(gè)目標(biāo)．我們利用該模型在INRIAPerson測(cè)試集上檢測(cè)行人目標(biāo)．用傳統(tǒng)的簡(jiǎn)化非極大值抑制對(duì)檢測(cè)結(jié)果后處理時(shí)，存在大量分類(lèi)器得分低且尺寸較大的邊界框，原始約束條件在邊界框交集面積覆蓋大邊界框的比例小于設(shè)置閾值時(shí)失效，產(chǎn)生大量如圖1中所示的誤檢．本文新增的兩條約束條件有效抑制了這些誤檢，故而更好地發(fā)掘出檢測(cè)方法的性能．同時(shí)，這種改進(jìn)的簡(jiǎn)化非極大值抑制僅在原始方法的約束條件處增加了兩條“或”判斷條件，未改變算法的計(jì)算復(fù)雜度．需要指出的是，我們?cè)趯?shí)驗(yàn)過(guò)程中有兩點(diǎn)發(fā)現(xiàn)：①I(mǎi)NRIA在標(biāo)注真實(shí)值時(shí)，忽略了很多部分遮擋的目標(biāo)，而基于部位的目標(biāo)檢測(cè)方法，如DPM等可能檢測(cè)到正確卻沒(méi)有標(biāo)注的目標(biāo)，如圖6所示，從而導(dǎo)致檢測(cè)方法“被誤檢”，影響檢測(cè)方法的性能評(píng)價(jià)；②INRIAPerson數(shù)據(jù)集標(biāo)注了一些尺寸較小的目標(biāo)，檢測(cè)方法很容易漏檢這些目標(biāo)，如圖7所示，給DPM等目標(biāo)檢測(cè)方法提出了挑戰(zhàn)．

4結(jié)論

后處理在基于滑動(dòng)窗口法的目標(biāo)檢測(cè)方法中不可或缺，然而，簡(jiǎn)化非極大值抑制作為一種典型的后處理方法，由于約束條件單一存在消除誤檢不充分的問(wèn)題．本文對(duì)簡(jiǎn)化非極大值抑制的約束條件進(jìn)行了補(bǔ)充，在傳統(tǒng)簡(jiǎn)化非極大值抑制的基礎(chǔ)上引入兩條附加約束———“抑制完全覆蓋檢測(cè)”約束和“PASCALVOC重疊判據(jù)”約束，并對(duì)各約束條件進(jìn)行了一般化的分析．實(shí)驗(yàn)結(jié)果表明，采用改進(jìn)的簡(jiǎn)化非極大值抑制可以有效減少誤檢，顯著提升檢測(cè)方法的性能．這種改進(jìn)的簡(jiǎn)化非極大值抑制后處理適用于所有基于滑動(dòng)窗口法的目標(biāo)檢測(cè)方法．與傳統(tǒng)的簡(jiǎn)化非極大值抑制一樣，改進(jìn)的簡(jiǎn)化非極大值抑制也面臨閾值選擇問(wèn)題，針對(duì)INRIAPerson數(shù)據(jù)集我們提供的對(duì)比實(shí)驗(yàn)閾值方案是（0．5，0．99，0．30）．未來(lái)我們將繼續(xù)就簡(jiǎn)化非極大值抑制閾值設(shè)置和小尺寸目標(biāo)的漏檢問(wèn)題進(jìn)行研究．

作者：張強(qiáng) 張陳斌 陳宗海 單位：中國(guó)科學(xué)技術(shù)大學(xué)自動(dòng)化系