通过桥接偏最小二乘学习霍夫回归模型用于目标检测
计算机视觉与模式识别
2016-03-29 v1
摘要
流行的基于霍夫变换的目标检测方法通常通过聚类局部图像特征来构建外观码本。然而，如何为聚类步骤中使用的参数选择适当取值仍是一个开放问题。此外，从重叠图像块提取的某些流行直方图特征可能导致高度的冗余和多重共线性。本文中，我们提出一种新颖的基于霍夫变换的目标检测方法。首先，为解决上述问题，我们利用桥接偏最小二乘（BPLS）技术建立上下文编码的霍夫回归模型（HRMs），其为线性回归模型，投射概率霍夫投票以预测目标位置。BPLS 是偏最小二乘（PLS）的一种高效变体。基于 PLS 的回归技术（包括 BPLS）能够减少特征集的冗余并消除多重共线性。并且 PLS 中使用的唯一参数（即潜分量数）的适当取值可通过交叉验证过程确定。其次，为高效处理目标尺度变化，我们提出一种新颖的多尺度投票方案。在该方案中，对应于多个目标尺度的多个霍夫图像可同时获得。第三，测试图像中的目标可能对应于不同尺度上的多个真阳性和假阳性假设。基于提出的多尺度投票方案，提出一种原则性策略，通过评估假设间归一化点互信息来融合假设以减少假阳性。在实验中，我们还比较了提出的 HRM 方法与其若干变体，以评估其各组件对性能的影响。实验结果表明，所提出的 HRM 方法在流行基准数据集上取得了令人满意的性能。
引用
@article{arxiv.1603.08092,
title = {Learning Hough Regression Models via Bridge Partial Least Squares for Object Detection},
author = {Jianyu Tang and Hanzi Wang and Yan Yan},
journal= {arXiv preprint arXiv:1603.08092},
year = {2016}
}