通用目标检测算法研究进展与评述

《通用目标检测算法研究进展与评述》由会员分享，可在线阅读，更多相关《通用目标检测算法研究进展与评述（7页珍藏版）》请在装配图网上搜索。

1、通用目标检测算法研究进展与评述张淮峰何祥健吴强(悉尼科技大学 信息技术学院 , 澳大利亚 悉尼 2007 )摘 要 通用目标检测是计算机视觉和模式识别领域中最活跃的研究主题之一 ,在图像检索 、目标识别 、辅助驾驶系统 以及视觉监控等许多方面都有着重要应用 . 目标检测研究中要解决的基本问题是 ,如何选取目标特征 ,以及如何利用这些特 征描述目标物体 . 一般情况下 ,目标物体的描述方法跟目标特征的选取原则密切相关 . 论文从两类典型的特征类型出发 , 对 目标检测研究的暨有成果加以回顾与评述 ,并对可能的发展趋势进行分析 .关键词 目标检测 ;计算机视觉 ;目标表示 ;类 H aa r特征【

2、中图分类号 】TP39114【文献标识码 】A【文章编号 】1672 8513 ( 2006 ) 04 - 0261 - 07Gene ric O b jec t D e tec tion: A Su rveyZhang H ua ifeng, H e X iangjian, W u Q iang( Facu lty of Info rm a tion Techno logy, U n ive rsity of Techno logy Sydney, Sydney 2007 , A u stra lia)A b stra c t: Gene ric O b jec t de tec tion

3、is one of the mo st ac tive re sea rch top ic s in comp u te r vision and p a tte rn rec2ogn ition. A u tom a tic ob jec t de tec tion ha s impo rtan t app lica tion s in the fie ld of im age re trieva l, ob jec t recogn ition, d rive r a ssistan t system , visua l su rve illance, and so on. The fun

4、dam en ta l issue of ob jec t de tec tion is how to extrac t fea tu re s and how to mode l the ob jec t u sing the se fea tu re s. Gene ra lly, the p rob lem of mode ling the ob jec t is re la ted to the way of extrac ting fea tu re s. In th is p ap e r, the p reviou s a lgo rithm s a re reviewed ba

5、 sed on d iffe ren t k ind s of fea2 tu re s. In each a lgo rithm , we a lso ana lyze the m e thod of mode ling ob jec t. In the end, we w ill p re sen t som e po ssib le fu tu re wo rk in the a rea of ob jec t de tec tion.Key word s: ob jec t de tec tion; comp u te r vision; ob jec t p re sen ta ti

6、on; H aa r - like fea tu re检测中使用圆形特征 6 、文字检测中使用字符的连通性特征 7 、汽 车 牌 照 检 测 中 使 用 长 宽 比 特 征 8 等 ,使之很难推广到 其 它类 别的 目 标检 测任 务 中. 另一方面 ,计算机视觉研究的终极目标之一 , 是要 让计算机更好地模拟人类视觉 ,甚至在一定的条件 下取代人类视觉 ,使之能很好地应用于图像检索 、智 能识别等领域. 因此 ,从 20 世纪 90 年代中后期以 来 ,越来越多的研究者将目光转向非特定类别物体 的目标检测算法研究 ,并取得了明显的进展 . 本文 所要讨论的目标检测算法不再局限于某一特定类别

7、目标物体的检测 ,所使用的特征也不再是某一类别 的物体所特有的 ,而是可以应用于不同类别的物体0 引言目标检测是人类视觉的基本功能 ,也是计算机视觉 ( comp u te r vision ) 研究的主要内容之一 . 目标 检测所要实现的目标是 ,用计算机将目标物体从含有其它物体背景的二维图像中检测出来 . 从 20 世纪 70 年 代 开 始 , 就 有 许 多 研 究 者 关 注 这 一 问 题 1 - 3 ,并取得了一些重要成果 ,开发了诸如光学字 符识别 (OCR )系统 ,固定场景下的车牌识别系统等 一些实用的模式识别系统. 20 世纪 90 年代初 ,目标 检测问题的研究重点开始

8、由简单背景下的目标检测 拓展到复杂背景下 4 - 5 . 但算法中所采用的特征集 局 限于某一类特定类别的目标物体 , 例如公路路标3收稿日期 : 2006 - 08 - 04.作者简介 :张淮峰 ( 1976) ,河南南阳人 , 1997、2000、2004年分别在大连理工大学 、西安交通大学和中国科学院自动化所 获学士 、硕士 、博士学位 . 现为澳大利亚悉尼科技大学信息技术学院博士后 ,主要研究兴趣为目标检测与分类 、 运动物体跟踪 、图像匹配和计算机定标等 .上 ,因此 ,本文讨论的主题可以被看成是对通用目标检测算法研究成果的回顾与评述 .虽然目标检测的研究取得了一定的进展 ,但跟 人

9、们的期望相比 ,仍然有很大的差距 ,究其原因 ,主 要是在研究中存在以下几个方面的困难或挑战 :( 1 )同类别差异 ( In tra - c la ss V a ria tion)由于我们讨论的目标检测都是针对类别目标而 言 ,在现实中 ,即使同一类目标也会呈现出非常明显 的差异 ,如图 1 ( a)中的汽车和 ( b )中的汽车存在明 显的不同 .( 2 )视点变化 ( Change s of V iewpo in t)由于观察视点的变化 ,同一目标物体在图像中 会发生明显的变化 . 这些变化既可能表现为尺度 、 旋转 、倾斜度的差异 , 也 可能 表 现为 透视 投 影的 差 异 ,如图

10、 1 ( c)和 ( d) ,由于从不同的角度观察 ,图像 中的公共汽车呈现出极大的差异 .( 3 )光照差异 ( Illum ina tion V a ria tion)目标物体光照的变化会改变图像中像素的颜色值或灰度值 . 这种变化既可能是简单的像素值的平 移或尺度变化 ,也可能是目标物体上的阴影等复杂 的变化 ,如图 1 ( c)和 ( e )所示 . 另外图 1 ( f)则是光 照形成阴影的例子 ,这些问题都加大了目标检测的 难度 .( 4 )遮挡问题 (O cc lu sion)有些时候 ,目标物体的某一些部分会被其它物 体挡住. 也有的时候 ,随着视点的变化 ,物体的某一 部分会被

11、自身的其它部分遮挡 ,如图 1 ( g)中的马匹 和 ( h)中的人脸.( 5 )复杂背景 ( C lu tte red B ackground)绝大多数自然图像中 ,目标物体都不是存在于 简单的背景上 ,相反 ,背景中可能包含各种各样的其 它物体. 复杂背景的存在使得准确而又快速地检测 目标变得十分困难.余特征的 集 合 , 然后 利用 机 器 学 习 ( m ach inelea rn21 通用目标检测目标检测的核心问题是目标物体的表示 ( rep re2 sen ta tion) ,而目标物体的表示则要通过许多特征的 组合得到 . 而且 ,由于我们很难人为定义一种准则 来描述目标物体的特

12、性 ,越来越多的机器学习方法 比 如 EM 算 法 9 、神 经 网 络 10 、支 撑 向 量 机( SVM ) 11 以及 Boo sting算法 12 - 13 等 , 被应用到 目 标检测和识别领域.目标检测的一般思路是 ,首先获得含有大量冗ing)的方法 ,从特征集合中找到最能够反映目标物体特性的那些特征 ,从而构造分类器 ( c la ssifie r) ,实 现目标物体的检测. 当前通用目标检测领域所使用 的特征主要可以分为两类 . 一类是通过划分或变换得到的特 征 , 本 文 主 要 讨 论 其 中 使 用 最 广 泛 的 类H aa r ( H aa r - like ) 特

13、 征 14 . 这 类 特 征 的 主 要 特 点 是 :特征计算十分简单 ,特征集合的冗余信息能够很好的描述目标物体的特性 . 另外 ,只要图像大小确 定 ,特征集合中各个特征的位置以及集合中总的特征数量就是固定的 ,这使得利用类 H aa r特征构建分类器比较简单 ;另一类是针对目标物体提取出的特 征 ,例如物体的纹理特征或边界特征. 这类特征的共 同特点是特征的位置并不是事先确定的 ,而是同待 检测的目标物体密切相关 ,这类特征往往可以得到 变形模版 , 从而更好的描述非刚体 ( non - rigid ) 目 标 . 但缺点是特征一般比较复杂 ,特征计算的时间比 较长. 在本文中 ,我

14、们首先介绍基于类 H aa r特征的 方法 ,然后对基于纹理和边界特征的目标检测方法 进行讨论 ,最后分析目标检测今后的发展趋势.同时能够很好地构造分类器 ,不过利用支撑向量机进行检测时仍然需要消耗较长的时间 .2001年 , Mohan等将待检测的目标物体划分成 不同的部分 , 利 用 Pap ageo rgiou 等人 提 出的 目标 检 测框架 ,分别对不同的部分进行检测 ,然后对检测结 果进行组合和判断 ,最终检测出目标物体 18 . 相对 于将目标物体看作一个整体 ,这种基于不同部分的 检测方法对于变形较大的目标 具有 较 好的 检测 精 度 ,但同时引入的一个问题就是如何有效的对目

15、标 物体进行划分以及如何将最终的检测结果进行有效 的组合和判断 .2001 年 , V io la 等人首先将 A daboo st算法 12 引 入到目标检测中 14 , 19 . V io la 等人的 算 法没 有进 行 小波变换 ,而是计算图像中相邻区域的平均灰度值 的差异 ,即类 H aa r小波特征 . 由于作者将积分图像 的思想应用到类 H aa r小波特征的计算中 ,极大地提 高了特征的获取速度 . 在分类器的训练阶段 ,作者 使用了 A daboo st算法从 一 个数 目巨 大 的特 征集 合 中选取一小部分最有效的特征用于分类器 ,从而大 大减小了训练和检测时间 . 最后

16、 ,作者还使用了分 层 ( ca scade)的分类器 ,使得算法在不影响检测精度 的基础上 ,获得了极高的检测速度 ,使得复杂背景下 的目标检测应用于实时系统中成为可能 .2002 年 , L ienha rt等人将 V io la的算法基础上提 出了扩展的类 H aa r特征 20 . 该算法不仅使用了水 平和竖直方向的矩形区域作为特征 ,而且将矩形进 行旋转 ,得到了与水平方向成 45 度角的矩形特征. 虽然更多类型的特征有助于进一步准确的描述目标 物体的特性 ,但同时也增大了计算的复杂度. L ien2 ha rt等人也提出了 45度特征的快速计算方法 ,使得 系统的速度没有受到严重影

17、响 20 . 在文献 21 中 ,L ienha rt等人进 一 步提 出了 利用 树 结构 的 分 类 器. 由于目标物体的类内差异的存在 ,许多目标检测任 务无法用一个单一模型进行描述 . 文献 21 正是针 对这个问题提出了树结构的分类器 . 在训练分类器 的过程中 ,并不是将所有目标物体的样本看成一类 , 而是将它们事先进行聚类操作 ,根据样本与这两个 或多个聚类中心的距离进行分类 ,从而提高了检测 精度 . 值得一提的是 ,此算法的源代码被 In te l的计 算机视觉公开源代码库 (Op en CV ) 收入 ,使得基于 类 H aa r特征的目标检测算法得到了更广泛的应用.200

18、5 年 , M ita 等 人 从 另 外 一 个 角 度 推 广 了 类2基于类 Haa r 特征 ( Haa r - l ike fea ture )的方法类 H aa r特征 是由 H aa r小 波 ( H aa r wave le t) 系 数演化而来 , 2001 年 V io la 等人首次将 A daBoo st算 法和类 H aa r特征相结合应用于目标检测 14 , 并取 得了巨大的成功. 由此基于类 H aa r特征的目标检 测算法得到了大多数研究者的重视 ,形成了一系列 的研究成果 . 本节将对一些主要算法加以回顾与评 述 .1997 年 , O ren 等 人 在文

19、献 15 中 使 用 过 完 备( ove rcomp le te)的 H aa r小波系数来描述行人 ( p ede s2 trian)的特性 ,从而实现行人的检测 . 算法首先对图 像进行四重密度 ( quad rup le den sity)的小波变换 ,得 到一组过完备的小波系数 ,然后选择能够反映相邻 区域灰度变化最大和最小的小 波系 数构 成 特征 向 量 ,利用训练样本得到目标物体的特征模版 ,实现了 复杂背景下的目标检测 . 由于过完备的小波系数能 够很好地描述特定区域之间的关系 , O ren 等人的算 法在复杂背景中检测行人得到了令人鼓舞的效果 . 但是 ,文献 15 用于

20、构造特征向量的小波系数是人 为地选择得到的 ,这使得算法过于依赖人的经验 ,很 难推广到不同类别物体的目标检测中 .1998 年 , Pap ageo rgiou 等 在 文 献 16 , 17 中 将 O ren等人的算法推广到人脸检测 、汽车检测中 , 提 出了一个目标检测的通用框架 . 相对于 O ren 等人 的算法 , Pap ageo rgiou 等人算法的最大改进在于 ,利 用支撑向 量 机 ( SVM ) 对 特 征 向 量 进 行 降 维 . 由 于 Pap ageo rgiou等人的算法中使用了上千维的特征向 量以便更好地描述目标物体的特性 ,若使用简单的 分类算法时便会陷

21、入“高维灾难 ”中 ,使得算法无法 实现. 支撑向量机学习可以得到较少的支撑向量 ,H aa r特征 22 ,在他们的算法中 ,分类器中的类 H aa r特征不再是相互独立的 ,而是具有一定的相互关系 , 因此作者叫它们联合类 H aa r特征 ( Jo in t H aa r - like fea tu re) . 实验 结 果 表 明 , 当 使 用 同 样 数 量 的 特 征 时 ,文献 22 的算法同 V io la 等人的算法相比具有 更高的检测精度.前述算法采用的都是单一类型特征 ,因此不论 特征本身如何改进 ,这种类 H aa r特征都相对过于简单 . 如果要提高检测效果 ,就需

22、要增加数目巨大的特征 . 这样做的结果 ,不仅会降低系统的检测速度 ,更 重要的是 ,会降低系统的稳定性 ,还有可能使分类器 的训练无法满足设计要求 . 为此 , 2006 年 Zhang等 人从分类器结构上改进了以前的算法 23 - 24 ,在分类 器中引入 了 全局 特征 , 并 将 其 与 类 H aa r特 征 相 结 合 ,得到了简单高效的分类器. 实验结果表明 ,该算 法在不影响检测精度的基础上 ,大大降低了系统的 复杂性和检测时间.确定决策权值 ,并最终获得了优于二者的检测效果.L e ibe等人的方法 31 - 32 也沿用了 A ga rwa l算法 的思路. 首先选用 H

23、a rris算子 33 提取特征 ,再经过 聚类形成一个 codebook of loca l app ea rance 的集合. L e ibe等人的方法不再使用特征之间的简单关系作为目标物体的特性 ,而是通过训练一个名为“ imp lic2 it shap e mode l”的模型描述目标物体的特性 . 在检 测的过程中 ,作者使用了广义 Hough 变换 ( gene ra l2ized Hough tran sfo rm ) 34 - 35 得到目标物体的中心 ,通 过此中 心 可 以 反 投 ( backp ro jec tion ) 得 到 物 体 的 轮廓 ,从而实现了基于目标的

24、图像分割.Zhang等 人 提 出 了 一 种 基 于 空 域 直 方 图 特 征 ( sp a tia l h istogram fea tu re s) 的目标检测 方法 36 . 这 种方法首先使用局部二值模版 37 - 38 对图像进行预 处理 ,因此具有一定程度的旋转不变性 . 文中还研 究了自动选择空域直方图特征的方法 ,并利用支撑 向量机和分层直方图匹配训练得到了一个分级 ( H i2 e ra rch ica l)的分类器 . 由于空域直方图能够同时保 持目标物体的纹理和形状特征 , Zhang等人的算法 在应用于汽车检测和文字检测 时显 示 了较 好的 鲁 棒性 .A li等

25、 人 39 利 用 Ke rne l PCA ( ke rne l p rinc ip a l componen t ana lysis) 40 将图像空间变换到一个高维 线形可分的空间 ,得到一组高维特征向量 ,然后再利 用 A daboo st对其中的有效维进行选择 ,实现维数的 降低 ,从而得到一个相对简单而又高效的分类器.B e tn ste in等人 41 利 用 一组 混合 概 率模 型来 表 示图像非平坦区域的特征 ,这些特征能够反映图像 的局部特征并具有很强的稳定性 ,当这些特征用于复杂背景下的目标检测时 ,能够产生很高的检测率.这种方法的优点在于 ,由于特征是用一组混合概率

26、模型表达 ,即使使用简单的分类方法也能获得很好 的检测效果 ,缺点在于特征提取本身比较耗时 ,需要 使用 EM 算法估计参数.D a la l等人 42 将有向梯度直方图 ( h istogram s of o rien ted grad ien ts)同 S IFT描述子 43 相结合 ,得到一 种局部区域特征 ,这种特征能够很好地描述目标物 体的局部形状 . 当作者将这种特征应用于行人检测 时 ,得到了比以往方法都要高的检测率. 由于本方法 只进行了行人检测 ,在其它类型的目标检测问题中 是否同样具有优势还需要进一步研究 .Sho tton等人 44 利用基于轮廓信息的特征用于3 基于纹理

27、及边界特征的方法利用纹理与 边 界特 征进 行 目标 检测 2 , 25 已 经 存在了相当长的时间 . 随着计算机性能的进一步提 高 、特征描述算法的改进和统计模式识别的发展 ,利 用纹理和边界特征进行目标检测近年来取得了重大 的进展.A ga rwa l等 在 文 献 26 , 27 中 使 用 Fo rstne r 算 子 28 提取特征 ,经过聚类操作 ,形成不同类别的特 征 . 同时 , A ga rwa l考察了特征之间的距离和方向 , 将这两个量分别量化并形成一个二维矩阵 ,最终的 特征向量是用特征的类型和特 征之 间的 关 系来 表 示 . 另 外 , 作者 还讨 论了 一 个

28、容 易被 忽 视的 问题 : 当滑动窗口遍历整个图像搜索目标物体时 ,对于同 一个目标 ,总会有不止一个窗口被判别为目标窗口 . 在 26 - 27 中 ,还提出了一种名为“c la ssifie r ac tiva2 tion m ap ”的算法用以寻找相邻区域 中最 接 近目 标 物体的窗 口 , 并 把 它 作 为 最 终 输 出 的 目 标 物 体 的 窗口.Ga rg等在 A ga rwa l等人方法的基础上 , 使用独 立分量 分 析 ( indep enden t componen t ana lysis) 29 作 为全局特征 ,并把利用全局特征的分类器同 A ga rwa l

29、 等人的分类算法相结合 ,提出了一种融合二者特性 的分 类 器 30 . 核 心 思 想 是 沿 用“c la ssifie r ac tiva tion m ap ”的思路 ,根据两种分类器产生的 ac tiva tion m ap( 2 )目标检测与图像分割相结合图像分割是图像处理领域中一个极为重要的问 题 . 长期以来 ,图像处理都是从图像的底层信息出 发 ,采用自下而上的策略 47 . 近年来 ,由于目标检测 领域的研究取得了很大的进展 ,使得采用自上而下 的策略进行图像分割成为可能.( 3 ) 使用反馈系统实际上 ,对于目标检测系统而言 ,除了常见的前 向通道系统 ,还有研究者探索使

30、用反馈系统的目标 检测算法 48 ,不仅减少了训练样本的数目 ,还在一 定程度上提高了系统的灵活性和鲁棒性 .目标检测 . 首先 ,利用分段的轮廓信息作为基本元素 ,利用 cham fe r m a tch ing得到目标物体的模型. 由 于他们的方法是基于图像中原有的物体轮廓 ,在学 习时不再需要手工选择目标物体 ,而且大量特征的 使用也使得算法对于类内差异 、不同的光照以及部 分遮挡具有较好的鲁棒性 .4 发展趋势尽管复杂背景下的通用目标检测算估研究已取得了一定成果 ,但距离计算机实现人类视觉仍然还 有很大的差距 ,今后一段时间内 ,目标检测的研究应 该会呈现出以下几个主要趋势.( 1 )

31、更少的训练样本和更少的人工干预 现有的大多数算法在获取目标物体的样本时采用了人工干预的方法 ,而且一般的训练算法都使用 了大量的训练样本 ,数目从几百个到成千上万个 ,甚 至达到了几百万个 ,使分类器的训练十分耗时. 但 在实际应用中 ,如果样本的数量很大 ,需要检测的目 标物体类别又很多 ,利用人工方法获得样本就会耗 时耗力 ,甚至无法满足系统的要求. 最近已经有学 者关注这个问题 ,并在基于目标的图像分类中进行 了尝试 45 - 46 . 但是由于基于目标的图像分类问题与 目标检测存在着不小的差别 ,如何在目标检测问题 中进行无监督学习和分类将是 一个 研究 的 难点 和 重点.5 结语目

32、标检测一直是计算机视觉研究的重要方面 ,而自动目标检测在图像检索 、目标识别 、辅助驾驶系 统以及视觉监控等许多方面都有着重要应用 . 由于 在实际图像中 ,目标物体总不可避免的处于相对复 杂的背景下 ,因此复杂背景下的目标检测已经受到 越来越多计算机视觉研究人员的重视 ,并成为当前 计算机视觉研究中最活跃的一个领域 . 本文根据描 述物体的不同特征对算法进行分类 ,回顾和分析了 通用目标检测算法的最新研究成果 ,并对未来的发 展趋势加以阐述 ,希望能够对相关领域的研究人员 把握该学科研究动态有所帮助.参考文献 : 1 2 B IN FORD T O. V isua l Pe rcep tio

33、n by Comp u te r C . in P roc.of IEEE Confe rence on System s and Con tro l, 1971.F ISCHL ER M A , EL SCHLA GER R A. The R ep re sen ta tion and M a tch ing of P ic to ria l Struc tu re s J . IEEE Tran sac tion s on Com 2p u te r, 1973 , 22 ( 1 ) : 67 - 92.LAMDAN Y, SCHWAR TZ J T, WL FSON H J. O b j

34、ec t R ecogn ition by A ffine Inva rian t M a tch ing C . in P roc. of In te rna tiona lConfe rence on Comp u te r V ision and Pa tte rn R ecogn ition, 1988: 335 - 344.L EUN G T K, BURL M C, PERONA P. F ind ing Face s in C lu tte red Scene s U sing R andom L abe led Grap h M a tch ing C . in P roc.

35、of F ifth In te rna tiona l Confe rence on Comp u te r V ision, 1995: 637 - 644.YAN G G, HUAN G T S. H um an Face D e tec tion in A Comp lex B ackground J . Pa tte rn R ecogn ition, 1994, 27 ( 1) : 53 - 63.P ICC IOL I G, M ICH EL I E D i, PAROD I P, e t a l. Robu st M e thod fo r Road Sign D e tec t

36、ion and R ecogn ition J . Im age and V isionComp u ting, 1996 , 14 ( 3 ) : 209 - 223.OH YA J , SH IO A , A KAMA TSU S. R ecogn izing Cha rac te rs in Scene Im age s J . IEEE Tran sac tion s on Pa tte rn A na lysis and M a2ch ine In te lligence, 1994 , 16 ( 2 ) : 214 - 220.K IM S K, K IM D W , K IM H

37、 J. A R ecogn ition of V eh ic le L icen se P la te U sing a Gene tic A lgo rithm B a sed Segm en ta tion C . inP roc. of In te rna tiona l Confe rence on Im age P roce ssing, 1996 , 2: 661 - 664.B ILM ES J. A Gen tle Tu to ria l on the EM A lgo rithm and Its App lica tion to Pa ram e te r E stim a

38、tion fo r Gau ssian M ixtu re and H iddenM a rkov Mode ls R . Techn ica l R epo rt CS I - TR - 97 - 021, U n ive rsity of B e rke ley, 1998. 3 4 5 6 7 8 9 10 B ISHO P C M. N eu ra l N e two rk s fo r Pa tte rn R ecogn ition M . 1995 , O xfo rd: C la rendon P re ss. 11 BUR GES C J C. A Tu to ria l on

39、 Suppo rt V ec to r M ach ine s fo r Pa tte rn R ecogn ition J . D a ta M in ing and Know ledge D iscove ry,1998, 2 ( 2 ) : 121 - 167.FR EUND Y. A n A dap tive V e rsion of the Boo st by M a jo rity A lgo rithm J . M ach ine L ea rn ing, 2001, 43 ( 3) : 293 - 318.FR EUND Y, SCHA P IR E R E. A D ec i

40、sion - Theo re tic Gene ra liza tion of O n - L ine L ea rn ing and an App lica tion to Boo sting J . Jou rna l of comp u te r and system sc ience s, 1997 , 55 ( 1 ) : 119 - 139.V IOLA P, JON ES M. R ap id O b jec t D e tec tion U sing a Boo sted Ca scade of Simp le Fea tu re s C . in P roc. of In t

41、e rna tiona l Confe r2ence on Comp u te r V ision and Pa tte rn R ecogn ition, 2001 , 1: 511 - 518.OR EN M , PA PA GEOR G IOU C, S INHA P, e t a l. Pede strian D e tec tion U sing W ave le t Temp la te s C . in P roc. of 1997 IEEE Comp u te r Soc ie ty Confe rence on Comp u te r V ision and Pa tte r

42、n R ecogn ition, 1997: 193 - 199.PA PA GEOR G IOU C, PO GG IO T. A Tra inab le System fo r O b jec t D e tec tion J . In te rna tiona l Jou rna l of Comp u te r V ision, 2000,38 ( 1 ) : 15 - 33.PA PA GEOR G IOU C P, OR EN M , PO GG IO T. A Gene ra l F ram ewo rk fo r O b jec t D e tec tion C . in P

43、roc. of the Sixth In te rna tion2a l Confe rence on Comp u te r V ision, 1998: 555 - 562.MOHAN A , PA PA GEOR G IOU C, PO GG IO T. Examp le - B a sed O b jec t D e tec tion in Im age s by Componen ts J . IEEE Tran sac2tion s on Pa tte rn A na lysis and M ach ine In te lligence, 2001 , 23 ( 4 ) : 349

44、 - 361.V IOLA P, JON ES M J. Robu st R ea l - Tim e Face D e tec tion J . In te rna tiona l Jou rna l of Comp u te r V ision, 2004 , 57 ( 2 ) : 137 -154.L IENHAR T R , MA YD T J. A n Extended Se t of H aa r - L ike Fea tu re s fo r R ap id O b jec t D e tec tion C . in P roc. of the IEEE In te r2na

45、tiona l Confe rence on Im age P roce ssing, 2002, 1: 900 - 903.L IENHAR T R , L IAN G L , KURANOV A. A D e tec to r Tree of Boo sted C la ssifie rs fo r R ea l - Tim e O b jec t D e tec tion and Track ing C . in P roc. of the In te rna tiona l Confe rence on M u ltim ed ia and Expo, 2003, 2: II - 27

46、7 - 280.M ITA T, KAN EKO T, HOR I O. Jo in t H aa r - like Fea tu re s fo r Face D e tec tion C . in P roc. of In te rna tiona l Confe rence on Com 2p u te r V ision, 2005: 1619 - 1626.ZHAN G H , J IA W , H E X, e t a l. A Fa st A lgo rithm fo r L icen se P la te D e tec tion in V a riou s Cond itio

47、n s C . in P roc. of In te rna2tiona l Confe rence on System , M an and Cybe rne tic s, Ta ip e i, Ch ina, 2006.ZHAN G H , J IA W , H E X, e t a l. L ea rn ing - B a sed L icen se P la te D e tec tion U sing Globa l and Loca l Fea tu re s C . in P roc. of In2te rna tiona l Confe rence on Pa tte rn R

48、 ecogn ition, Hong Kong, Ch ina, 2006.ULLMAN S, BA SR I R. R ecogn ition by L inea r Com b ina tion s of Mode ls J . IEEE Tran sac tion s on Pa tte rn A na lysis and M ach ineIn te lligence, 1991, 13 ( 10) : 992 - 1006.A GARWAL S, AWAN A , RO TH D. L ea rn ing to D e tec t O b jec ts in Im age s via

49、 a Sp a rse J . p a rt - ba sed rep re sen ta tion. IEEE Tran sac tion s on Pa tte rn A na lysis and M ach ine In te lligence, 2004. 26 ( 11 ) : 1475 - 1490.A GARWAL S, RO TH D. L ea rn ing a Sp a rse R ep re sen ta tion fo r O b jec t D e tec tion C . in P roc. of Eu rop ean Confe rence on Com 2p u

50、 te r V ision, 2002: 113 - 130.HARL ICK R M , SHA P IRO L G. Comp u te r and Robo t V ision IIM . 1992 - 1993: A dd ison - W e sley.BAR TL ETT M S, LAD ES H M , SEJNOW SK I T J. Indep enden t Componen t R ep re sen ta tion s fo r Face R ecogn ition C . in P roc. ofSP IE Confe rence on H um an V isio

51、n and E lec tron ic Im aging III, San Jo se, CA , 1998.GARH A , A GARWAL S, HUAN G T S. Fu sion of Globa l and Loca l Info rm a tion fo r O b jec t D e tec tion C . in P roc. of P roceed2ings of In te rna tiona l Confe rence on Pa tte rn R ecogn ition, 2002 , 3: 723 - 726.L E IB E B , L EONARD IS A

52、, SCH IEL E B. Com b ined O b jec t Ca tego riza tion and Segm en ta tion w ith an Imp lic it Shap e Mode l C . inP roc. of ECCV W o rk shop on Sta tistica l L ea rn ing in Comp u te r V ision, 2004: 17 - 32.L E IB E B , SCH IEL E B. Sca le - Inva rian t O b jec t Ca tego riza tion U sing a Sca le -

53、 A dap tive M ean - Sh ift Sea rch C . in P roc. ofDA GM 04 Pa tte rn R ecogn ition Sympo sium , 2004: 145 - 153.HARR IS C, STEPH EN SM. A Com b ined Co rne r and Edge D e tec to r C . in P roc. of A lvey V ision Confe rence, 1988: 147 - 151. BALLARD D H. Gene ra lizing the Hough Tran sfo rm to D e

54、tec t A rb itra ry Shap e s J . Pa tte rn R ecogn ition, 1981, 13 ( 2 ) : 111 -122.L IW E D G. O b jec t R ecogn ition from Loca l Sca le - Inva rian t Fea tu re s C . in P roc. of Seven th IEEE In te rna tiona l Confe rence on 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

55、Comp u te r V ision, 1999 , 2: 1150 - 1157.ZHAN G H , GAO W , CH EN X, e t a l. O b jec t D e tec tion U sing Sp a tia l H istogram Fea tu re s J . Im age and V ision Comp u ting,2006, 24 ( 4) : 327 - 341.OJALA T, P IET IKA IN EN M , MA EN PAA T. M u ltire so lu tion Gray - Sca le and Ro ta tion Inv

56、a rian t Textu re C la ssifica tion w ith Lo2ca l B ina ry Pa tte rn s J . IEEE Tran sac tion s on Pa tte rn A na lysis and M ach ine In te lligence, 2002, 24 ( 7) : 971 - 987.P IET IKA IN EN M , PJALA T, XU Z. Ro ta tion - Inva rian t Textu re C la ssifica tion U sing Fea tu re D istribu tion s J .

57、 Pa tte rn R ecogn i2tion, 2000 , 33 ( 1 ) : 43 - 52.SCHOL KO PF B , SMOLA A , MULL ER K R. Non linea r Componen t A na lysis a s a Ke rne l E igenva lue P rob lem J . N eu ra l Com 2p u ta tion, 1998, 10 ( 5) : 1299 - 1319.AL I S, MUBARA K S. A Sup e rvised L ea rn ing F ram ewo rk fo r Gene ric O

58、b jec t D e tec tion in Im age s C . in P roc. of the Ten thIEEE In te rna tiona l Confe rence on Comp u te r V ision, 2005: 1347 - 1354.B ERN STE IN E J , AM IT Y. Pa rt - B a sed Sta tistica l Mode ls fo r O b jec t C la ssifica tion and D e tec tion C . in P roc. of IEEE Com 2p u te r Soc ie ty C

59、onfe rence on Comp u te r V ision and Pa tte rn R ecogn ition, 2005 , 2: 734 - 740.DALAL N , TR IGGS B. H istogram s of O rien ted Grad ien ts fo r H um an D e tec tion C . in P roc. of IEEE Comp u te r Soc ie ty Confe r2ence on Comp u te r V ision and Pa tte rn R ecogn ition, 2005: 886 - 893.LOW E

60、D G. D istinc tive Im age Fea tu re s from Sca le - Inva rian t Keypo in ts J . In te rna tiona l Jou rna l of Comp u te r V ision, 2004, 60 ( 2 ) : 91 - 110.SHO TTON J , BLA KE A , C IPOLLA R. Con tou r - B a sed L ea rn ing fo r O b jec t D e tec tion C . in P roc. of Ten th IEEE In te rna tiona l

61、Confe rence on Comp u te r V ision, 2005, 1: 503 - 510.FER GU S R , PERONA P, Z ISSERMAN A. O b jec t C la ss R ecogn ition by U n sup e rvised Sca le - Inva rian t L ea rn ing C . in P roc. ofIEEE Comp u te r Soc ie ty Confe rence on Comp u te r V ision and Pa tte rn R ecogn ition, 2003, 2: . II -

62、264 - 271.L I F F, FER GU S R , PERONA P. O ne - Sho t L ea rn ing of O b jec t Ca tego rie s J . IEEE Tran sac tion s on Pa tte rn A na lysis and M a2ch ine In te lligence, 2006 , 28 ( 4 ) : 594 - 611.GON ZAL EZ R C, WOOD S R E. D igita l Im age P roce ssingM . 1993 , N ew Yo rk: A dd ison - W e sley.ZHOU Q , MA L , CH ELB ER G D. A dap tive O b jec t D e tec tion and R ecogn ition B a sed on a Feedback Stra tegy J . Im age and V i2sion Comp u ting, 2006, 24 ( 1) :