簡化非極大值抑制分析范文

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

《中國科學技術大學學報》2016年第一期

摘要：

以簡化非極大值抑制為代表的后處理在基于滑動窗口法的目標檢測中發揮著重要作用．針對傳統簡化非極大值抑制約束條件單一、消除重復檢測不充分的問題，提出了一種改進的簡化非極大值抑制，即在傳統簡化非極大值抑制僅計算交集面積對候選檢測邊界框的覆蓋比例的基礎上，增加“抑制完全覆蓋檢測”約束和“PASCALVOC重疊判據”約束，分別對應計算交集面積對選中檢測邊界框的覆蓋比例和對并集面積的重疊比例．實驗結果表明，該改進的簡化非極大值抑制能有效消除誤檢，顯著提升目標檢測方法性能．

關鍵詞：

目標檢測；后處理；簡化非極大值抑制；抑制完全覆蓋檢測；PASCALVOC重疊判據

目標檢測是計算機視覺領域最基本的挑戰之一，廣泛應用在工業、醫學、軍事、教育、商業、體育等領域［1］．滑動窗口法是目標檢測方法中的主流方法［2］，雖然在圖像的尺度空間中稠密地滑動窗口可以有效地避免漏檢，但是也帶來了一個重要的難題：目標周圍會產生大量覆蓋目標整體或部分的彼此鄰近的窗口，分類器有很大可能將這些窗口分類為包含目標，從而導致對目標重復檢測，發生很多誤檢．正是為了處理這種情況，基于滑動窗口法的目標檢測方法中通常包括一個后處理的步驟．Viola等在做人臉檢測研究時提出維奧拉－瓊斯目標檢測框架［3］，該框架是第一種可以實時處理并給出很好檢測率的目標檢測方法．本文采用后處理方法解決重復檢測問題．首先，如果兩個檢測結果的邊界框有交疊，那么將它們劃分到同一個子集，根據此規則將所有檢測結果劃分到互不相交的子集中；然后，計算子集內所有檢測結果邊界框的平均值，得出一個最終的檢測區域．這樣，每一個子集都有一個唯一的檢測結果，大大減少了誤檢的數量．目前，非極大值抑制（non－maximumsuppression，NMS）是應用最為廣泛的一類后處理方法，C4行人檢測器等諸多目標檢測方法［5－9］均采用NMS以消除重復檢測．文獻［4］將NMS闡述為局部極大值搜索（localmaximumsearch，LMS），即通過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、簡化NMS等．Mean－ShiftNMS［6］是一種較好的NMS方法，但是在運用過程中，Mean－ShiftNMS需要設置很多的參數．這些參數嚴重依賴檢測方法的其他方面因素，如滑動窗口步長等；因此，大多數研究人員選擇采用簡潔而實用的簡化非極大值抑制．Dollár等［7］在完整的圖像中檢測目標時，在圖像多尺度空間中采用滑動窗口法，其中滑動窗口步長為4個像素，尺度步長為21／10．文中作者用到的簡化NMS只有一個參數，即重疊率閾值，并將其設置為0．6；同樣地，Enzweiler等在文獻［8］中將簡化非極大值抑制的重疊率閾值設為0．5．在可變形部位模型（deformablepartmodels，DPM）目標檢測方法［9］中，Felzenszwalb等較詳細地描述了簡化非極大值抑制的過程：首先分類器對圖片完成檢測后，獲得檢測結果集合D，其中每一個元素由1個檢測邊界框和相應的分類器得分構成；然后嚴格按分類器得分對集合D排序，選中得分最高的檢測結果，依次計算該檢測邊界框對得分較低的候選邊界框的覆蓋比例，丟棄覆蓋超過50％的候選邊界框；再更新檢測結果并排序，重復上一個步驟，最終選擇出所有符合要求的邊界框．由于傳統的簡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題，本文在傳統的簡化非極大值抑制基礎上，增加兩條輔助約束條件，提出一種改進的簡化非極大值抑制．

1簡化非極大值抑制的一般化討論

本節首先對傳統的簡化非極大值抑制展開一般化的討論，然后以DPM目標檢測方法在INRIAPerson測試集上檢測行人目標為例，分析傳統的簡化非極大值抑制的不足．

1．1傳統的簡化非極大值抑制Felzenszwalb等［9］認為簡化非極大值抑制是一種“貪婪”的方法，這里的“貪婪”體現在它總是優先選擇分類器得分高的檢測結果．一旦候選邊界框與已經被選中的邊界框觸發簡化非極大值抑制的約束條件，總是分類器得分低的候選邊界框被丟棄。

1．2簡化非極大值抑制的不足簡化非極大值抑制后處理方法非常簡潔，但是也存在明顯不足．如圖1所示，DPM目標檢測方法在INRIAPerson測試集上檢測行人目標時，存在很多類似圖1中展示的誤檢．

2改進的簡化非極大值抑制

傳統的簡化非極大值抑制憑借簡潔實用的優點得到了廣泛應用，然而單一約束條件嚴重限制了后處理的效果．本節提出了兩條改進的約束條件，可以有效解決傳統簡化非極大值抑制的不足，顯著提升目標檢測方法的性能．

2．1“抑制完全覆蓋檢測”約束我們觀察到一個頻繁出現的現象，如圖1所示．尺寸大的誤檢邊界框往往將小的檢測邊界框完全覆蓋．受此啟發，我們提出“抑制完全覆蓋檢測”約束：如果分類器得分低的候選檢測邊界框將已經選中的邊界框完全覆蓋，則丟棄該候選檢測結果．

2．2“PASCALVOC重疊判據”約束為了解決“抑制完全覆蓋檢測”約束的不足，我們繼續提出“PASCALVOC重疊判據”約束，這個約束條件源于PASCALVOC目標檢測評價方法，約束也由此得名．PASCALVOC挑戰賽［10］對于是否檢測到目標的評價方法，即所謂PASCALVOC重疊判據，是通過計算檢測結果邊界框與標注真實值（groundtruth）邊界框的重疊率，如公式（2）所示．當檢測結果邊界框Bp與標注真實值邊界框Bgt的交集面積與其并集面積的比值超過閾值50％時，檢測結果Bp視為正確檢測到目標.

3實驗結果分析

驗證實驗采用DPM在INRIAPerson數據集上訓練得到的行人混合模型，如圖4所示．該混合模型共有2個組件模型，每個組件模型分別包含8個可變形部位．INRIAPerson測試集由288張正樣本測試圖片組成，共包含589個目標．我們利用該模型在INRIAPerson測試集上檢測行人目標．用傳統的簡化非極大值抑制對檢測結果后處理時，存在大量分類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置閾值時失效，產生大量如圖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，故而更好地發掘出檢測方法的性能．同時，這種改進的簡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，未改變算法的計算復雜度．需要指出的是，我們在實驗過程中有兩點發現：①INRIA在標注真實值時，忽略了很多部分遮擋的目標，而基于部位的目標檢測方法，如DPM等可能檢測到正確卻沒有標注的目標，如圖6所示，從而導致檢測方法“被誤檢”，影響檢測方法的性能評價；②INRIAPerson數據集標注了一些尺寸較小的目標，檢測方法很容易漏檢這些目標，如圖7所示，給DPM等目標檢測方法提出了挑戰．

4結論

后處理在基于滑動窗口法的目標檢測方法中不可或缺，然而，簡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題．本文對簡化非極大值抑制的約束條件進行了補充，在傳統簡化非極大值抑制的基礎上引入兩條附加約束———“抑制完全覆蓋檢測”約束和“PASCALVOC重疊判據”約束，并對各約束條件進行了一般化的分析．實驗結果表明，采用改進的簡化非極大值抑制可以有效減少誤檢，顯著提升檢測方法的性能．這種改進的簡化非極大值抑制后處理適用于所有基于滑動窗口法的目標檢測方法．與傳統的簡化非極大值抑制一樣，改進的簡化非極大值抑制也面臨閾值選擇問題，針對INRIAPerson數據集我們提供的對比實驗閾值方案是（0．5，0．99，0．30）．未來我們將繼續就簡化非極大值抑制閾值設置和小尺寸目標的漏檢問題進行研究．

作者：張強 張陳斌 陳宗海 單位：中國科學技術大學自動化系