基于多因素貝葉斯的遮擋目標(biāo)檢測(cè)

牛玉婷 張麗華 吳克偉 謝 昭 楊興明

(合肥工業(yè)大學(xué)計(jì)算機(jī)與信息學(xué)院 安徽 合肥 230009)

基于多因素貝葉斯的遮擋目標(biāo)檢測(cè)

牛玉婷 張麗華 吳克偉 謝 昭 楊興明

(合肥工業(yè)大學(xué)計(jì)算機(jī)與信息學(xué)院 安徽 合肥 230009)

復(fù)雜場(chǎng)景中的遮擋現(xiàn)象會(huì)造成目標(biāo)外觀信息損失，致使檢測(cè)過(guò)程中容易出現(xiàn)目標(biāo)遺漏。通過(guò)分析目標(biāo)表示對(duì)特定布局的依賴(lài)性，提出一種基于多因素貝葉斯的遮擋目標(biāo)檢測(cè)方法。首先，使用部件模型提供目標(biāo)局部區(qū)域的候選提議，然后，根據(jù)空間布局關(guān)系估計(jì)部件的可見(jiàn)性概率，并同時(shí)考慮目標(biāo)部件的外觀特征和形變位置，最后，構(gòu)建基于外觀、形變、可見(jiàn)性因素的貝葉斯模型，并采用最大化曲線下方面積設(shè)計(jì)目標(biāo)檢測(cè)評(píng)價(jià)函數(shù)，完成多因素權(quán)重學(xué)習(xí)。實(shí)驗(yàn)結(jié)果證明在PASCAL數(shù)據(jù)集中的有效性，優(yōu)于目標(biāo)檢測(cè)的現(xiàn)有方法。

遮擋目標(biāo)檢測(cè) 可見(jiàn)性 多因素 貝葉斯

0 引 言

目標(biāo)檢測(cè)是通過(guò)提取目標(biāo)的可判別特征，訓(xùn)練獲得區(qū)分目標(biāo)和背景的分類(lèi)器，在圖像中確定目標(biāo)位置的過(guò)程[1]。目標(biāo)檢測(cè)在視頻監(jiān)控[2]、圖像檢索[3]等領(lǐng)域有著廣泛的應(yīng)用價(jià)值。然而，由于真實(shí)世界中多目標(biāo)之間復(fù)雜的空間位置關(guān)系，成像過(guò)程中存在大量的遮擋現(xiàn)象，致使目標(biāo)檢測(cè)丟失。

現(xiàn)有方法在處理遮擋先驗(yàn)，通常使用位置和遮擋類(lèi)型，如規(guī)則網(wǎng)格的區(qū)域外觀驗(yàn)證[4]、網(wǎng)格二值可見(jiàn)性標(biāo)記[5]等。然而，上述模型的網(wǎng)格約束較強(qiáng)，無(wú)法泛化到不同目標(biāo)類(lèi)別的驗(yàn)證中。

目標(biāo)的組成結(jié)構(gòu)關(guān)系，成為目標(biāo)檢測(cè)的重要線索，基于結(jié)構(gòu)化表示的部件模型[6]PbM(Part based Model)提供了重要區(qū)域的潛在位置估計(jì)方法，該方法考慮部件位置偏移作為目標(biāo)形變處理的數(shù)據(jù)依據(jù)。然而，部件模型在處理遮擋問(wèn)題時(shí)，仍然會(huì)出現(xiàn)大量漏檢，部件模型及其演化模型Branch-and-Bound(BB)[7], Histogram Sparse Code (HSC)[8], Local Structure HOG and LBP(LS-HOGLBP)[9]等都缺乏對(duì)局部部件遮擋的解釋能力。

針對(duì)部件模型遮擋處理能力的不足，需要部件重構(gòu)關(guān)系，擴(kuò)展的部件模型研究被展開(kāi)。例如Grammar[10]模型中支持遮擋情況下的部件推理關(guān)系，Ouyang等[11]提出的檢測(cè)模型中多個(gè)目標(biāo)區(qū)域之間的重疊可以通過(guò)聯(lián)合遮擋配置關(guān)系驗(yàn)證。但是，上述方法仍然是基于外觀的，本質(zhì)上無(wú)法回避外觀歧義性。

進(jìn)一步多目標(biāo)在成像過(guò)程中的空間投影關(guān)系，成為部件遮擋評(píng)價(jià)的重要依據(jù)。通過(guò)考慮遮擋圖像與真實(shí)空間的物理投影關(guān)系，驗(yàn)證場(chǎng)景布局的遮擋配置，可以實(shí)現(xiàn)部件可見(jiàn)性概率的估計(jì)，例如3D注釋[12]、Poselet[13]、3D Aspectlets[14]等，其中Hsiao等[15]使用物理世界假設(shè)，實(shí)現(xiàn)局部興趣點(diǎn)遮擋概率估計(jì)，改善了遮擋估計(jì)的準(zhǔn)確性。但是，上述方法是針對(duì)特定的目標(biāo)類(lèi)別，在遮擋檢測(cè)中不具有通用性，并且這些方法缺乏驗(yàn)證部件可見(jiàn)性的結(jié)構(gòu)信息。因此，本文關(guān)注在利用部件外觀，形變信息的基礎(chǔ)上，加入可見(jiàn)性評(píng)價(jià)來(lái)進(jìn)一步擴(kuò)展對(duì)目標(biāo)的描述，并采用貝葉斯框架融合多個(gè)因素，通過(guò)權(quán)重優(yōu)化學(xué)習(xí)實(shí)現(xiàn)多因素貝葉斯的遮擋檢測(cè)模型。本文的主要?jiǎng)?chuàng)新點(diǎn)如下：

(1) 針對(duì)遮擋情況下的部件外觀描述不足，提出一種基于目標(biāo)外觀、形變、可見(jiàn)性的多因素目標(biāo)檢測(cè)模型，同時(shí)考慮可見(jiàn)性所具有的統(tǒng)計(jì)特性，采用貝葉斯框架評(píng)價(jià)各個(gè)因素的重要性，實(shí)現(xiàn)多因素融合。

(2) 針對(duì)外觀、形變與可見(jiàn)性特征分布不同，權(quán)重難以估計(jì)，采用最大化曲線下面積方法，實(shí)現(xiàn)了多因素貝葉斯模型的權(quán)重優(yōu)化學(xué)習(xí)。

(3) 在PASCAL數(shù)據(jù)上，驗(yàn)證了本文算法在通用目標(biāo)檢測(cè)上的執(zhí)行性能，優(yōu)于當(dāng)前先進(jìn)算法。

1 多因素貝葉斯模型

1.1 目標(biāo)評(píng)價(jià)的能量函數(shù)

基于部件的模型將目標(biāo)劃分成多個(gè)關(guān)鍵部件，并通過(guò)對(duì)部件之間引入幾何約束，使模型在處理目標(biāo)檢測(cè)中的形變目標(biāo)更加魯棒[6]。然而，該模型并沒(méi)有考慮遮擋情況下的部件評(píng)價(jià)。Hsiao等[15]采用物理統(tǒng)計(jì)可見(jiàn)性對(duì)目標(biāo)進(jìn)行遮擋評(píng)價(jià)，但是該方法缺乏驗(yàn)證部件可見(jiàn)性的結(jié)構(gòu)信息，并且沒(méi)有對(duì)描述部件的多個(gè)因素形成統(tǒng)一的目標(biāo)檢測(cè)框架。因此我們?cè)诮Y(jié)構(gòu)化表示的基礎(chǔ)上提出采用貝葉斯框架評(píng)價(jià)外觀、形變、可見(jiàn)性因素的重要性，并通過(guò)權(quán)重優(yōu)化學(xué)習(xí)獲得可靠的目標(biāo)檢測(cè)模型。

可見(jiàn)性項(xiàng)被用來(lái)估計(jì)由遮擋引起的信息不充分，但是它的統(tǒng)計(jì)特性不適用于部件模型。為此我們采用貝葉斯框架來(lái)評(píng)價(jià)外觀、形變和可見(jiàn)性因素的重要性，并提出一種新的遮擋布局檢測(cè)評(píng)價(jià):

p(Y|d)= pa(Y|da)·pe(Y|de)·pv(Y)=

(1)

其中Y是目標(biāo)部件的可見(jiàn)性標(biāo)記，用于描述遮擋配置。yi是第i個(gè)部件外觀評(píng)價(jià)下的可見(jiàn)性標(biāo)記，其數(shù)值為1表示該部件外觀可見(jiàn)，Npt為目標(biāo)被劃分的部件個(gè)數(shù),p(yi|da,i)是外觀項(xiàng)的概率，p(yi|de,i)是形變項(xiàng)的概率，p(yi)是可見(jiàn)項(xiàng)的概率。d=(da,de)是外觀和形變概率化過(guò)程中使用的參數(shù)。為了便于模型參數(shù)的優(yōu)化求解，進(jìn)一步將貝葉斯概率轉(zhuǎn)化為能量函數(shù)形式：

ψ(Y;d,ω)=ψa(Y;da)+ψe(Y;de,ωe)+ψv(Y;ωv)=

(2)

其中ψa是外觀項(xiàng)，對(duì)應(yīng)為p(yi|da,i)的能量形式，ψe是形變項(xiàng)，對(duì)應(yīng)為p(yi|de,i)的能量形式，ψv為可見(jiàn)性項(xiàng)，對(duì)應(yīng)為p(yi)的能量形式。因?yàn)楦鱾€(gè)因素在目標(biāo)檢測(cè)中的貢獻(xiàn)不同，我們使用系數(shù)ω=(ωe,ωv)來(lái)確定各項(xiàng)的重要性。當(dāng)系數(shù)降為0時(shí)，表示不需要考慮相應(yīng)的項(xiàng)，原始的部件模型可以被視為可見(jiàn)項(xiàng)系數(shù)極小情況下的模型。在合適的系數(shù)下，根據(jù)式(2)計(jì)算的能量越低的候選框代表越可靠的檢測(cè)結(jié)果。

本文的多因素貝葉斯模型包括3項(xiàng)，分為是外觀項(xiàng)ψa(Y;da)，形變項(xiàng)ψe(Y;de,ωe)，可見(jiàn)性項(xiàng)ψv(Y;ωv)。不同項(xiàng)的能量，使用不同的目標(biāo)部件描述子進(jìn)行計(jì)算。

(1) 外觀項(xiàng)是用來(lái)分析目標(biāo)的外觀相似度。我們?cè)诓考Ｐ偷幕A(chǔ)上，采用相似于文獻(xiàn)[10]的方法對(duì)外觀項(xiàng)建模，即p(yi|da,i)=sigmoid(si-da,i)，其中si為訓(xùn)練獲得的分類(lèi)邊界閾值，da,i∈d是sigmoid函數(shù)的平移參數(shù)，通過(guò)經(jīng)驗(yàn)期望獲得。在能量函數(shù)中進(jìn)一步將外觀概率轉(zhuǎn)化為能量形式ψ(yi;da,i)=-log(p(yi|da,i))。

(2) 目標(biāo)形變項(xiàng)是用來(lái)分析目標(biāo)部件的偏離程度。我們考慮部件位移信息對(duì)形變項(xiàng)建模，p(yi|de,i)=sigmoid(de,i-ei)，其中ei是部件位置偏移量，平移參數(shù)使用訓(xùn)練集的期望平移量de,i=E(ei)。 同時(shí)，在式(2)中引入因素權(quán)重ωe，將形變項(xiàng)轉(zhuǎn)化為的能量函數(shù)形式ψ(yi;de,i,ωe)=ωe·-log(p(yi|de,i))。

(3) 可見(jiàn)性項(xiàng)是用來(lái)描述目標(biāo)部件在遮擋情況下可能引起的目標(biāo)損失，我們借助物理投影約束對(duì)目標(biāo)可見(jiàn)性建模，采用文獻(xiàn)[15]的方法獲得可見(jiàn)性概率p(yi)，同時(shí)在能量函數(shù)中引入?yún)?shù)ωv表示該因素的重要性。可見(jiàn)項(xiàng)的能量形式為ψ(yi;ωv)=ωv·(1-yi)·(-log(p(yi)))。顯然當(dāng)部件可見(jiàn)時(shí)，即yi=1，該能量為ψ(yi;ωv)=0，即不考慮外觀退化因素。

1.2 多因素權(quán)重優(yōu)化

本文模型考慮能量函數(shù)中的每個(gè)因素為一個(gè)弱檢測(cè)器。為了權(quán)衡各個(gè)因素的價(jià)值，我們?cè)诠烙?jì)各個(gè)因素權(quán)重的過(guò)程中，采用最大化曲線下方面積學(xué)習(xí)混合模型中的系數(shù)[16]。根據(jù)式(2)，注意到能量最小化與目標(biāo)判定單調(diào)性相反，因此，曲線下方面積評(píng)價(jià)的求解方式可以定義為：

(3)

本文使用貪婪策略對(duì)多因素權(quán)重進(jìn)行優(yōu)化，并考慮正則項(xiàng)避免權(quán)重不均衡，從而有目標(biāo)函數(shù)G(Ψ;f,ω)=‖ω‖2/2-φ(Ψ;F,ω)。訓(xùn)練數(shù)據(jù)集來(lái)自PASCAL數(shù)據(jù)集并且優(yōu)化混合權(quán)重為ω*=argminωG(Ψ;F,ω)。我們將在實(shí)驗(yàn)中進(jìn)一步分析本文所提出的模型相較其他模型的優(yōu)勢(shì)。

2 實(shí) 驗(yàn)

為了評(píng)價(jià)本文所提出的多因素貝葉斯遮擋目標(biāo)檢測(cè)模型MFB(Multi-factorBayesianModel)在通用目標(biāo)中的檢測(cè)效果，我們?cè)赑ASCAL2007 數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，并與Grammar[10]、Poselet[13]、部件模型[6]、HSC[8]和LS-HOGLBP[9]作對(duì)比，其中Grammar和Poselet模型能夠有效處理目標(biāo)檢測(cè)中的遮擋現(xiàn)象，而部件模型、HSC、LS-HOGLBP是當(dāng)前先進(jìn)的基于部件的目標(biāo)檢測(cè)模型。PASCAL2007訓(xùn)練集包含2 501張真實(shí)場(chǎng)景的圖像，測(cè)試集包含4 952張真實(shí)場(chǎng)景的圖像，測(cè)試時(shí)目標(biāo)是預(yù)測(cè)圖像中給定類(lèi)別的所有目標(biāo)的GroundTruth窗口。本文中，只有預(yù)測(cè)窗口與GroundTruth窗口面積重疊超過(guò)50%，才判定為正確檢測(cè)。為了保證公平對(duì)比，本文程序和對(duì)比方法的程序在同一臺(tái)PC上在單線程條件下運(yùn)行，本文PC的配置為IntelCPUi5-3470。所有方法都使用文章的缺省設(shè)置。

為了驗(yàn)證本文方法能夠有效處理目標(biāo)檢測(cè)中的遮擋現(xiàn)象，表1給出了MFB模型與Grammar,Poselet在人體類(lèi)別中的遮擋目標(biāo)檢測(cè)結(jié)果，可以看出本文方法的表現(xiàn)優(yōu)于當(dāng)前先進(jìn)的遮擋檢測(cè)方法。進(jìn)一步具體分析可以得到如下結(jié)論：(1)Poselet模型的檢測(cè)精度比Grammar模型高出1.8%。這是因?yàn)镚rammar模型在處理遮擋時(shí)僅關(guān)注部件的外觀評(píng)價(jià)。而Poselet模型從空間布局中入手利用3D點(diǎn)注釋選擇一致的動(dòng)作部件，避免了外觀本身所具有的歧義性。(2)MFB模型在行人檢測(cè)上的表現(xiàn)比Poselet模型提高了1.7%。這是因?yàn)椴煌谝陨蟽煞N模型，MFB模型不僅考慮了部件可見(jiàn)性的物理度量,且通過(guò)貝葉斯框架將其與外觀，形變因素相結(jié)合，采用權(quán)重優(yōu)化學(xué)習(xí)，發(fā)揮了各個(gè)因素之間互補(bǔ)作用，從而能夠更加有效地處理遮擋情況下的目標(biāo)檢測(cè)。

表1 PASCAL數(shù)據(jù)集中不同模型的人體檢測(cè)結(jié)果

圖1給出了PASCAL數(shù)據(jù)集中遮擋人體檢測(cè)示例，圖中(a)中人體被動(dòng)物遮擋，部分外觀信息丟失。MFB模型采用結(jié)構(gòu)化描述，檢測(cè)獲得目標(biāo)人體的多部件位置，對(duì)應(yīng)(a)中8個(gè)白色的檢測(cè)框。針對(duì)被遮擋嚴(yán)重部件，對(duì)應(yīng)(a)中的左下角三個(gè)檢測(cè)框，(b)中的灰色檢測(cè)框給出了外觀特征與形變約束，在此基礎(chǔ)上MFB模型根據(jù)空間布局關(guān)系進(jìn)行了可見(jiàn)性推理，如(c)所示，其中從黑色到白色對(duì)應(yīng)可見(jiàn)性從弱到強(qiáng)。

圖1 MFB的遮擋人體檢測(cè)示例

為了進(jìn)一步評(píng)價(jià)本文方法在通用目標(biāo)類(lèi)別檢測(cè)上的表現(xiàn)，我們?cè)赑ASCAL數(shù)據(jù)庫(kù)中的20個(gè)類(lèi)別上進(jìn)行實(shí)驗(yàn)，并將MFB模型與部件模型、HSC、LS-HOGLBP作對(duì)比。其中HSC和LS-HOGLBP是為了改善低層特征表達(dá)。我們同樣與Hsiao[15]的模型進(jìn)行了對(duì)比。Hsiao提出使用線性模型將密集的HOG檢測(cè)與物理統(tǒng)計(jì)可見(jiàn)性結(jié)合提高遮擋檢測(cè)表現(xiàn)。為了進(jìn)行有效的對(duì)比，我們轉(zhuǎn)變Hsiao的模型為基于部件的檢測(cè)，記作可見(jiàn)性的貝葉斯表達(dá)BwV(Bayesian with Visibility)，也是MFB模型的特殊形式。與此同時(shí)，MFB模型可以變化成不同的子模型在特定項(xiàng)的權(quán)重為0時(shí)，外觀的貝葉斯表達(dá)BwA(Bayesian with Appearance)，形變的貝葉斯表達(dá)BwD(Bayesian with Deformation)。我們將部件模型選為基準(zhǔn)。

通過(guò)在PASCAL數(shù)據(jù)庫(kù)上的對(duì)比，實(shí)驗(yàn)數(shù)據(jù)說(shuō)明本文算法在通用目標(biāo)檢測(cè)上優(yōu)于當(dāng)前先進(jìn)檢測(cè)算法。表2給出了不同算法在20類(lèi)目標(biāo)中的檢測(cè)結(jié)果，具體分析可以得到以下結(jié)論：(1) 本文方法在所有類(lèi)別上的平均檢測(cè)精度為41.2%，高于所有比較的模型，這一表現(xiàn)說(shuō)明了我們提出的模型是有效的，多種因素之間具有互補(bǔ)性。(2) MFB比基準(zhǔn)部件模型提高了9.9%，而比HSC和LS-HOGLBP只提高了6.9%，這是因?yàn)镠SC和LS-HOGLBP模型有效的特征表達(dá)使其表現(xiàn)優(yōu)于部件模型。我們進(jìn)一步對(duì)一些特定類(lèi)分析，發(fā)現(xiàn)在類(lèi)別如鳥(niǎo)和狗，MFB模型比HSC和LS-HOGLBP只高出1%，這是因?yàn)檫@些類(lèi)別有較多的變形以及部件等分位點(diǎn)置信度低。而在類(lèi)別船、自行車(chē)和沙發(fā)上，MFB提高了9%,這是因?yàn)檫@些目標(biāo)是剛性的，部件位置更加準(zhǔn)確并導(dǎo)致更加可靠的可見(jiàn)性圖估計(jì)和貝葉斯評(píng)價(jià)。(3) 為了進(jìn)一步說(shuō)明MFB中各個(gè)因素的重要性，我們分析了BwD、BwA和BwV在目標(biāo)檢測(cè)中的表現(xiàn)，其中BwD的表現(xiàn)比BwV高出了10.3%，BwV的表現(xiàn)比BwA高出了2.9%，可以看出形變因素最重要，外觀因素和可見(jiàn)性因素仍有提升空間。而MFB比BwA高出了20%，比BwA高出了17.1%和比BwV高出了6.8%的表現(xiàn)，說(shuō)明多因素模型和權(quán)重估計(jì)都是有效的，遮擋目標(biāo)可以通過(guò)多因素貝葉斯模型被有效地檢測(cè)出。(4) 在時(shí)間效率上，基準(zhǔn)部件模型每幅圖花費(fèi)2.51秒，HSC模型為4.71秒，MFB模型為5.13秒。這是因?yàn)镸FB模型中特征的獲取需要大量時(shí)間。

表2 在20個(gè)類(lèi)別上不同模型的平均查準(zhǔn)率

續(xù)表2

圖2進(jìn)一步給出了MFB與HSC的檢測(cè)結(jié)果。為了公平比較，圖2給出的是在每張圖像虛警率為0.1情況下的檢測(cè)結(jié)果。黑色框?yàn)镠SC檢測(cè)結(jié)果，白色框?yàn)镠SC丟失的檢測(cè)結(jié)果，MFB能夠成功檢測(cè)出所有位置，即相同虛警率情況下遺漏的目標(biāo)被MFB模型找出。這一結(jié)果說(shuō)明本文提出的多因素貝葉斯模型能夠?qū)崿F(xiàn)多因素的有效融合和遮擋檢測(cè)的準(zhǔn)確性提升。

圖2 MFB和HSC在PASCAL上的目標(biāo)檢測(cè)結(jié)果

3 結(jié) 語(yǔ)

針對(duì)遮擋檢測(cè)不準(zhǔn)確的情況，提出使用布局關(guān)系估計(jì)部件可見(jiàn)性，并融合外觀，形變因素?cái)U(kuò)展對(duì)目標(biāo)的描述，解決遮擋情況下由信息損失造成的漏檢。本文方法采用貝葉斯框架將外觀、形變、遮擋多因素融合，并使用目標(biāo)檢測(cè)中的最大化曲線下方面積的評(píng)價(jià)指標(biāo)對(duì)多因素的權(quán)重進(jìn)行聯(lián)合優(yōu)化。實(shí)驗(yàn)結(jié)果說(shuō)明在PSACAL數(shù)據(jù)庫(kù)上，能夠?qū)崿F(xiàn)優(yōu)于現(xiàn)有方法的目標(biāo)檢測(cè)效果。但是由于場(chǎng)景混雜，導(dǎo)致局部梯度特征無(wú)法完全描述目標(biāo)及其部件，造成漏檢情況，因此下一步將集中在利用卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)目標(biāo)部件的外觀表示，提高部件定位的準(zhǔn)確性，完成更有效的可見(jiàn)性估計(jì)，減低由于外觀信息丟失，引起的遮擋檢測(cè)錯(cuò)誤。

[1] Pedersoli M,Vedaldi A,Gonzàlez J,et al.A coarse-to-fine approach for fast deformable object detection[J].Pattern Recognition,2015,48(5):1844-1853.

[2] 黃凱奇,陳曉棠,康運(yùn)鋒,等.智能視頻監(jiān)控技術(shù)綜述[J].計(jì)算機(jī)學(xué)報(bào),2015,38(6):1093-1118.

[3] 黎向陽(yáng),吳敏華,施智平.基于Gabor變換域的積分直方圖鞋印圖像檢索[J].計(jì)算機(jī)應(yīng)用與軟件,2015,32(3):215-219.

[4] Kwak S,Nam W,Han B,et al.Learning occlusion with likelihoods for visual tracking[C]//2011 IEEE International Conference on Computer Vision (ICCV), 2011:1551-1558.

[5] Gao T,Packer B,Koller D.A segmentation-aware object detection model with occlusion handling[C]//2011 IEEE Conference on Computer Vision and Pattern Recognition,Providence,RI,USA,2011:1361-1368.

[6] Felzenszwalb P F,Girshick R B,McAllester D,et al.Object detection with discriminatively trained part-based models[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2010,32(9):1627-1645.

[7] Kokkinos I.Bounding part scores for rapid detection with deformable part models[C]//Proceedings of the 2012 European Conference on Computer Vision,Florence,Italy,2012:41-50.

[8] Ren X,Ramanan D.Histograms of sparse codes for object detection[C]//2013 IEEE Conference on Computer Vision and Pattern Recognition,Portland,OR,USA,2013:3246-3253.

[9] Zhang J,Huang K,Yu Y,et al.Boosted local structured HOG-LBP for object localization[C]//2011 IEEE Conference on Computer Vision and Pattern Recognition,Providence,RI,USA,2011:1393-1400.

[10] Girshick R B,Felzenszwalb P F,McAllester D A.Object detection with grammar models[C]//Advances in Neural Information Processing Systems 24,Granada,Spain,2011:442-450.

[11] Ouyang W,Zeng X,Wang X.Modeling mutual visibility relationship in pedestrian detection[C]//2013 IEEE Conference on Computer Vision and Pattern Recognition,Portland,OR,USA,2013:3222-3229.

[12] Pepikj B,Stark M,Gehler P,et al.Occlusion patterns for object class detection[C]//2013 IEEE Conference on Computer Vision and Pattern Recognition,Portland,OR,USA,2013:3286-3293.

[13] Zia M Z,Stark M,Schindler K.Explicit occlusion modeling for 3D object class representations[C]//2013 IEEE Conference on Computer Vision and Pattern Recognition,Portland,OR,USA,2013:3326-3333.

[14] Bourdev L,Maji S,Brox T,et al.Detecting people using mutually consistent poselet activations[C]//Proceedings of the 11th European Conference on Computer Vision.Springer,2010:168-181.

[15] Hsiao E,Hebert M.Occlusion reasoning for object detection under arbitrary viewpoint[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2014,36(9):1803-1815.

[16] Paisitkriangkrai S,Shen C,Hengel A V D.Efficient pedestrian detection by directly optimize the partial area under the ROC curve[C]//2013 IEEE Conference on Computer Vision and Pattern Recognition (ICCV),2013:1057-1064.

DETECTION OF OCCLUSION TARGET BASED ON MULTI-FACTOR BAYES

Niu Yuting Zhang Lihua Wu Kewei Xie Zhao Yang Xingming

(SchoolofComputerandInformation,HefeiUniversityofTechnology,Hefei230009,Anhui,China)

Occlusion in complex scenes can result in loss of target appearance information, which leads to the loss of target in the detection process. By analyzing the dependence of the target representation on a particular layout, a multi-factor Bayesian method for occlusion target detection is proposed. First, a candidate proposal for the target local region is provided using the component model. Then, the visibility probability of the components is estimated according to the spatial layout, and the appearance characteristics and the deformation position of the target components are also considered. Finally, to complete the multi-factor weight learning,a Bayesian model based on appearance, deformation and visibility factors is constructed, and the area under the maximum curve is used to design the target detection and evaluation function. The experimental results demonstrate the effectiveness of the PASCAL data set, which outperforms the existing methods of target detection.

Occlusion target detection Visibility Multi-factor Bayes

2016-01-19。國(guó)家自然科學(xué)基金項(xiàng)目(61273273,61503111,61501467)。牛玉婷，碩士生，主研領(lǐng)域：計(jì)算機(jī)視覺(jué)。張麗華，副教授。吳克偉，講師。謝昭，副研究員。楊興明，副教授。

TP391.41

A

10.3969/j.issn.1000-386x.2017.04.032