结合多通道特征和可形变模型的自然场景鸟类检测

可形变部件模型(DPM)在目标检测已取得较好的效果,但因为现有的目标检测数据集中鸟类样本数量过少,分布不均衡,而且采用的HOG特征无法较好的表征鸟类目标,造成自然场景鸟类检测的准确率很低。针对这个问题,本研究首先对Image Net数据集上的鸟类样本进行筛选和数据分析,选取自然场景中鸟类样本1 500个,生成对应的标注文件,建立了自然场景鸟类数据集;并提出一种结合多通道特征(Aggregate Channel Features,ACF)和DPM的自然场景鸟类检测方法,算法从自然场景鸟类数据集中的训练样本中,提取ACF特征,再通过Latent SVM训练得到ACF-DPM模型;进一步研究了模型组件和部件个数对于鸟类检测效果的影响。实验结果表明:本文算法在复杂的自然场景中,能够有效地进行鸟类检测,整体精度优于传统的DPM算法。