1006大設(shè)計(jì)翻譯版高工以

我，本 及其研究工作是由在導(dǎo)師指導(dǎo)下獨(dú)立完成的，在成 時(shí)所利用的一切資料均已在文獻(xiàn)中列出。時(shí)間：2014年6ResearchandImplementationofObjectDetectionTechniqueBasedonDeformablePartModelAuthor:QIUTutor:SHENGWiththedevelopmentofcomputertechnologyandthewidelycitedprinciplesofcomputervision,usingcomputerimageprocessingtechnologyforreal-timetargettrackingstudiesincreasinglypopular,dynamicreal-timetargettrackinghasawiderangeofapplicationintermsofinligenttransportationsystems,inligentcontrolsystems,militarytargetdetectionandsurgicalinstruments,medicalsurgicalnavigationpositioning.Thispaperyzestherelatedofobjectdetection,andmainlyintroducetheobjectdetectiontechniquebasedondeformablepartmodel.Thisobjectdetectionalgorithmmainlyincludesthreesteps:featureextraction,modeltraininganddetection.Firstly,weextracttheHOGcharacteristicsofthesampleandrepresentintheformoffeaturevectors,thenusesupportvectormachinetrainingtheclassifier,finallycompletethetargetdetectionandlocation.WeuseHOGfeatureextraction,classifiertrainingalgorithmandslidingwindowdetectiontechnology.Basedontheysisofdetectionresultsofobjects,theobjectdetectionalgorithmbasedondeformablepartmodelcanlocatetheobjectundercomplexbackgroundandmeettheneedofrealtimeandaccuracy.Itcanbeusedformonitoringandinligenttrafficofcities.:Objectdetection，Deformablepartmodel，Histogramoforientedgradient(HOG)，Latentsupportvectormachine，Slidingwindowdetection緒 背 的研究目的及意 國內(nèi)外研究現(xiàn) Boosting算法 基于Haar特征的AdaBoost算 基于梯度方向直方圖的檢測算 HOG特征混合模型結(jié)合LSVM的目標(biāo)檢測定位算 的主要研究內(nèi) 的構(gòu) 目標(biāo)檢測相關(guān)技術(shù)分 邊緣檢測算 基于微分算子的邊緣檢 高斯低通與微分算子的邊緣檢 Canny邊緣檢測算 多尺度的邊緣檢測算 圖像特征提取算 圖像特征的種 圖像特征提取算 分類器訓(xùn)練方 支持向量機(jī)（SVM）算 貝葉斯學(xué)習(xí)算 Boosting算 本章小 基于可變形組件模型目標(biāo)檢測算法研 可變形組件模 濾波 濾波器得 檢測窗口的得 變 3.2.1位 形變花 部件模版得 HOG特 HOG特征提 特征金字 目標(biāo)的假設(shè)得 混合模 模型訓(xùn) 部件的添 隱藏變量 滑動(dòng)窗口檢測算 本章小 目標(biāo)檢測算法實(shí) 目標(biāo)檢測的系統(tǒng)組成框 模型訓(xùn) 部件模型HOG特征提 檢測模型部件的選 分類 測試圖像處 檢測過 程序?qū)崿F(xiàn) 實(shí)驗(yàn)結(jié) 實(shí)驗(yàn)?zāi)?模型訓(xùn) 檢測結(jié) 實(shí)驗(yàn)結(jié)果分 不同閾值的檢測準(zhǔn)確 不同算法的檢測準(zhǔn)確 本章小 總結(jié)與展 總 展 致 參考文 緒從很長時(shí)期看來，我們的計(jì)算機(jī)還是一個(gè)需要人來介入的工具，之所以稱之為要地接受由鍵盤、文件輸入的信息，而不能主動(dòng)從獲取信息并自主處理。人們?yōu)榱俗層?jì)算機(jī)看到并主動(dòng)從尋找信息，發(fā)展了計(jì)算機(jī)視覺；為了查詢，往往查詢出的僅僅是一些包含文字的，而的實(shí)際內(nèi)容卻與我們的目Boosting算法計(jì)算學(xué)計(jì)算的圖形圖像的處理乃至計(jì)算機(jī)視覺方面的作用非常重要，有了它才計(jì)算學(xué)習(xí)理論中常用的模型就是PAC（ProbablyApproximayCorrect）學(xué)習(xí)模型，在1984年首先由Valiant在其 中把“學(xué)習(xí)”當(dāng)成是一種“過PAC學(xué)習(xí)的實(shí)質(zhì)就是基于樣本的訓(xùn)PAC模型本身并不強(qiáng)求學(xué)習(xí)器能輸出零錯(cuò)誤率的弱學(xué)習(xí)與強(qiáng)學(xué)Boosting算法的時(shí)候人們最關(guān)注的一個(gè)問題就是如何根據(jù)觀測來的數(shù)據(jù)來學(xué)Valiant兩人證明出只要在訓(xùn)練時(shí)輸入足夠的數(shù)據(jù)，弱學(xué)習(xí)算法就能通過集成的方式Boosting是為了提升、加強(qiáng)?，F(xiàn)在一般指的是將弱學(xué)習(xí)算法提升為強(qiáng)學(xué)習(xí)算法的一分類規(guī)則轉(zhuǎn)化為強(qiáng)分類規(guī)則。在一年之后，F(xiàn)reund又提出了一種效率更高的Boosting算法[11]。1993年，DruckerSchapire兩人首先提出以神經(jīng)網(wǎng)絡(luò)作為弱學(xué)習(xí)器，然后應(yīng)Boosting算法來解決實(shí)際中的問題[12]Boosting算法在很多領(lǐng)域已得到簡單而有效的1995年，F(xiàn)reundSchapireAdaboost（AdaptiveBoostingBoosting算法的一大提高[13]。1995年，F(xiàn)reundSchapireHaarAdaboost算法[14]，這在級(jí)聯(lián)分類器進(jìn)行再次檢驗(yàn)，這樣就保證了最后輸出的正樣本的偽正（FalsePositive）的可能性非其次，Adaboost是一種迭代算法。初始時(shí)，所有訓(xùn)練樣本的權(quán)重都被設(shè)為相等，在這T個(gè)弱分類器按照一定的權(quán)加起來，就得到最終的強(qiáng)分類器。Haar積分分類最佳弱分類器，最后將每輪得到的最佳弱分類器按照一定方法提升（Boosting算法）圖像算法的過程非?？欤词故潜闅v了這么多次，根據(jù)不腦的配置處理一幅圖像一般也GradientHOGcell組成一個(gè)block在block內(nèi)歸一化直方圖來消除光照的影響，一個(gè)檢測窗口內(nèi)由多個(gè)block內(nèi)歸一化直方圖組成的結(jié)果就是特征向量，最后使用統(tǒng)計(jì)學(xué)習(xí)方法進(jìn)行訓(xùn)練和判HOG描述方法具有以下的優(yōu)點(diǎn)：HOG表示的是邊緣（梯度）的結(jié)構(gòu)特征，因此可對(duì)傳統(tǒng)基于梯度方向直方圖特征檢測算法對(duì)解決目標(biāo)模型單一、發(fā)生形變、存在遮于G合SM的目算。利練像的G特征金字塔得到包含待檢測目標(biāo)根模型、部件對(duì)可部征示模僅標(biāo)整廓且夠到更然用G特征混合特征訓(xùn)練部件檢測分類器S(tntSupporttorhine)。最后通過動(dòng)態(tài)規(guī)劃和距離轉(zhuǎn)換算法在測試圖上掃描出與可變形部件模型相匹配的區(qū)域，實(shí)目的定經(jīng)多驗(yàn)表所 能地決在 括模型，混合模型，HOG特征，訓(xùn)練，LSVM，目標(biāo)檢測等。目標(biāo)檢測相關(guān)技術(shù)分Roberts這是最簡單的交叉梯度算子，其中GX，Gy分別由下GX=f(x+1，y+1)? Gy=f(x，y+1)?f(x+ 它采用的是3×3的模版，其中GX，GyGX=f(x?1，y+1)+f(x，y+1)+f(x+1，y+1)?f(x?1，y??f(x，y?1)?f(x+1，y? Gy=f(x+1，y?1)+f(x，y+1)+f(x+1，y+1)?f(x?1，y??f(x?1，y)?f(x?1，y+ Sobel某種程度的平滑效果，同Prewitt一樣都屬于中心差分算子。Canny1986年，JohnCanny在比較微分算子不同性能的基礎(chǔ)上，對(duì)其進(jìn)行理論和實(shí)踐的總Canny三準(zhǔn)則，他認(rèn)為一種好的邊緣檢測算子應(yīng)該滿足三個(gè)準(zhǔn)則:信噪比準(zhǔn)緣的曲線，n0是高斯噪聲 |∫+wSNR(f)=n0√∫+w

|∫+wLocalization= n0√∫+w其中G‘(x)是G(x)的一階導(dǎo)數(shù)，f’(x)是f(x)的一階導(dǎo)數(shù)

Canny多尺度技術(shù)也叫做多分辨率技術(shù)，它是指圖像在不同分辨率下分別進(jìn)行處理[16]，有多尺度的操作需要對(duì)多尺度信號(hào)進(jìn)行分解和重建。在多尺度圖像分析中，小波變換[17]行人。GemmaRoig使用了條件隨機(jī)場模型用于多機(jī)中的目標(biāo)識(shí)別[18]。n等人Haar小波特一幅圖像的顏色信息是其最基本，最直觀的特征，可以用顏色來表示圖像的重要信DphneKllr在樹形結(jié)構(gòu)中使用了最大邊緣優(yōu)化原則學(xué)習(xí)了顏色信息[21]硬件設(shè)備中顯示，也可以獨(dú)立于具體的設(shè)備，與人的視覺感知并不完全一致，主要有R、、YQSHSV，SVGZSV、HSI、HSL等利用飽和度和色度來表示對(duì)色彩的感知，用來避免光照的影響；YUV和YIQ則利用其中一個(gè)分量來表示對(duì)非色彩的感知，另外兩個(gè)分量來表示對(duì)色彩的感知。RGB模型，根據(jù)人眼結(jié)構(gòu)，所有顏色都可以看做三種基本顏色紅、綠、藍(lán)的不同組合。RGB模型的空間正是這三個(gè)軸所形成的立方體，HSI模型，H表示色調(diào)，S表示飽和度，I表示亮度或者灰度。HSVHIS更接近紋理是圖像的一種局部特征，它反映的是圖像在空間上的結(jié)構(gòu)排列信息，用于描述ia3D場景中高效地提取目標(biāo)的低層紋理[2]狀特征也提出了諸多有效的算法，Y.Wu等基于概率統(tǒng)計(jì)的行人檢測的模型將行對(duì)圖像形狀特征的描述可以分為基于區(qū)域和基于邊界兩種類型?；趨^(qū)域的描述是用Hoh征提取算法要有邊緣性法和算子。邊緣特性是對(duì)圖像狀特征建，傅里葉子通過圖做換析其率特。于區(qū)的像征提算主顏色特征提取算紋理特征提取算描述紋理的最簡單方法之一就是使用一幅圖像的灰度直方圖統(tǒng)計(jì)矩。其中二階矩在頻譜是描述圖像的循環(huán)的方向性特征較好的方法，這些整體的紋理模式主要集中于頻譜中的高頻區(qū)域，一般使用多通道濾波技術(shù)對(duì)圖像進(jìn)行分割，得到不同頻率方紋理形狀形狀特征是最難以描述的特征，這是因?yàn)樾螤畈皇且?guī)則的，描述起來更加。許多模型在進(jìn)行檢測的時(shí)候大量使用了一些特征庫進(jìn)行檢測并使用了邊界信息。A.Bar-Hillel等人使用了視覺特征庫，并沒有考慮各部分之間的幾何位置關(guān)系[24][25]。Gopalan使用了域適應(yīng)方法對(duì)目標(biāo)進(jìn)行識(shí)別[26]。S.Agarwal、J.Amores、S.Ullman考慮了各部分之間成對(duì)的松散的聯(lián)系[27][28]。Razavi在識(shí)別多類別目標(biāo)的過程中使用了位置信息[29]。B.Leibe等人定義的各部分通過變換給目標(biāo)中心不同的投票值，他們對(duì)不同種類的目標(biāo)進(jìn)行檢測的效果比較好[30]。LiefengBo等人使用了內(nèi)核描述符遞歸地提取圖地去除搜索區(qū)域中非目標(biāo)部分的位移。Rosenfeld提取了的前景和背景信息用來定基于部件的模型對(duì)每個(gè)部分的外觀和幾何模型參數(shù)化，通過訓(xùn)練大量的正負(fù)樣本來ing使用了每部分的混合模型的息立種態(tài)態(tài)模.iola等在簡單的模型中使Prikh對(duì)基于部件的檢測器做了整體分析，選取了最能提高性能的部分。rownGrumn.Shill.plt支持向量機(jī)（SVM）算SVM是Cortes和Vapnik于1995年首先，它在解決小樣本、非線性和模VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的，根據(jù)有通過一個(gè)非線性映射p，把樣本空間映射到一個(gè)甚至無窮維的特征空間中，使得在不能精確計(jì)算的，只能給出一個(gè)估計(jì)區(qū)間，它與兩個(gè)參數(shù)有關(guān)：樣本數(shù)量和VC維。樣本數(shù)量越大，置信風(fēng)險(xiǎn)越小。VC維越大，置信風(fēng)險(xiǎn)越大。統(tǒng)計(jì)學(xué)習(xí)的目標(biāo)是經(jīng)驗(yàn)風(fēng)險(xiǎn)與置信風(fēng)險(xiǎn)的和最小，即結(jié)構(gòu)風(fēng)險(xiǎn)最小。與其他方法相比，SVM需要的樣本數(shù)量是相MartinDR等人使用了SVM訓(xùn)練包含兩級(jí)的分類器。第一級(jí)提取各部位的Haar小波特征，第二級(jí)將各弱分類器組合起來形成強(qiáng)分類器完成對(duì)整個(gè)的檢測[31]。Duchenne等人在做兩幅圖像匹配的時(shí)候使用了SVM進(jìn)行類別匹配[32]。貝葉斯學(xué)習(xí)算法在圖像識(shí)別中得到了廣泛的應(yīng)用，PieroPerona使用了分層的貝葉斯特征篩選出來，最后把強(qiáng)分類器組合成一個(gè)功能強(qiáng)大的級(jí)連分類器。Zhu等人使用AdaBoostBoosting算法。Boosting其他大部分算法都AdaBoost需要較長的時(shí)間，但是每一層都能分析了支持向量機(jī)、貝葉斯學(xué)習(xí)算法和Boosting算法這三種分類器的原理?；诳勺冃谓M件模型目標(biāo)檢測算法比較。我們選擇可變形組件模型、HOG特征、SVM算法和滑動(dòng)窗口檢測算法來實(shí)現(xiàn)目可變形組件模型（DeformablePartModel）由三個(gè)部分組成（31：一個(gè)較為粗糙的，覆蓋整個(gè)目標(biāo)的全局根模版（或叫做根濾波器幾個(gè)高分辨率的部件模版（或叫做部件濾波器部件模版相對(duì)于根模版的空間位置（行變量3.1個(gè)長度為whd，其中dHOG特征時(shí)，一個(gè)細(xì)胞單元的特征維數(shù)為9，則一個(gè)濾波器的大小為w×h×9。HOG金字塔中whHOG特征向量的點(diǎn)積（DotProduct。Position分最高的部件位置。此位置與的距離作為形變花費(fèi)（DeformationCost。方向梯度直方圖（HistogramofOrientedGradient,HOG）特征是一種在計(jì)算機(jī)視覺和與其他的特征描述方法相比，HOGHOG是在圖像的局部HOG特征是特別適合于做圖像中的檢測的。 空間和顏色空部的表層貢獻(xiàn)的較大，所以這種壓縮處理能夠有效地降低圖像局部的陰影和光 計(jì)算梯

I(??,??)=??(??, √ R??,?? (????+1,????????1,??)+(?? √ Ang(??,??)=cos?1(??(??+1,??)???(???1, 單元格梯度投這是為局部圖像區(qū)域提供一個(gè)編碼，同時(shí)能夠保持對(duì)圖像中對(duì)象的和外觀塊內(nèi)歸一化梯度直方HOG描述符。將檢測窗口中所有的塊進(jìn)行HOG特征的收集，并將它們結(jié)合成最后的特征向量在圖像金字塔（不同尺度下的圖像）下進(jìn)行計(jì)算得到特征金字塔，其中訓(xùn)練部件模3.2是根濾波器，Pi是第i個(gè)部件的模型。每個(gè)部件模型用一個(gè)二元組定義：(Fi，vi)，F(xiàn)i是Position一個(gè)目標(biāo)假設(shè)（Hypothesis）n個(gè)部件的位置：z(P0，P1，Pn)，其中Pi=(xi，yi，li)i個(gè)部件的位置假設(shè)，li score(P0，…，Pn)= Fi×φ(H，Pi)? di×φd(dxi，dyi)+ hi子窗的特征向量，(dxi，dyi)=(xi，yi)?(2(x0?y0)+vi)是第i個(gè)部件相對(duì)位置的偏移，φd(dx，dy)=(dx，dy，dx2，dy2)是變形特征。Model3.3m元數(shù)組MM1，Mn)m組模型的混合模型，其中Mcc組的目標(biāo)模型，其中1<c<n?；旌夏Ｐ椭袉我荒繕?biāo)模型Mc中每個(gè)濾波器的位置設(shè)為z=(c，P0，Pnc)，其中nc是模型Mcc組模型的濾波器位置簡化為z’=(P0…，Pn)c。cβ是每個(gè)單一目標(biāo)模型中模型參數(shù)向量的串聯(lián)，β=(β1…，βm)；向量ψ(H，z)具有稀疏性，ψ(H，z)=(0…，0，ψ(H，z‘)，0，…，0)，ψ(H，z‘)和β中的β相對(duì)應(yīng)，c即βψ(H，zβcψ(H，z‘)na，使得na80%。Variables的支持向量機(jī)（LatentSupportVectorMachine，LSVM）來學(xué)習(xí)部件，能夠充分利用SVM（正樣本）檢測窗口的綜合得分（OverallScore）score(p0)=

score(p0,…, 當(dāng)score(p0??時(shí)，我們就認(rèn)為包含該目標(biāo)，否則認(rèn)為不包含目標(biāo)。目標(biāo)檢測算法實(shí)持向量機(jī)的分類器訓(xùn)練算法和檢測過程。為了對(duì)檢測對(duì)象進(jìn)行驗(yàn)證，在上編程進(jìn)試。下面介紹具體程序的設(shè)計(jì)。訓(xùn)程圖4.1給出基于可變形組件模型的目標(biāo)檢測系統(tǒng)。該系統(tǒng)包括兩個(gè)關(guān)鍵部分：對(duì)目標(biāo)的圖像樣本計(jì)算HOG特征金字塔，訓(xùn)練分類器LSVM學(xué)習(xí)得到包含檢測目標(biāo)根模型訓(xùn)程4.1 校對(duì)輸入圖像進(jìn)行顏色空間的標(biāo)準(zhǔn)4.2HOG始始束4.34.4LSVM在用基本分類器對(duì)負(fù)樣本進(jìn)行再次分類的時(shí)候，要注意滑動(dòng)窗口的移動(dòng)要有，程序主要由以下幾個(gè)模塊組成，如圖所示。首先由讀入一組圖像，提取它的4.5（RGBImageGetHogeatr（widthheightcelSizelockSizenBnsHOG特征。width、height分別是圖像的高度和寬度，cellSize是單元格的大小，blockSize是塊大小，nBins是梯度方向柱的個(gè)數(shù)。FeatureTrainer（featureVector，typeHOGfeatureVector是提取的特征向量，type表示正負(fù)樣本。SvmClassifier（svmDetector，featureVector含目標(biāo)。svmDetector，featureVector4.64.7假設(shè)待檢測中正樣本的數(shù)是nP，從正樣本中識(shí)別出目標(biāo)的數(shù)是TP，從

我們在實(shí)驗(yàn)中給驗(yàn)證階段的閾值參數(shù)λ給予不同大小，對(duì)500張單一行人進(jìn)行了檢測，得到的輸出結(jié)果如表4.1所示。4.1λ閾值正樣本負(fù)樣本?????(????+963λ4.2配HOG-總結(jié)與展Boosting算法這三種分類器的原理。給出了在上實(shí)現(xiàn)算法的主要模塊和函數(shù)功能說明，詳細(xì)分析了HOG致的幫助和支持使我能夠順利地完成。習(xí)環(huán)境，傳授給我專業(yè)知識(shí)，耐心指導(dǎo)我的，而且在學(xué)習(xí)中，不斷地要求我積極主促下，我逐漸懂得規(guī)范的重要性、逐漸掌握科學(xué)的研究方法，這對(duì)我的順利完成起參考文HsuRL,Abdel-MottalebM,JainAK.Facedetectionincolorimages[J].PatternysisandMachineInligence,IEEETransactionson,2002,24(5):696-706.CaiJ,GoshtasbyA.Detectionhumanfacesincolorimages[J]．ImageandVisionComputing，CootesTF,TaylorCJ,CooperDH,etal.Activeshapemodels-theirtrainingandapplication[J].Computervisionandimageunderstanding,1995,61(1):38-59.RowleyHA,BalujaS,KanadeT.Rotationinvariantneuralnetwork-basedfacedetection[C].ComputerVisionandPatternRecognition,1998.Proceedings.1998IEEEComputerSocietyConferenceon.IEEE,1998:38-44.ViolaP,JonesMJ.Robustreal-timefacedetection[J].Internationaljournalofcomputervision,2004,57(2):137-154.HanB,DavisL.Objecttrackingbyadaptivefeatureextraction[C].ImageProcessing,2004.ICIP'04.2004InternationalConferenceon.IEEE,2004,3:1501-1504.ComaniciuD,RameshV,MeerP.Kernel-basedobjecttracking[J].PatternysisandMachineInligence,IEEETransactionson,2003,25(5):564-577.StaufferC,GrimsonWEL.Adaptivebackgroundmixturemodelsforreal-timetracking[C].ComputerVisionandPatternRecognition,1999.IEEEComputerSocietyConferenceon.IEEE,1999,2.ViolaP,JonesM.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures[C].ComputerVisionandPatternRecognition,2001.CVPR2001.Proceedingsofthe2001IEEEComputerSocietyConferenceon.IEEE,2001,1:I-511-I-518vol.1.WiskottL,FellousJM,KuigerN,etal.Facerecognitionbyelasticbunchgraphmatching[J].PatternysisandMachineInligence,IEEETransactionson,1997,19(7):LoweDG.Objectrecognitionfromlocalscale-invariantfeatures[C].Computervision,1999.TheproceedingsoftheseventhIEEEinternationalconferenceon.Ieee,1999,2:LindebergT.Scale-spacefordiscretesignals[J].PatternysisandMachineInligence,IEEETransactionson,1990,12(3):234-254.KoenderinkJJ.Thestructureofimages[J].Biologicalcybernetics,1984,50(5):363-DeSaJPM.Patternrecognition:concepts,methods,andapplications[M].Springer,ErcanG,WhyteP.Digitalimageprocessing:U.S.Patent6,240,217[P].2001-5-YujinZ.ImageEngineering[J].Imageysis,AlexanderIIIE,KooyHM,vanHerkM,etal.Magneticresonanceimage-directedstereotacticneurosurgery:useofimagefusionwithcomputerizedtomographytoenhancespatialaccuracy[J].Journalofneurosurgery,1995,83(2):271-276.BoixBoschX,BenShitritH,FuaP,etal.ConditionalRandomFieldsforMulti-CameraObjectDetection[C].InternationalConferenceonComputerVision.2011.nA,PapageorgiouC,PoggioT.Example-basedobjectdetectioninimagesbycomponents[J].PatternysisandMachineInligence,IEEETransactionson,2001,23(4):WenzelA.Computer-aidedimagemanipulationofintraoralradiographstoenhancediagnosisindentalpractice:areview[J].Internationaldentaljournal,1993,43(2):99-108.GaoT,KollerD.Discriminativelearningofrelaxedhierarchyforlarge-scalevisualrecognition[C].ComputerVision(ICCV),2011IEEEInternationalConferenceon.IEEE,2011:ZhangZ,GaneshA,LiangX,etal.TILT:transforminvariantlow-ranktextures[J].InternationalJournalofComputerVision,2012,99(1):1-24.WuY,YuT,HuaG.Astatisticalfieldmodelforpedestriandetection[C]puterVisionandPatternRecognition,2005.CVPR2005.IEEEComputerSocietyConferenceon.IEEE,2005,1:1023-1030.Bar-HillelA,HertzT,WeinshallD.Objectclassrecognitionbyboostingapart-basedmodel[C].ComputerVisionandPatternRecognition,2005.CVPR2005.IEEEComputerSocietyConferenceon.IEEE,2005,1:702-709.OpeltA,FusseneggerM,PinzA,etal.WeakhypothesesandboostingforgenericGopalanR,LiR,CappaR.adaptationforobjectrecognition:Anunsupervisedapproach[C].ComputerVision(ICCV),2011IEEEInternationalConferenceon.IEEE,2011:AgarwalS,AwanA,RothD.Learningtodetectobjectsinimagesviaasparse,part-basedrepresentation[J].PatternysisandMachineInligence,IEEETransactionson,2004,26(11):1475-1490.AmoresJ,SebeN,RadevaP.Fastspatialpatterndiscoveryintegratingboo