深度卷积中目标检测与分类的联合选择与融合策略：深度卷积神经网络与SIFT点特征的联合选择与融合策略研究（Matlab代码实现）

最新推荐文章于 2025-12-15 18:47:11 发布

原创最新推荐文章于 2025-12-15 18:47:11 发布 · 59 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#目标检测 #分类 #cnn

本文介绍了一种结合改进显著性方法和深度卷积神经网络（DCNN）特征的物体检测与分类方法。通过SIFT特征提取、DCNN特征提取以及特征融合，该方法在Caltech101、PASCAL3D等数据集上展示了有效性能。

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

1.1 使用改进的显著性方法进行分割

1.2 SIFT特点

1.3 深度 CNN 功能

1.4 特征提取

1.5 最大池化

1.6 功能选择

1.7 Featre 融合

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码及文献

💥1 概述

物体检测是计算机视觉领域的一项重要任务，基于其新兴应用（如视频监控和行人检测）在过去 2 年中备受关注。在这项研究中，我们使用 Caltech101、PASCAL 3D 和 3D 数据集等三个著名数据集处理复杂的目标检测和分类。这些数据集包含数百个对象类和数千个图像。为了应对这些数据集挑战，我们提出了一种基于DCNN特征提取和SIFT点的目标检测和分类新方法。所提出的方法由两个主要步骤组成，这两个步骤并行执行。第一步，从映射的RGB分割对象中提取SIFT点特征。然后，在第二步中，从预先训练的深度模型（如 AlexNet 和 VGG）中提取 DCNN 特征。SIFT点和DCNN特征通过融合方法组合在一个矩阵中，随后用于分类。下面给出了每个步骤的详细说明。此外，所提方法的流程图如图1所示

1.1 使用改进的显著性方法进行分割

1.2 SIFT特点

SIFT 特征的计算分四个步骤进行。在第一步中，确定对给定图像重要且稳定的局部关键点。特点从解释局部图像区域样本的每个关键点中提取，这些样本与其尺度空间坐标图像相关。然后，在第二步中，通过特定的阈值删除弱特征。在第三步中，根据局部图像梯度方向为每个关键点分配方向。最后，得到1x128维特征向量，并进行双线性插值，提高特征的鲁棒性

1.3 深度 CNN 功能

在本文中，我们采用了两个预先训练的深度 CNN 模型，例如 VGG19 和 AlexNet，它们用于特征提取。这些模型包含卷积层、池化层、归一化层、ReLu 层和 FC 层。如上所述，卷积层从图像

1.4 特征提取

1.5 最大池化

1.6 功能选择

在这种方法中，我们采用了基于熵的特征选择来减少提取的特征。

1.7 Featre 融合

我们采用了基于串行的特征融合

π（熔融） = （N × 1000） + （N × 1000） + （N × 100） Π（熔融） = N × fi

最终特征向量的大小为 1 × 2100，提供给集成分类器进行分类。集成分类器是一种监督学习方法，需要训练数据进行预测。集成方法将多个分类器数据组合在一起，以生成更好的系统

📚2 运行结果

部分代码：

img=imread(imgname);
img=imresize(img,[row,colum]);
img=rgb2gray(img);
% img=histeq(img);
img=im2double(img);
origin=img;
% img=medfilt2(img);
toc
%% Scale-Space Extrema Detection
tic
% original sigma and the number of actave can be modified. the larger
% sigma0, the more quickly-smooth images
sigma0=sqrt(2);
octave=3;%6*sigma*k^(octave*level)<=min(m,n)/(2^(octave-2))
level=3;
D=cell(1,octave);
for i=1:octave
D(i)=mat2cell(zeros(row*2^(2-i)+2,colum*2^(2-i)+2,level),row*2^(2-i)+2,colum*2^(2-i)+2,level);
end
% first image in first octave is created by interpolating the original one.
temp_img=kron(img,ones(2));
temp_img=padarray(temp_img,[1,1],'replicate');
figure(2)
subplot(1,2,1);
imshow(origin)
%create the DoG pyramid.
for i=1:octave
temp_D=D{i};
for j=1:level
scale=sigma0*sqrt(2)^(1/level)^((i-1)*level+j);
p=(level)*(i-1);
figure(1);
subplot(octave,level,p+j);
f=fspecial('gaussian',[1,floor(6*scale)],scale);
L1=temp_img;
if(i==1&&j==1)
L2=conv2(temp_img,f,'same');
L2=conv2(L2,f','same');
temp_D(:,:,j)=L2-L1;
imshow(uint8(255 * mat2gray(temp_D(:,:,j))));