本發(fā)明涉及3d對象檢測領(lǐng)域，尤其涉及一種基于檢測器和跟蹤器的3d對象檢測方法。

背景技術(shù)：

隨著3d視覺采集設(shè)備尤其是kinect傳感器的發(fā)展，3d點云數(shù)據(jù)集可以輕松獲得，使得3d場景上下文標(biāo)記和檢測逐漸成為計算機(jī)視覺的熱門研究課題^[1]?，F(xiàn)有的3d對象檢測方法，給計算機(jī)視覺和機(jī)器人的研究帶來重大突破，但由于對象之間的遮擋以及復(fù)雜背景等因素的存在，使得對3d對象的檢測仍存在很大的挑戰(zhàn)。

針對對象檢測，已經(jīng)開發(fā)了許多方法以獲得準(zhǔn)確的結(jié)果。這些方法主要分為兩類：基于2d圖像中的對象檢測和基于3d場景中的對象檢測。

早期研究主要集中在2d圖像中的對象檢測。viola等人^[2]提出了一種基于視覺對象檢測的機(jī)器學(xué)習(xí)方法，它可以從較大的集合中選擇少量關(guān)鍵視覺特征，并產(chǎn)生非常高效的分類器。girshick等人^[3]提出了一種流行的檢測結(jié)果(dpm(deformablepart-basedmodels，基于部分的可變形模型))，其使用可變形部分模型的混合，利用圖像中對象邊界框的區(qū)分方法來訓(xùn)練這些模型。nie等人^[4]提出利用零件的分?jǐn)?shù)來定義物體檢測的最終分?jǐn)?shù)，可以充分利用零件信息來判斷物體的邊界框，提高最終檢測結(jié)果的查全率。

大規(guī)模的3d數(shù)據(jù)導(dǎo)致3d場景中的對象檢測成為熱門課題。lai等人^[5]提出了一種基于視圖的方法用于3d場景中的對象標(biāo)記，其利用從svm的對象視圖中訓(xùn)練的滑動窗口檢測器來完成。koppula等人^[6]將對由一組對齊的rgb-d(redgreenblue-depth，彩色-深度)幀生成的點云進(jìn)行分割，并基于在分段上累積的局部特征來執(zhí)行分類。所有這些方法聚焦于三維場景中的3d對象檢測，而忽略由rgb攝像機(jī)拍攝到的視覺信息。同時，這些方法常常依賴于大規(guī)模的訓(xùn)練方法，訓(xùn)練成本高。

3d對象檢測目前面臨的主要挑戰(zhàn)為：通過機(jī)器學(xué)習(xí)方法來處理3d對象的弱特征問題時缺乏用于檢測器學(xué)習(xí)的有效3d數(shù)據(jù)集；對象之間的遮擋和復(fù)雜背景的存在，給特征的提取以及分類器的訓(xùn)練造成很大困難；同類目標(biāo)的差異性、觀察視點變化、光照差異的影響，使得對象檢測的魯棒性受到很大制約。

技術(shù)實現(xiàn)要素：

本發(fā)明提供了一種基于檢測器和跟蹤器的3d對象檢測方法，本發(fā)明避免了多目標(biāo)場景下的對象遮擋對檢測精度的影響，提高了軌跡生成的可靠性，降低了計算的復(fù)雜度，詳見下文描述：

一種基于檢測器和跟蹤器的3d對象檢測方法，所述3d對象檢測方法包括以下步驟：

采用修正的tmd算法，在跟蹤的過程中根據(jù)塊區(qū)域的檢測結(jié)果，對每一個塊區(qū)域單獨進(jìn)行跟蹤；

利用檢測和跟蹤結(jié)果，在時間的約束下生成一組可靠的軌跡片段，軌跡片段是每個跟蹤對象的表征特征；

采用gs方法將得到的軌跡片段融合，得到圖像中每個對象的標(biāo)簽。

其中，所述3d對象檢測方法還包括：采用修正的exemplar-svm算法，對深度圖像和rgb圖像分別學(xué)習(xí)分類器，以從測試視頻中檢測和跟蹤每幀中的對象。

其中，所述3d對象檢測方法還包括：發(fā)布一個現(xiàn)實世界的3d模型數(shù)據(jù)集mv-red。

所述采用修正的tmd算法，在跟蹤的過程中根據(jù)塊區(qū)域的檢測結(jié)果，對每一個塊區(qū)域單獨進(jìn)行跟蹤的步驟具體為：

根據(jù)最后一幀中的檢測結(jié)果更新對象模型，把新的對象檢測結(jié)果加入到訓(xùn)練樣本中并刪除訓(xùn)練樣本中被錯誤劃為正樣本的負(fù)樣本，通過在線學(xué)習(xí)不斷地更新訓(xùn)練樣本，保證檢測器更適應(yīng)于當(dāng)前對象的狀態(tài)；

利用更新模型中的模板，以增量方式學(xué)習(xí)具有隨機(jī)森林的對象檢測器，用于實時序列評估，根據(jù)跟蹤結(jié)果和檢測結(jié)果來預(yù)測出目標(biāo)的真實位置。

所述根據(jù)跟蹤結(jié)果和檢測結(jié)果來預(yù)測出目標(biāo)的真實位置的步驟具體為：

如果兩個結(jié)果的重疊區(qū)域超過某個閾值，則選擇兩者的中間位置作為目標(biāo)的新位置；

否則，選擇與上一幀中目標(biāo)特征相似度較大的結(jié)果作為在當(dāng)前幀中跟蹤目標(biāo)的新坐標(biāo)。

所述采用修正的exemplar-svm算法，對深度圖像和rgb圖像分別學(xué)習(xí)分類器，以從測試視頻中檢測和跟蹤每幀中的對象的步驟具體為：

應(yīng)用exemplar-svm訓(xùn)練對象i的分類器并收集預(yù)測分?jǐn)?shù)s；

將其他對象的正樣本添加到負(fù)樣本中，并發(fā)起另一輪svm訓(xùn)練；

重復(fù)前兩個步驟，直到找不到新的正樣本或達(dá)到預(yù)設(shè)迭代次數(shù)；從mv-red數(shù)據(jù)集中為每個對象學(xué)習(xí)一組分類器，在檢測過程中，為每個分類器獲得一組檢測分?jǐn)?shù)，選擇閾值過濾一些低質(zhì)量檢測結(jié)果，并選擇最高的分?jǐn)?shù)作為最終檢測結(jié)果。

本發(fā)明提供的技術(shù)方案的有益效果是：

1、本發(fā)明發(fā)布了一個新的現(xiàn)實世界的3d模型數(shù)據(jù)集mv-red(multi-viewrgb-dobjectdataset，多視圖rgb-d對象數(shù)據(jù)集)，為每個對象提供721個rgb圖像和721個深度圖像，足以學(xué)習(xí)每個對象的魯棒性分類器；

2、提出的修正后的exemplar-svm(exemplarsupportvectormachine，基于范例的支持向量機(jī))方法，可以更新訓(xùn)練樣本，使分類器的魯棒性得到明顯的改善；

3、利用檢測器與跟蹤器來提高對象檢測的準(zhǔn)確性，通過修正的tmd(tracking-modeling-detection，跟蹤-建模-檢測)方法克服遮擋處理的無效性，有效地解決目標(biāo)小范圍遮擋的問題，保證軌跡片的準(zhǔn)確性。

附圖說明

圖1為一種基于檢測器和跟蹤器的3d對象檢測方法的流程圖；

圖2為所提出算法在不同場景下對盒子的檢測結(jié)果的示意圖。

具體實施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面對本發(fā)明實施方式作進(jìn)一步地詳細(xì)描述。

實施例1

為了解決以上問題，需要能夠全面、自動、準(zhǔn)確地檢測對象并生成對象的運(yùn)動軌跡。研究表明：一般檢測器不能保證檢測精度為100％，采用檢測加跟蹤的方式可以彌補(bǔ)檢測器的不足，提高檢測精度。本發(fā)明實施例提出了基于檢測器和跟蹤器的3d對象檢測方法，參見圖1，詳見下文描述：

101：采用修正的tmd算法，在跟蹤的過程中根據(jù)塊區(qū)域的檢測結(jié)果，對每一個塊區(qū)域單獨進(jìn)行跟蹤；

102：利用檢測和跟蹤結(jié)果，在時間的約束下生成一組可靠的軌跡片段，軌跡片段是每個跟蹤對象的表征特征；

103：采用gs方法將得到的軌跡片段融合，得到圖像中每個對象的標(biāo)簽。

其中，在步驟101之前，該3d對象檢測方法還包括：采用修正的exemplar-svm算法，對深度圖像和rgb圖像分別學(xué)習(xí)分類器，以從測試視頻中檢測和跟蹤每幀中的對象。

其中，在步驟101之前，該3d對象檢測方法還包括：發(fā)布一個現(xiàn)實世界的3d模型數(shù)據(jù)集mv-red。

其中，步驟101中的采用修正的tmd算法，在跟蹤的過程中根據(jù)塊區(qū)域的檢測結(jié)果，對每一個塊區(qū)域單獨進(jìn)行跟蹤的步驟具體為：

根據(jù)最后一幀中的檢測結(jié)果更新對象模型，把新的對象檢測結(jié)果加入到訓(xùn)練樣本中并刪除訓(xùn)練樣本中被錯誤劃為正樣本的負(fù)樣本，通過在線學(xué)習(xí)不斷地更新訓(xùn)練樣本，保證檢測器更適應(yīng)于當(dāng)前對象的狀態(tài)；

利用更新模型中的模板，以增量方式學(xué)習(xí)具有隨機(jī)森林的對象檢測器，用于實時序列評估，根據(jù)跟蹤結(jié)果和檢測結(jié)果來預(yù)測出目標(biāo)的真實位置。

進(jìn)一步地，上述根據(jù)跟蹤結(jié)果和檢測結(jié)果來預(yù)測出目標(biāo)的真實位置的步驟具體為：

如果兩個結(jié)果的重疊區(qū)域超過某個閾值，則選擇兩者的中間位置作為目標(biāo)的新位置；

否則，選擇與上一幀中目標(biāo)特征相似度較大的結(jié)果作為在當(dāng)前幀中跟蹤目標(biāo)的新坐標(biāo)。

進(jìn)一步地，采用修正的exemplar-svm算法，對深度圖像和rgb圖像分別學(xué)習(xí)分類器，以從測試視頻中檢測和跟蹤每幀中的對象的步驟具體為：

應(yīng)用exemplar-svm訓(xùn)練對象i的分類器并收集預(yù)測分?jǐn)?shù)s；

將其他對象的正樣本添加到負(fù)樣本中，并發(fā)起另一輪svm訓(xùn)練；

重復(fù)前兩個步驟，直到找不到新的正樣本或達(dá)到預(yù)設(shè)迭代次數(shù)；從mv-red數(shù)據(jù)集中為每個對象學(xué)習(xí)一組分類器，在檢測過程中，為每個分類器獲得一組檢測分?jǐn)?shù)，選擇閾值過濾一些低質(zhì)量檢測結(jié)果，并選擇最高的分?jǐn)?shù)作為最終檢測結(jié)果。

綜上所述，本發(fā)明實施例避免了多目標(biāo)場景下的對象遮擋對檢測精度的影響，提高了軌跡生成的可靠性，降低了計算的復(fù)雜度。

實施例2

下面結(jié)合具體的計算公式、圖1對實施例1中的方案進(jìn)行進(jìn)一步地介紹，詳見下文描述：

201：發(fā)布一個現(xiàn)實世界的3d模型數(shù)據(jù)集mv-red；

多視圖rgb-d對象數(shù)據(jù)集(mv-red)，由天津大學(xué)多媒體研究所記錄，通過三個kinect傳感器在兩種不同的設(shè)置下分別記錄共505個對象，所記錄的每個對象具有721個rgb圖像和721個深度圖像，每個rgb圖像和深度圖像的分辨率為640×480。

兩種記錄設(shè)置之間的差異在于視圖采集的方向。第一種設(shè)置下記錄202個對象，相機(jī)1、相機(jī)2與桌面的夾角分別為0°和45°。第二種設(shè)置下記錄303個對象，相機(jī)1、相機(jī)2與桌面的夾角分別為45°和60°。

具體地，相機(jī)1和相機(jī)2由步進(jìn)電機(jī)控制桌子均勻旋轉(zhuǎn)來捕獲360個rgb和深度圖像，相機(jī)3在自頂向下視圖中僅捕獲一個rgb圖像和一個深度圖像，通過這種方式，每個對象具有721個rgb圖像和721個深度圖像。

202：采用修正的exemplar-svm算法，對深度圖像和rgb圖像分別學(xué)習(xí)分類器，以從測試視頻中檢測和跟蹤每幀中的對象{d1,d2,...,dn}；

圖像中感興趣的目標(biāo)物體，都可以稱之為“范例(exemplar)”。mv-red數(shù)據(jù)集中的每個對象，均包括一組rgb圖像和深度圖像。從深度圖像xe中提取hog(histogramoforientedgradient，方向梯度直方圖)模板，對于每個范例或正樣本，利用exemplar-svm算法^[7]學(xué)習(xí)一個檢測器(we,be)，在特征空間中最大程度地將正樣本xe'從所有負(fù)樣本窗口ne中分離開，其中，we為范例的權(quán)重；be為范例的偏置向量。分類器即學(xué)習(xí)范例的特定hog權(quán)重向量。權(quán)重向量通過優(yōu)化以下凸函數(shù)獲得：

其中，w為權(quán)重向量；c1和c2是分類器對錯誤分類的正樣本、及錯誤分類的負(fù)樣本的懲罰系數(shù)；ξj為鉸鏈損失函數(shù)；yj為第j個分類標(biāo)簽；wi^txj+bi為線性判別函數(shù)，具體地，xj是第j個訓(xùn)練樣本的視覺特征向量，wi為第i個范例的權(quán)向量，t表示轉(zhuǎn)置，bi為第i個范例的偏移量。

實際訓(xùn)練過程中，由于正樣本與負(fù)樣本非常相似，懲罰系數(shù)很難確定，所以，本發(fā)明實施例對exemplar-svm算法進(jìn)行修正，采用迭代學(xué)習(xí)的方式為最終的分類器選擇高辨別度的正樣本，具體為：

1)應(yīng)用exemplar-svm訓(xùn)練對象i的分類器并收集預(yù)測分?jǐn)?shù)s；

2)將其他對象的正樣本添加到負(fù)樣本中，并發(fā)起另一輪svm訓(xùn)練；

3)重復(fù)前兩個步驟，直到找不到新的正樣本或達(dá)到預(yù)設(shè)迭代次數(shù)；

4)從mv-red數(shù)據(jù)集中為每個對象學(xué)習(xí)一組分類器，在檢測過程中，為每個分類器獲得一組檢測分?jǐn)?shù)，選擇閾值t過濾一些低質(zhì)量檢測結(jié)果，并選擇最高的分?jǐn)?shù)作為最終檢測結(jié)果。

同樣地，提取rgb圖像的hsv(huesaturationvalue，色度-飽和度-亮度)特征，通過上述修正的exemplar-svm算法學(xué)習(xí)分類器，用于訓(xùn)練跟蹤器和補(bǔ)救檢測器的缺陷。

203：采用修正的tmd算法，利用跟蹤器的跟蹤結(jié)果{t1^k,t2^k,...,tm^k}提高檢測器的準(zhǔn)確性，在跟蹤的過程中根據(jù)塊區(qū)域的檢測結(jié)果{d1^k,d2^k,...,dn^k}，對每一個塊區(qū)域單獨進(jìn)行跟蹤；

修正的tmd算法包含以下兩個步驟：

1)訓(xùn)練模型；

將檢測結(jié)果用于訓(xùn)練每個跟蹤對象的個體檢測器。每次訓(xùn)練過程中，根據(jù)最后一幀中的檢測結(jié)果更新對象模型，把新的對象檢測結(jié)果加入到訓(xùn)練樣本中并刪除訓(xùn)練樣本中被錯誤劃為正樣本的負(fù)樣本，通過在線學(xué)習(xí)不斷地更新訓(xùn)練樣本，保證檢測器更適應(yīng)于當(dāng)前對象的狀態(tài)，

2)檢測。

利用更新模型中的模板，以增量方式學(xué)習(xí)具有隨機(jī)森林的對象檢測器，用于實時序列評估，根據(jù)跟蹤結(jié)果{t1^k,t2^k,...,tm^k}和檢測結(jié)果{d1^k,d2^k,...,dn^k}來預(yù)測出目標(biāo)的真實位置；

即，如果兩個結(jié)果的重疊區(qū)域超過某個閾值，則選擇兩者的中間位置作為目標(biāo)的新位置；否則，選擇與上一幀中目標(biāo)特征相似度較大的結(jié)果作為在當(dāng)前幀中跟蹤目標(biāo)的新坐標(biāo)。

204：利用檢測器的檢測結(jié)果{d1^k,d2^k,...,dn^k}和跟蹤器的跟蹤結(jié)果{t1^k,t2^k,...,tn^k}，在時間的約束下生成一組可靠的軌跡片段{o1^k,o2^k,...,on^k}，軌跡片段是每個跟蹤對象的表征特征；

通過修正的tmd算法，引入在線學(xué)習(xí)的方式，根據(jù)跟蹤結(jié)果{t1^k,t2^k,...,tn^k}和檢測結(jié)果{d1^k,d2^k,...,dn^k}預(yù)測出目標(biāo)的真實位置，保證最終檢測結(jié)果的魯棒性，得到可靠的軌跡片段{o1^k,o2^k,...,on^k}，其中，k為幀號。

205：重復(fù)步驟203-204，直至測試視頻結(jié)束；

206：采用gs(graphshift，圖偏移)方法將得到的軌跡片段融合，得到圖像中每個對象的標(biāo)簽。

基于上述過程，獲得測試視頻中的不同對象一組可靠的軌跡片段，每個軌跡片段包括一組檢測結(jié)果。

記錄每個軌跡片的初始和終止?fàn)顟B(tài)，包括位置和時空時間信息，然后使用ti＝{ns,ne,fc,fd,xs,ys,xe,ye}來代表每一個軌跡片，ns是初始狀態(tài)的軌跡片，ne是終止?fàn)顟B(tài)的軌跡片，fc是軌跡片的hsv特征，fd是軌跡片的hog特征，(xs,ys)是軌跡片的初始位置，(xe,ye)是軌跡片的終止位置，兩個不同軌跡片的相似性用下式來計算：

s(i,j)＝εd(i,j)+τ1h^c(i,j)+τ2h^d(i,j)

其中，s(i,j)是軌跡片段i與軌跡片段j的相似度，d(i,j)代表軌跡片段i與軌跡片段j的空間距離，h^c(i,j)和h^d(i,j)是軌跡片段i與軌跡片段j在不同特征空間中的相似度，ε、τ1、τ2分別是d(i,j)、h^c(i,j)、h^d(i,j)的權(quán)重，本方法中設(shè)置ε＝τ1＝τ2＝0.3

d(i,j)的求解公式如下：

其中，(xie,yie)是視頻中軌跡片段i的終止位置，(xjs,yjs)視頻中軌跡片段j的初始位置，軌跡片段i與軌跡片段j的相似性用歐氏距離表示：

其中，fi表示軌跡片段i的特征，fj表示軌跡片段j的特征。

相似性可以用于構(gòu)建圖模型，通過構(gòu)建圖模型，利用圖形移位方法將產(chǎn)生的一段段的軌跡片融合，最終得到的密集子圖即為每個對象的運(yùn)動軌跡。下面介紹圖模型的構(gòu)建方式：

圖模型中，每個節(jié)點表示每個軌跡片，每個邊表示兩個不同軌跡片之間的相似性，密集子圖是每個對象的軌跡。采用gs方法^[8]來檢測密集子圖，將多媒體的相鄰矩陣a作為輸入，軌跡圖的子圖由概率集群x∈δⁿ表示，其中，δⁿ＝{x|x∈rⁿ,x≥0,|x|1＝1}，δⁿ為概率集群；x為子圖包含每個頂點的概率，是單位映射向量；rⁿ為n維實數(shù)集。每個局部最大值表示圖的密集子圖，即每個對象的檢測結(jié)果。目標(biāo)函數(shù)如下：

x^*＝argmaxx^tax

∑xi＝1，xi≥ci

其中，a為鄰接矩陣；x^*為密集子圖；xi為第i個頂點包含在子圖中的概率；ci為常數(shù)，當(dāng)i＝0時，ci＝1，當(dāng)i＝1,...,n時，ci＝0。

使用多次圖形移位，以獲得一組子圖作為數(shù)據(jù)關(guān)聯(lián)的結(jié)果。采用拉格朗日處理優(yōu)化問題。引入拉格朗日乘數(shù)λ、αi,i＝1,...,n，得到拉格朗日函數(shù)：

局部最大值x^*必須滿足kkt(karush-kuhn-tucker，一種最優(yōu)化條件)條件：

其中，xi^*為第i個頂點包含在密集子圖中的概率；

綜上所述，本發(fā)明實施例避免了多目標(biāo)場景下的對象遮擋對檢測精度的影響，提高了軌跡生成的可靠性，降低了計算的復(fù)雜度。

實施例3

下面結(jié)合具體的實例、計算公式、表1和表2對實施例1和2中的方案進(jìn)行可行性驗證，詳見下文描述：

本實驗發(fā)布了一個由天津大學(xué)多媒體研究所記錄的基于多視角和多模態(tài)信息的現(xiàn)實世界對象數(shù)據(jù)集，名為多視圖rgb-d對象數(shù)據(jù)集(mv-red)。該數(shù)據(jù)集通過三個kinect傳感器在兩種不同的設(shè)置下分別記錄202個和303個對象，所記錄的每個對象具有721個rgb圖像和721個深度圖像，每個rgb圖像和深度圖像的分辨率為640×480，兩種設(shè)置之間的差異在于視圖采集的方向，使得基于該數(shù)據(jù)集的視圖匹配難度增加。

不失一般性的，本實驗使用查準(zhǔn)率(precision)與查全率(recall)來衡量方法的檢索性能。查準(zhǔn)率與查全率是三維物體檢索性能評估的重要指標(biāo)之一，查準(zhǔn)率越大，代表檢索性能越優(yōu)良。recall和precision根據(jù)以下公式求得：

其中，recall是查全率；nz是正確檢索對象的數(shù)量；nr是所有相關(guān)對象的數(shù)量。

其中，precision是查準(zhǔn)率，nall是所有檢索對象的數(shù)量。

實驗中將本方法與dpm算法、原始exemplar-svm方法進(jìn)行對比來驗證所提出方法的檢測性能；與graphcut、k-means等聚類算法進(jìn)行比較來驗證數(shù)據(jù)關(guān)聯(lián)的準(zhǔn)確性：

dpm^[3]：利用根濾波器在檢測區(qū)域上定位對象的各個部件，對象的最終分?jǐn)?shù)由所有部件濾波器和根過濾器的響應(yīng)計算。

exemplar-svm^[7]：。為每一個單獨的屬于同類的范例訓(xùn)練出獨一無二的分類器，將其通過一定方式集成后用于目標(biāo)檢測。

graphcut^[9]：又稱“圖像分割”。是一種十分有用和流行的能量優(yōu)化算法。

k-means^[10]：又稱“k-均值”。是一種基于樣本間相似性度量的間接聚類方法。

表1

由表1可知，本方法所提出的方法優(yōu)于dpm和原始exemplar-svm方法。這是由于dpm通過在一些固定角度或某些固定元素中學(xué)習(xí)檢測器，在實際檢測過程中不靈活，很難檢測視頻中出現(xiàn)的特殊形狀；與原始的exemplar-svm比較，本方法通過更新訓(xùn)練樣本來保證魯棒性分類器，可以減少錯誤檢測結(jié)果的數(shù)量。

表2

由表2可知，本方法勝過比較的聚類方法。這是由于所提出的方法利用圖形移位來處理數(shù)據(jù)關(guān)聯(lián)，在優(yōu)化過程中，每次運(yùn)行將更新每個子簇的所有點，以保證所有節(jié)點的特征相似。實驗結(jié)果驗證了本方法的可行性與優(yōu)越性。

參考文獻(xiàn)：

[1]熊亮.基于視頻序列的運(yùn)動檢測與跟蹤方法研究[d].華南理工大學(xué),2010.

[2]paulviola,michaeljones,rapidobjectdetectionusingaboostedcascadeofsimplefeatures.in:proceedingsofthe2001ieeecomputersocietyconferenceoncomputervisionandpatternrecognition,2001,cvpr2001,vol.1.ieee,kauai,hawaii,usa,2001,p.i-511.

[3]rossb.girshick,pedrof.felzenszwalb,d.mcallester,discriminativelytraineddeformablepartmodels,release5,2012.

[4]weizhinie,ananliu,yutingsu,huan-boluan,zhaoxuanyang,liujuancao,rongrongji,single/cross-cameramultiple-persontrackingbygraphmatching,neurocomputing139(2014)220–232.

[5]kevinlai,liefengbo,xiaofengren,dieterfox,detection-basedobjectlabelingin3dscenes,in:ieeeinternationalconferenceonroboticsandautomation,icra2012,st.paul,minnesota,usa,14–18may2012,pp.1330–1337.

[6]hemas.koppula,abhishekanand,thorstenjoachims,ashutoshsaxena,semanticlabelingof3dpointcloudsforindoorscenes,in:advancesinneuralinformationprocessingsystems,2011,pp.244–252.

[7]陳璐艷.基于范例集成的目標(biāo)檢測模型研究[d].上海交通大學(xué),2015.

[8]hairongliu,shuichengyan,robustgraphmodeseekingbygraphshift,in:proceedingsofthe27thinternationalconferenceonmachinelearning(icml10),haifa,israel,21–24june2010,pp.671–678.

[9]高林爽.基于graphcuts的圖像分割方法研究[d].寧夏大學(xué),2015.

[10]chrish.q.ding,xiaofenghe,andhorstd.simon.nonnegativelagrangianrelaxationofk-meansandspectralclustering.inecml,pages530–538,2005.

本領(lǐng)域技術(shù)人員可以理解附圖只是一個優(yōu)選實施例的示意圖，上述本發(fā)明實施例序號僅僅為了描述，不代表實施例的優(yōu)劣。

以上所述僅為本發(fā)明的較佳實施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。