结构主导目标检测中的纹理随机化

王 梓，毕道明，周颉鑫，孙晓亮，于起峰

(1. 国防科技大学 空天科学学院， 湖南 长沙 410073；2. 国防科技大学 图像测量与视觉导航湖南省重点实验室, 湖南 长沙 410073; 3. 沈阳飞机设计研究所， 辽宁 沈阳 110035)

目标检测是计算机视觉中的基础问题，在机器人抓取[1]、遥感图像处理[2]等领域具有广泛应用。基于卷积神经网络(Convolutional Neural Network, CNN) 的目标检测算法得益于大规模高质量标注的训练数据集，取得了当前最优的检测性能。本文关注变纹理目标的可靠检测。受工艺加工、应用需求、复杂光照等因素的影响，同一目标在纹理上可能存在巨大差异(如图1所示)，已有基于 CNN 的目标检测算法倾向于提取目标纹理特征，而非目标的结构特征。因此，相关方法不能有效地实现图1所示变纹理目标的可靠检测。

图1 变纹理目标图像示例Fig.1 Sample images of a texture-varied object

目标结构特征是目标检测中的重要依据，表征目标结构特征的梯度方向直方图(Histogram of Gradient, HoG)特征[3]已被广泛应用于目标检测中[4-6]。Aubry等[4]采用HoG特征提取目标结构特征，并结合线性分析(Linear Discriminant Analysis, LDA)方法，在仿真图像数据集上完成目标检测器的训练，实现了仅基于目标结构特征的可靠目标检测，对光照变化、纹理差异等干扰表现出来较强的鲁棒性。在文献[5]的基础上，Lim等[6]引入目标局部结构区分度评价及可变形部件思想，进一步提升目标检测性能。Hariharan等[7]对HoG特征进行改进，提出白化方向直方图(Whitened Histograms of Orientations，WHO)特征，并应用于目标检测中。

深度特征表征方法在特征表示能力上优于传统特征表征方法。因此，基于CNN的目标检测算法[8-9]取得了明显优于传统方法的目标检测性能。……