·624. 智能系统学报 第11卷 Ours GT MB SPP Net DPM Poselets 图6本文方法与DPM,SPP Net,.Poselets算法结果对比图(Ours列为本文方法的检测结果，图中椭圆框中为算法漏检或错检的区域) Fig.6 Comparison of our method with DPM,SPP Net and Poselets(missing or wrong detection areas are in ellipse boxes) 本文提出的基于HOG特征的多目标匹配算法 P=SnG 实验结果如图7所示，可以看出，在大多数情况下， S 本文提出的算法能够有效地匹配多视角中的多个目 R=∑0 (4) 标。但是当视频视角变化较大时，目标姿态不正，从 G 而导致目标匹配失败，究其原因，因为训练是通过人 式中：S为目标检测算法检测的目标区域像素数，G 工标注的包含目标的矩形框来完成的，从而导致训 为人工标注的目标区域像素数，n为目标数。 练样例包含更多的非目标区域给匹配结果的正确性 则F-measure为 带来影响，造成匹配结果不准确，如图7中第3列的 2PR F二P+R (5) 目标1和第4列的目标7；另外，由于提取特征时是 目标匹配正确率的计算为 通过将显著目标区域分成固定尺寸的bins(子块)， 匹配正确的目标数 因此当显著目标区域较小时，所划分的bins(子块) A= (6) 目标总数 也就很少，提取的特征也就不显著，因此会出现结果 本文提出的鲁棒的muli-egocentric视频中的目 错误，如图7中第1列的目标2、5、3。 标检测和目标匹配算法在整个数据集上的检测结果 最后，本文采用F-measure方法评价目标检测 如表1所示。 算法。查准率和查全率的计算为图６ 本文方法与 ＤＰＭ、ＳＰＰ Ｎｅｔ、Ｐｏｓｅｌｅｔｓ 算法结果对比图（Ｏｕｒｓ 列为本文方法的检测结果，图中椭圆框中为算法漏检或错检的区域） Ｆｉｇ．６ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｏｕｒ ｍｅｔｈｏｄ ｗｉｔｈ ＤＰＭ、ＳＰＰ Ｎｅｔ ａｎｄ Ｐｏｓｅｌｅｔｓ（ｍｉｓｓｉｎｇ ｏｒ ｗｒｏｎｇ ｄｅｔｅｃｔｉｏｎ ａｒｅａｓ ａｒｅ ｉｎ ｅｌｌｉｐｓｅ ｂｏｘｅｓ） 本文提出的基于 ＨＯＧ 特征的多目标匹配算法 实验结果如图 ７ 所示，可以看出，在大多数情况下， 本文提出的算法能够有效地匹配多视角中的多个目 标。 但是当视频视角变化较大时，目标姿态不正，从 而导致目标匹配失败，究其原因，因为训练是通过人 工标注的包含目标的矩形框来完成的，从而导致训 练样例包含更多的非目标区域给匹配结果的正确性 带来影响，造成匹配结果不准确，如图 ７ 中第 ３ 列的 目标 １ 和第 ４ 列的目标 ７；另外，由于提取特征时是 通过将显著目标区域分成固定尺寸的 ｂｉｎｓ（子块）， 因此当显著目标区域较小时，所划分的 ｂｉｎｓ（子块） 也就很少，提取的特征也就不显著，因此会出现结果 错误，如图 ７ 中第 １ 列的目标 ２、５、３。 最后，本文采用 Ｆ⁃ｍｅａｓｕｒｅ 方法评价目标检测 算法。 查准率和查全率的计算为 Ｐ ＝ ∑ ｎ ｉ ＝ １ Ｓｉ ∩ Ｇｉ Ｓｉ Ｒ ＝ ∑ ｎ ｉ ＝ １ Ｓｉ ∩ Ｇｉ Ｇｉ （４） 式中：Ｓｉ 为目标检测算法检测的目标区域像素数，Ｇｉ 为人工标注的目标区域像素数，ｎ 为目标数。 则 Ｆ⁃ｍｅａｓｕｒｅ 为 Ｆ ＝ ２ＰＲ Ｐ ＋ Ｒ （５） 目标匹配正确率的计算为 Ａ ＝ 匹配正确的目标数 目标总数 （６） 本文提出的鲁棒的 ｍｕｌｔｉ⁃ｅｇｏｃｅｎｔｒｉｃ 视频中的目 标检测和目标匹配算法在整个数据集上的检测结果 如表 １ 所示。 ·６２４· 智 能 系 统 学 报 第 １１ 卷