【论文阅读笔记】Segmentation as Selective Search for Object Recognition

        Koen E. A. van deSande  IJCV 2012

       本文主要介绍了结合图片分割和选择性搜索（Selective Search）的方法确定物体位置的方法。先前的做法主要使用穷举搜索（Exhaustive Search），即选择一个window扫描整张图像，然后再改变Window大小继续扫描，这种方法比较耗时，因此不能用于更复杂的特征提取和图片数量较多的场合。文中提出的算法通过图像分割（Image Segmentation）以及使用一种层次算法（Hierarchical Algorithm）巧妙地解决这个问题。

一.图像分割

        首先使用 EfficientGraph-BasedImage Segmentation 算法，将图片进行过分割。过分割后的每个region非常小，以此为基础，对相邻的region进行相似度判断并融合，形成不同尺度下的region。每个region对应一个bounding box。



        使用相似度的概念进行region合并：

        


       

         算法为(借鉴了http://blog.csdn.net/mao_kun/article/details/50576003)：

         


                 输入：彩色图片（三通道）

                输出：物体位置的可能结果L

               1.使用 EfficientGraph-Based Image Segmentation【1】的方法获取原始分割区域R={r1,r2,…,rn}

               2.初始化相似度集合S

               3.计算两两相邻区域之间的相似度（见第三部分），将其添加到相似度集合S中

              4.从相似度集合S中找出，相似度最大的两个区域 ri 和rj，将其合并成为一个区域 rt，从相似度集合中除去原先与ri和rj相邻区域之间计算的相似度，计算rt与其相邻区域 （原先与ri或rj相邻的区域）的相似度，将其结果添加的到相似度集合S中。同时将新区域 rt 添加到区域集合R中。

             5.获取每个区域的Bounding Boxes，这个结果就是物体位置的可能结果L

二.使用多颜色空间提升Recall

        文章采用了8中不同的颜色方式，主要是为了考虑场景Shadow, Shading 和 Highlight Edges不同，使用的颜色空间有：（1）RGB，（2）灰度I，（3）Lab，（4）rgI（归一化的rg通道加上灰度），（5）HSV，（6）rgb（归一化的RGB），（7）C，（8）H（HSV的H通道）。就通过HierarchicalAlgorithm的图片将送入不同颜色空间处理，每种颜色空间对于不同阴影、光照、边有不同的敏感度，综合这些颜色空间使之对于各种场景的图片都能拥有较好的效果。

三.用于物体识别

      文章最后将该方法用于物体识别，使用SVM作为分类器。



       另外一篇博文关于selective Serach写得很详尽，这里给出链接，供有兴趣更深入了解的童鞋阅读http://blog.csdn.net/mao_kun/article/details/50576003。