1、目標檢測是計算機視覺領域最基本的問題，其核心任務是對任意一幅給定的圖像，采用某種目標識別算法和搜索策略，確定特定目標在圖像中的位置和大小。盡管該領域已取得豐碩的研究成果，但在復雜應用場景中，目標通常會受光照變化、視角、姿態(tài)、部分遮擋等因素影響而引起較大的外觀變化，最終導致檢測算法性能下降。然而，隨著智能監(jiān)控、智能交通、圖像檢索等應用需求的增長，人們對能適應各種復雜應用場景的目標檢測方法的需求日益增長。
　　本文工作以一種Boost

2、ing算法加強的隨機森林GBRF（Gradient Boosting Ran-dom Forests）為基礎，針對不同場景下待檢測目標的自身特點，將GBRF與不同圖像表達方式結合，構建滿足應用需求的目標識別模型，并最終利用一種搜索方法完成檢測過程。研究分別從目標分類模型、高層圖像表達、快速目標檢測和多視角目標檢測四個方面展開，主要貢獻總結如下：
　?。?）基于Boosting算法加強的隨機森林模型GBRF，提出了利用GBRF構建能

3、適應外觀變化目標模型的一般方法，并應用到人臉檢測任務上。首先，GBRF目標模型以樹分類方法為基礎，結合不同圖像特征對樣本進行逐層劃分，并利用樹的不同決策分支對外觀變化目標分別建模；然后，為了提高模型泛化能力和識別精度，基于集成學習理論，先利用Bagging算法組合多棵樹，再利用Boosting算法組合森林的不同層；最后，針對人臉檢測任務，給出了一種“GBRF+Haar矩形特征”的人臉檢測方法。實驗表明，該方法對人臉等小尺度、局部變化可控

4、的目標有較好檢測結果，但對于復雜場景中尺度大、外觀變化大的目標還需依賴更強大的圖像特征和目標表達方法。
　　（2）提出一種基于CNN（Convolutional Neural Network）高層特征的圖像局部塊描述方法，并將其與GBRF相結合，以構建目標檢測模型。首先，通過研究CNN高層特征與圖像局部區(qū)域的對應關系，提出了一種CNN局部圖像塊描述子；然后，結合CNN局部圖像塊特征表達形式，提出了一種基于圖像塊多維特征的樹節(jié)點樣本

5、劃分方法；最后，通過多棵樹逐層選擇并組合最有區(qū)分度的局部圖像塊構建GBRF目標識別模型。在多個目標檢測任務集上比較實驗的結果表明，CNN局部圖像塊特征對光照、局部形變有很好容忍能力，基于圖像塊多維特征的樹節(jié)點分裂函數(shù)有更強的分類能力，所提方法相比已有算法也展現(xiàn)了更好的檢測性能。
　?。?）基于局部DOT（Dominant Orientation Template）模板的快速計算特性，利用GBRF逐層選擇和組合不同位置、大小自適應的

6、局部模板，以構建了一種快速的行人檢測方法。首先，基于二進制編碼形式給出DOT模板的快速計算方法，并利用SSE指令進行硬件加速；然后，定義了一種位置、大小自適應的局部DOT模板生成方法，并利用生成的局部模板，設計了一種基于DOT模板匹配的樹節(jié)點樣本劃分方法；最后，利用定義的局部模板集和節(jié)點劃分方法，給出了基于局部DOT模板和GBRF的目標模型生成方法。檢測過程中，在基于滑動窗口法確定目標位置時，提出利用一種級聯(lián)檢測架構快速排除大量的背景窗

7、口。實驗結果表明，所提方法在不損失檢測精度前提下提高了檢測效率，同時，局部DOT模板對部分遮擋有較好抵抗能力。
　　（4）改進傳統(tǒng)霍夫投票目標檢測框架，提出了一種適用于多視角目標的加權霍夫投票檢測方法，并在多視角車輛檢測上驗證所提算法有效性。首先，利用GBRF對包含外觀和位置信息的圖像塊集進行聚類，并提出了一種緊致性視覺單詞的描述方法，該描述方法不僅有利于表達投票檢測過程，還有效地減少了冗余、混亂的投票單元；其次，利用得到的視覺單