行人检测是计算机视觉技术中一个热门的研究热点,在汽车辅助驾驶和视频监控等方面具有重要作用.由于传统的可变形部件模型(deformable part model,DPM)采用滑动窗口检测方式,在背景区域花费大量检测时间会导致检测速度降低,因此提出了...行人检测是计算机视觉技术中一个热门的研究热点,在汽车辅助驾驶和视频监控等方面具有重要作用.由于传统的可变形部件模型(deformable part model,DPM)采用滑动窗口检测方式,在背景区域花费大量检测时间会导致检测速度降低,因此提出了一种基于BING-casDPM的快速行人检测算法.首先基于二进制化梯度范数特征(binarized normed gradient,BING)训练一个二级支持向量机(support vector machine,SVM)分类器,通过该分类器快速标定出所测图像中包含各类物体的候选区域;然后根据候选区域窗口的特点进一步提取待检测框;最后将待检测框作为输入,使用级联DPM(cascade DPM,casDPM)模型进行精确检测,并将结果返回至原图.实验结果表明,该算法在基本不降低检测率的情况下,其检测速度比经典DPM模型检测速度提高了约16倍,比casDPM模型提高了约40%.展开更多
提出一种基于类物体区域检测的BoW(Bag of Words)框架物体识别方法,采用改进的BING(Binarized Normed Gradients)算子检测分割出图像中的可能物体区域后,利用RootSIFT算子提取特征,送入后续BoW框架进行物体类别识别.将该方法应用于PASCA...提出一种基于类物体区域检测的BoW(Bag of Words)框架物体识别方法,采用改进的BING(Binarized Normed Gradients)算子检测分割出图像中的可能物体区域后,利用RootSIFT算子提取特征,送入后续BoW框架进行物体类别识别.将该方法应用于PASCAL VOC2007图像集,试验结果表明:相较于整幅图像的特征计算,将特征提取与匹配限定在固定的可能物体区域的做法可以提高计算速度和识别效率.此外,该方法在VOC2007图像集上达到了平均33.45%的识别准确率,优于相关文献算法.展开更多