基于B-HOG的图像物体检测研究

来源 :西安电子科技大学 | 被引量 : 0次 | 上传用户:panzhengdang
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
利用计算机模拟人的思维对图像中的内容进行识别,是计算机视觉领域重要的研究方向。根据是否针对特定对象,图像内容识别可分为物体分类和物体检测,它们都是图像分割、特征匹配、目标跟踪等其他更高层视觉检索的基础,以此发展起来的人脸识别等技术都已经广泛的应用于多个领域。物体检测的主要步骤如下:采用滑动窗口对图像进行全图扫描,获取每个窗口的特征点或者特征向量;第二,选取特征并对其进行分类;第三,对检测结果进行融合,去除冗余获取最终结果,给出可能存在物体的外接矩形框区域。由于包含大量的特征点提取和匹配任务,现有的BING、HOG等算法在准确性和速度方面都无法满足较高水平的实时系统的应用要求,尤其涉及到安全性时仍难以大规模使用。针对上述情况,结合近年来新发展的二值化技术,本文提出了一种新的基于二值化的方向梯度直方图(HOG)与AdaBoost算法的检测方法,能够保证检测准确率的同时提升检测速度。本文算法在检测之前对首先图像进行预处理,将所有待检测图像归一化到五种特定的尺寸之内,选取其梯度图像像素值的高4位数据近似表达原图,减少计算数据量;结合计算机内部存储数据的特点对HOG特征进行二值化,以基向量的线性组合表示所获取的特征,将原本的卷积运算转换成快速的按位或和位移操作;采用新的HOG检测窗口大小和梯度方向划分,使一个块内的特征向量按比特存储;同时,考虑到线性SVM分类器处理困难样本的不足,本文采用自适应的AdaBoost算法,并定量分析了该算法的误检率、查全率、泛化能力、级联分类器数目的确定;在分类器的训练中设置弱分类器的数目上限,确保每一级的检测不会无限循环下去。本文使用PASCAL VOC 2007数据集进行了训练和检测,并与BING、HOG与SVM、HOG与AdaBoost等实验进行对比;结果表明,本文的算法在检测时间和检测准确率上都有一定程度的提升。
其他文献
随着经济全球化和信息技术的发展,针对市场机遇,多个企业为了实现共同的项目目标,以契约方式组成一种网络式的联合体,共同承担项目工作,以减少项目的成本和风险,实现优势互补,提高企
随着数字化进程的日益加深,信息家电作为一个新兴的产业日益被广大家庭认识并接受。嵌入式、网络化的发展与普及也为信息家电的发展奠定了良好的基础。然而目前,信息家电的标准还未规范,已有的各类标准缺乏兼容性,安全作为其中的一个研究内容更是没有得到统一。因此,用户身份认证和消息保密机制作为安全研究必不可少的内容,研究意义十分重要。信息家电的安全问题主要体现在:身份认证、数据的保密性、数据的完整性、不可抵赖性
无线传感器网络(Wireless Sensor Network,WSN)是由大量分布的不同规格和功能的具有感知、计算和通信能力的微型传感器节点通过自组织的方式构成的一个小范围的无线网络。大量
传统的文本分类方法大都采用了基于词频的统计方法来表征文本,基于关键词加权重的向量空间模型(Vector Space Model,VSM)对文本进行分类,普遍缺乏语义信息的导引,得到的文档
位姿参量是反映空间中物体运动状况的核心参数,对于军事、导航、航天、航空等众多领域的发展都至关重要。考虑到硬件设施、经济因素等一些实际条件的限制,利用光学设备拍摄的
随着P2P技术的发展,对P2P网络的管理成为了P2P领域的重要问题。如何减少网络带宽的消耗是P2P网络管理中研究的热点之一。P2P网络的管理涉及P2P网络的组织结构、节点间的通信
随着互联网高速发展,移动互联网浪潮的兴起,人们的生活越来越离不开互联网,人们在使用互联网进行互联的同时创造的数据量也是呈指数级增长,提高对海量数据的存储和快速访问的
蚁群优化(ACO)算法是一种新型的元启发式算法。蚁群优化算法具有较强的鲁棒性、优良的分布式计算机制、易于与其它方法结合等优点,可以用于解决各种组合优化问题,并已经成功
我国长江水域港口中的浦口、汉口、裕溪口和枝城,即“三口一枝”   一直是长江水域煤炭运输大港,多年来一直牢牢占据长江煤炭运输市场的半壁江山。随着长三角地区对煤炭需求
随着计算机网络技术的应用越来越广泛,各种网络中的应用服务也变得越来越复杂,其运行变得脆弱而不可靠,与网络服务相关的故障变得司空见惯。而目前在这些引起系统故障的因素