2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩59頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、行人檢測是目前計算機視覺領(lǐng)域的研究熱點之一,它在智能機器人、智能交通、人體姿態(tài)估計等多個方面有著廣泛應用前景,隨著科學技術(shù)的發(fā)展,近年來也應用在航拍圖像和受害者營救等新興領(lǐng)域中。行人檢測處于智能系統(tǒng)的底層,是后續(xù)高級處理的基礎(chǔ),如目標分割、姿態(tài)估計等。由于拍攝場景的復雜性、拍攝視角與尺度的變換以及行人的著裝與身材的大小等因素,使得行人檢測具有極大的挑戰(zhàn)性。
   隨著研究的不斷深入,研究人員提出了各種行人檢測方法,包括韋伯局部描

2、述子(WeberLocalDescriptor,WLD)局部二元模式特征(LocalBinaryPattern,LBP)、基于梯度方向直方圖(HistogramofOrientedGradient)檢測子、類似形狀檢測子、基于部件的檢測方法、多特征融合的行人檢測方法等。上述方法都是基于統(tǒng)計分類的方法進行檢測,這類方法主要由兩個部分組成:提取特征和分類器設(shè)計。特征提取的目的是降低數(shù)據(jù)的維數(shù),得到能反映行人特征的特征向量;分類器設(shè)計屬于機器

3、學習領(lǐng)域的范疇,其目的是得到分類效果好、計算速度快、泛化能力強的分類器。
   本文對行人檢測技術(shù)的研究現(xiàn)狀進行總結(jié)與分析,在此基礎(chǔ)上,對特征描述、分類器訓練性能的改善方面進行了研究。論文的主要貢獻如下:
   1.改進的WLD與LBP特征融合的行人檢測
   傳統(tǒng)的WLD特征提取方法,隨著分塊數(shù)和方向劃分增加,提取速度成倍減慢,針對這一現(xiàn)象,本文提出了改進的WLD特征提取方法,改進后的方法,在特征的維數(shù)上并沒有

4、改變,但是特征提取速度卻提升4.5倍。針對單一特征對圖像紋理特征或者空間特征表現(xiàn)的局限性以及對光照和其它噪聲影響魯棒性不足的缺點,本文首次提出了改進的WLD特征與LBP特征融合的行人檢測方法。該算法提取得到的WLD-LBP特征既具有LBP特征計算速度的優(yōu)點,又有WLD特征對光照等噪聲具有很好的魯棒性的優(yōu)點,從而更加全面的描述了圖像的紋理信息。在此基礎(chǔ)上,借助SVM(SupportVectorMachine)分類器實現(xiàn)了WLD與LBP特征

5、融合的行人檢測。
   基于SVM分類器的行人檢測實驗表明:WLD-LBP特征在行人檢測性能上優(yōu)于單獨的WLD特征、單獨的LBP特征和HOG特征的目標描述。
   2.基于多分辨率的WLD特征的行人檢測
   針對WLD特征對目標形狀描述的不足,本文在改進的WLD特征的基礎(chǔ)上,提出了多分辨率的WLD特征。首先對目標圖像進行多級空間劃分,實現(xiàn)從平面到空間、由粗到細的多尺度目標特征提取,從而更加全面描述目標形狀信息:

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論