基于多特征扩散方法的显著性物体检测

现有的大部分基于扩散理论的显著性物体检测方法只用了图像的底层特征来构造图和扩散矩阵,并且忽视了显著性物体在图像边缘的可能性。针对此,该文提出一种基于图像的多层特征的扩散方法进行显著性物体检测。首先,采用由背景先验、颜色先验、位置先验组成的高层先验方法选取种子节点。其次,将选取的种子节点的显著性信息通过由图像的底层特征构建的扩散矩阵传播到每个节点得到初始显著图,并将其作为图像的中层特征。然后结合图像的高层特征分别构建扩散矩阵,再次运用扩散方法分别获得中层显著图、高层显著图。最后,非线性融合中层显著图和高层显著图得到最终显著图。该算法在3个数据集MSRA10K,DUT-OMRON和ECSSD上,用3种量化评价指标与现有4种流行算法进行实验结果对比,均取得最好的效果。

基于Adaboost与背景差分级联的室内人数统计方法

针对室内监控视频环境,提出了一种基于Adaboost与背景差分级联的室内人数统计方法.算法采用Harr-Like局部特征用于人员特征检测,使用Adaboost分类器进行训练,最后的检测结果采用级联背景差分修复算法减少误报与漏报数目.实验证明,能较准确地完成自习室中人数的统计,且具有较好的鲁棒性.