基于边缘信息增强的CNN行人检测算法

行人检测是模式识别与分类的经典问题,一直受到研究人员广泛的关注。卷积神经网络作为深度学习的重要模型,在解决行人检测问题上有着良好的效果。基于以上背景,文章提出一种利用双输入卷积神经网络结合图像边缘强化特征进行行人检测的方法。该方法使用Canny边缘检测算子对图像进行边缘检测,得到完整的行人边缘信息,并将其与完整的行人图像分别作为卷积神经网络输入,达到边缘增强的目的,最后通过对卷积神经网络结构参数的优化,实现对行人的检测分类,经在标准行人样本集进行测试,证明了文章算法的有效性。

多卷积特征融合的HOG行人检测算法

行人检测是计算机视觉领域中的经典问题,HOG结合SVM的方法是解决这一问题的有效途径,HOG对行人特征的有效描述起到了重要作用。卷积神经网络(CNN)作为一种有效的特征提取方法,通过特征图可以实现对特征更好的描述。提出将卷积神经网络(CNN)与传统的HOG+SVM算法相结合的方法。首先利用CNN在下采样层中可以使用不同的卷积核对数据进行不同角度特征描述的特点,对样本进行多角度浅层特征提取;然后用HOG对得到的浅层特征进行进一步的提取;最后采用支持向量机(SVM)完成训练、分类。实验表明,该方法对于行人检测具有很高的识别率,优于传统方法。

基于中值滤波与维纳复原的图像预处理方法

图像预处理是机器视觉、模式识别等研究领域中不可获取的重要组成部分,在算法的研究与设计过程中,图像的质量与完整度都是影响算法准确率的主要因素,而通过图像预处理可以很大程度上的弱化这些影响。该文在研究传统的图像预处理方法的同时将图像滤波与图像复原方法相结合,提出加权自适应中值滤波结合维纳复原法。即首先采用加权自适应中值滤波对图像进行滤波,然后使用维纳复原法对图像进行复原。通过实验证明该方法对改善图像质量有着很好的效果。

基于ZeroMQ的多线程编程程序设计

随着硬件性能的提高,多线程编程技术已经成为软件业的主流。文章首先介绍多线程编程所面临的挑战,其次介绍ZeroMQ消息中间件可以如何应对该问题,并对其中的两项关键技术做了分析,最后对采用ZeroMQ与传统方法下多线程编程的性能进行对比。