基于ObjectNess BING的海面多舰船目标检测

将一幅图像按照一个目标的大小进行缩放,然后计算其梯度特征,再对梯度特征进行标准化,二值化能够极大地提高目标候选区域的选择和检测计算效率,减少耗时。由于对海上舰船目标的检测是具有丰富角点的人造目标,对ObjectNess二值化标准梯度特征(binarized normed gradients,BING)方法中的目标候选区域提取算法进行改进,使其能够更加快速地进行候选区域的选择并保持较高的检测率。分析了海上多舰船目标的图像特征,提出了利用角点确定目标的候选基点,再利用ObjectNess BING检测模型训练获得的多目标尺寸进行候选区域的选择,对互联网上下载的多幅多舰船图像进行处理的结果表明,算法能够有效减少候选目标区域的数量并保持较高的检测概率。

基于BING与卷积神经网络的人脸检测算法

为了提高复杂背景条件下人脸检测算法的训练速度以及检测速度,提出一种基于二值化梯度幅值特征(Binarized Normed Gradients,BING)和卷积神经网络相结合的算法。为了提高算法的检测速度,采用二值化梯度幅值特征算法对目标窗口进行粗略的筛选,快速得到数量较少的候选窗口,以此来减少卷积神经网络后续判定的窗口数。为了提高算法的训练速度,提出了新的卷积神经网络的激活函数反比例线性单元(Inverse Proportion Linear Units,IPLU),并且推导出相应的权值初始化方法。实验结果表明,与激活函数Re LU和ELU相比,反比例线性单元以及相应的权值初始化方法使得网络收敛时间分别缩短了2.3%和8.6%;与FuSt算法和Cascade CNN算法相比,基于BING与卷积神经网络的人脸检测算法的检测速度分别提高了26%和62%。

基于BING和GS的图像目标检测中的快速候选框生成算法

候选框生成算法能够有效减少分类器所需处理的图像块个数,提高目标检测效率和准确率。二值化梯度范数(binarized normed gradients,BING)算法计算速度快,检测率高,但是生成的候选框平均召回率很低。在BING算法的基础上,引入基于图的超像素分割算法来提高平均召回率。实验结果表明,文章算法能够有效提升生成的候选框的平均召回率;综合多个参数值下的结果,该算法能够达到60%以上的平均召回率,而BING算法在使用大量候选框条件下的平均召回率仍低于36%。

基于BING-casDPM的快速行人检测算法

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%.

用基于二值化规范梯度的跟踪学习检测算法高效跟踪目标

为提高复杂环境下TLD(Tracking-Learning-Detection)算法的跟踪精度和速度,提出基于二值化规范梯度(BING)的高效TLD目标跟踪算法。在跟踪器中引入基于时空上下文的局部跟踪器失败预测方法和全局运动模型评估算法,提高了跟踪器准确度和鲁棒性;用BING算法取代滑动窗口搜索策略,结合级联分类器实现目标检测,减少了检测器的检测范围,提高了检测的处理速度;将训练样本权重整合到在线学习过程中,改进级联分类器的分类准确度,解决了目标漂移问题。对不同的图片序列实验结果表明:本算法的跟踪正确率达85%,帧率达19.79frame/s。与原始TLD算法及其他主流跟踪算法相比较,该算法在复杂环境下具有更高的鲁棒性、跟踪精度及处理速度。

基于似物性的快速视觉目标识别算法

针对视觉目标识别算法实时性较差的问题,基于似物性提出一种面向视觉目标识别的可变部件模型改进算法。该算法首先对图像进行二进制归一化的似物性检测,并利用检测结果形成视觉目标候选框;然后使用目标识别算法对候选区域进行似然判决,比滑动窗口法缩短了搜索时间;最后通过一个快速扩大-缩小算法对检测目标进行尺度修正,提高目标框的准确度。在PASCAL图像库上的识别结果表明:该识别方法在准确率上优于当前主流的检测模型,计算耗时较级联DPM算法减少约50%。

基于似物目标的快速行人检测算法

针对传统滑动窗口行人检测速度慢、无效窗口数量大和识别率低的问题,提出基于似物目标的快速行人检测算法。该算法首先使用改进的二值化赋范梯度算法生成目标候选集,再利用NDOG特征描述子计算目标特征。通过在INRIA和Caltech-USA两个行人数据库的分析实验,证明该算法可有效减少待检测窗口数量,提高特征表示能力,且计算时间显著降低,使用线性支持向量机作为分类器可获得较高的行人检测率。

基于视觉显著性的信封地址块定位方法

贴条信封具有背景复杂、贴条地址块不固定等特点,传统的基于规则的地址块定位方法难以准确识别信封的背景和目标地址块。针对该问题,提出一种基于视觉显著性的贴条信函地址块定位方法。采用二值化归一梯度方法快速检测出图像中与训练地址块具有相似局部显著性分布的块状区域,作为候选区域,抽取候选区域的位置、灰度、梯度、纹理等基于外观的特征,使用协方差进行非线性融合,生成区域协方差描述子,利用支持向量机实现训练和分类。为了精确定位地址块区域中的文字,用图像签名技术计算稀疏显著性并通过高斯滤波器进行平滑。实验结果表明,该方法能快速准确定位目标地址块,平均准确率达到85.8%,比基于条件随机场的地址块定位方法高33.5%。

基于二值化赋范梯度的中厚板表面缺陷检测

目的针对中厚板表面复杂、缺陷识别率低的问题,设计一种有效的候选窗口提取方法,提升中厚板表面缺陷检测的准确性与实时性。方法引入视觉选择性注意机制,采用一种基于二值化赋范梯度特征(Binarized Normed Gradients,BING)的一般对象估计算法来快速准确地提取缺陷感兴趣区域(Region of Interest,ROI),有效缩短搜寻过程。首先将样本归一化到8×8大小,提取规范化梯度特征(Normed Gradients,NG),学习一个测量显著性的线性SVM分类器来预测图像窗口含有缺陷的可能性。然后再通过样本尺度优化显著性评分,学习一个校准显著评分的线性SVM分类器。最后将两个SVM模型级联,用于在线检测,提取缺陷感兴趣区域。结果将训练好的BING模型与Inception-V3卷积神经网络相结合,用于中厚板表面缺陷检测与识别,BING算法有效减少了ROI数量,在ROI数量为500的情况下,达到了98.2%的召回率。结论在保证缺陷召回率的前提下,BING生成的ROI数量比滑动窗口遍历方式少2个数量级,有效减少了后续识别算法的计算量,有利于引入复杂的分类器提升中厚板表面缺陷识别的准确率。