基于HSV-Edgeboxes航拍图像玻璃绝缘子候选区域定位

本文提出了HSV-EdgeBoxes可以用于定位航拍图像中玻璃绝缘子的位置。首先将航拍图像由RGB空间转化为HSV空间,根据每个窗口感兴趣颜色区域的面积,计算每个窗口的颜色得分。然后采用结构化的边缘检测和非最大值抑制算法,生成航拍图像的边缘图像。通过统计每个窗口总共包含的边缘数,计算每个窗口的边缘得分。最后,结合颜色得分和边缘得分获得每个窗口的最后得分,选择包含得分高的窗口作为候选区域。实验结果证明了该算法的有效性。

面向复杂场景的鲁棒KCF行人跟踪方法

经典核相关滤波(Kernel correlation filter,KCF)目标跟踪算法是判别式跟踪算法中效果最好的一种跟踪算法。但该算法不能很好地适应目标尺度的变化,且在遇到目标短暂消失或被其他物体遮挡等复杂情形时不具备处理目标重显的能力,因此,为使得目标跟踪能够有效地应对遮挡情形,本文从提高特征表达能力、增加尺度匹配策略和抗遮挡3个方面对经典KCF算法进行改进,提出了一种鲁棒的KCF行人跟踪算法。首先对方向梯度直方图(Histogram of oriented gradients,HOG)特征和色调、饱和度、值(Hue-saturation-value,HSV)特征的响应分布进行特征融合。其次,设置动态选择尺度池来改进滤波器的固定尺寸匹配。最后,通过滤波器响应最大值的变化率衡量目标的遮挡情况,并根据上一成功帧的目标信息,通过EdgeBoxes和感知哈希算法找回目标,更新滤波器。本文所提方法在公开视频跟踪数据集Benchmark上进行测试,实验结果表明与其他目标跟踪方法相比,本文算法提高了尺度变化、遮挡等复杂情形下跟踪的鲁棒性,确保了较高的跟踪精度。

一种深度学习的非机动车辆目标检测算法

针对道路交通场景目标检测问题,提出采用EdgeBoxes算法和深度学习融合的非机动车辆目标检测方法,利用深度学习目标分类算法Fast R-CNN,结合VOC格式的非机动车辆数据样本,把道路交通场景中的目标检测问题实化为自行车(bicycle)和电动车(evbike)的分类问题。利用EdgeBoxes算法提取样本的目标建议构建适量的感兴趣区域,和样本一起输入网络进行迭代训练,同时引入正则化思想和微调策略进行网络优化,降低网络复杂度并避免过拟合现象;网络训练后得到非机动车辆目标检测模型,对模型进行新样本测试并分析测试效果。在道路交通场景目标检测中,基于EdgeBoxes算法和优化Fast R-CNN融合的方法与传统方法相比,检测准确度稍有提高,运算量明显降低,检测速度加快近一倍。

深度学习算法在篮球运动员目标检测中的应用

精准识别篮球运动员目标是战术智能生成、运动员行为分析的重要基础,为此改进传统Fast RCNN网络模型构建方式.基于Gabor滤波器平滑图像,提取边缘信息完成篮球运动员图像特征提取;引入EdgeBoxes算法,基于滑动窗口策略提取样本图像目标建议区域,减少目标标注数量;采用迁移学习策略完成Faster R-CNN网络模型的训练,通过分类与回归网络对建议区域目标实施分类和边界回归,精准实现篮球运动员的目标检测.测试结果表明,改进Faster R-CNN网络在目标检测精准度方面有大幅度提高,运行效率显著提升,最高可达18 f·s^(-1).

适用于文字检测的候选框提取算法

在文字检测的相关研究中,针对文字的候选框提取方法并未得到广泛关注与深入挖掘。一方面由于文字本身结构和一般物体具有较强的差异性,另一方面由于文字对检测的精度要求高。本文提出了一种针对文字的候选框提取算法,该算法首先利用全卷积网络进行快速预测文字区域,有效地减少了候选框的搜索范围,然后针对文字特性对EdgeBox算法进行改进,使之适用于自然场景文字候选框的提取。此外,本文在两个自然场景文字检测的标准数据集上对该算法进行了评测,并与其他已有的候选框提取方法进行了比较。实验结果表明本文方法相较其他算法,具有更好的性能和鲁棒性。

基于ACF算法的行人检测研究

近年来,关于行人检测领域的研究,人们提出了各种各样的方法。其中,多样化的特征和高效的分类器是这些研究的关键,本文就是在这两个方面找到一种更高效的方法来提高性能。我们的行人检测方法是将3种特征关联在一起,包括负特征(objectness features)、突出特征(salient feature)和边缘特征(edgebox feature)。与此同时,我们改进分类器的架构以提升性能。通过Caltech-USA和INRIA这两个数据库对模型进行训练,相比于一般的检测模型,我们的准确率提高了20%。