基于主方向模板的视频中角标广告检测算法

随着视频媒体中的广告元素日趋增多,对角标广告的出现时间和存在时长的检测成为视频监播工作新的需求。角标广告在视频中呈现形式多样,出现时间具有随机性,并且视频相邻帧之间的图像内容可能存在较大差别。针对这一特点,本文以主方向模板特征为基础提出视频中角标广告实时检测算法。该方法建立特定的匹配模板剔除目标图像中背景部分的干扰,并引入加权模板抑制角标边缘可能造成的误匹配,同时主方向模板对图像的特征压缩可以克服传统模板匹配计算复杂度高的缺点。实验结果表明,本方法同时兼顾了检索性能与实时处理能力,达到了视频中角标广告的检测要求。

金字塔评分改进主方向模板匹配的实时目标检索

传统的基于内容的目标检索方法一般通过提取和比较局部特征,往往计算复杂度较高而且需要进行离线训练。因此,以最新的主方向模板(DOT)特征为基础提出新的实时目标检索方法。同时,利用搜索窗口中网格得分的空间分布情况构造相似度映射图,并采用多层次金字塔评分去除网格得分较为分散的错误窗口。利用以上改进实现的目标检索方法,真正能够无须离线训练即可从输入视频直接得到检索结果。实验结果表明,本文方法在提升检索性能的同时仍然保持主方向模板匹配的实时处理能力。

基于随机森林的层次行人检测算法

针对视频和图像中快速、准确的行人检测问题,提出了一种分层次的、全局信息和局部信息相结合的行人检测算法。该方法以随机森林分类器为基础,利用图像金字塔模型融合行人的多层信息。首先,在低尺度空间利用主方向模板(DOT)特征和随机森林算法训练行人的全局分类器,第一层检测在低尺度空间中进行,找到行人的候选区域;然后,在高尺度空间提取图像块集合,基于部件随机森林训练行人的局部外观和几何约束模型;最后,基于上层的候选区域,在高尺度空间利用霍夫投票进行第二层精确检测。实验结果表明,该方法有更低的时间复杂度,并提升了行人检测的准确率,全局信息和局部信息的层次融合,能有效解决快速、准确的行人检测问题。

基于Kalman和双级联随机森林的在线目标跟踪算法

针对传统的基于检测的在线目标跟踪算法容易产生跟踪漂移的现象,提出了一种新的在线目标跟踪算法。以基于主方向模板特征的双级联随机森林分类器作为检测器,卡尔曼滤波器作为跟踪器。首先利用卡拉曼算法跟踪目标,然后以跟踪的目标位置为中心向外扩展一定的范围作为双级联随机森林分类器的检测区域,利用全局随机森林分类器和局部随机森林分类器进行目标检测,并将检测结果作为Kalman跟踪算法下一帧的观测值。实验结果显示,提出的算法在跟踪大小420×320的图像时,跟踪速度达到24.3 f/s(帧/秒),目标中心位置误差在30 pixel时,算法准确率可达到80%以上。