基于PCA和可变部件模型的大量重复目标检测方法

为了对大量重复目标进行准确检测和计数,提出一种基于可变部件模型(DPM)的自动检测方法。首先,提取图像中反复出现的分块,并分析分块间的空间相关性;然后,利用线性分类器判定DPM指向目标的所在位置,并将这些相关关系转换到平面坐标集中,运用随机抽样一致性对位置进行聚类;最后,为区分不同群体间的目标,对每个簇中的分块向量集应用主成分分析(PCA)法进行分类。基准数据集中16个图像的测试结果表明:与其他优秀方法相比,所提方法能够实现更准确的估计,采用用户交互系统更容易达到较高的准确度,且减少了用于目标检测训练过程中涉及的计算成本。

基于DPM的自然场景下汉字识别方法

自然场景下,汉字背景复杂且形态各异,导致传统识别方法中的文本定位与文本矫正过程难以进行。为了避免这些问题,采用物体识别方法中的可变部件模型(DPM)进行识别。该方法将汉字视为物体类,训练其对应的参数模板,然后采用滑动窗口的方法遍历待检测图片,以判断图片中是否存在目标汉字。实验表明,该方法对简单独体汉字有较好的检测效果,但对于多笔画复杂汉字,由于模型自身结构特点,效果并不明显。

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%。

基于局部深度匹配的行人再识别

针对行人再识别精度低的难题进行研究,提出了一种新的基于分块匹配的行人再识别方法。首先,引入带人体结构信息的人体DPM对行人外观进行分割,得到的带语义信息的身体部件作为匹配识别的基本单元;其次,基于深度神经网络模型提取各部件的深度特征作为匹配依据;再次,基于余弦距离判断各身体部件与目标行人对应部件的相似性;最后,融合所有身体部件的识别结果得到最终的再识别结果。实验结果表明,跟已有方法相比,该方法具有更好的鲁棒性,在识别精度上有较明显的优势。

行人检测技术简述

文章简要介绍行人检测的研究现状和存在的问题,对近几年行人检测技术的发展状况和常用算法进行概括,并展望行人检测的未来发展方向。

基于改进DSST的行人遮挡跟踪算法

为解决判别尺度空间跟踪(DSST)算法在行人处于长期完全遮挡后又重新出现的情况下无法跟踪的问题,提出了一种改进的跟踪算法(DDSST).在DSST框架下,首先对行人目标跟踪,然后,引入高置信度指标计算策略作为跟踪准确可信度反馈机制,在跟踪丢失时利用可变部件模型(DPM)对跟踪目标重新定位.最后,通过评估在线目标跟踪基准(OTB)数据集和实际环境拍摄的视频序列对DDSST算法准确性进行验证,并与其他跟踪算法进行比较.实验分析表明,改进算法相较DSST的距离精度与成功率提高了4.1%和6%,相比其他算法性能更优,且在形变、遮挡、平面外旋转、运动模糊和尺度变换等条件下跟踪更稳定.

基于DPM的图像视觉目标识别改进算法

针对目前在图像视觉处理过程中目标识别实时能力差、准确率低以及计算时间成本较高等问题,以图像似物性检测方法为技术基础,设计出一种基于可变部件模型的图像视觉目标识别改进算法。此算法首先利用似物性检测技术对视觉图像进行二进制梯度归一化处理,依据结果构建视觉图像目标候选框;其次利用目标识别改进算法在目标候选区域开展似然判决处理,从而优化了搜索时间;最后使用快速扩大-缩小机制对检测目标对象进行尺度修正,降低了目标候选框误差。通过理论分析与实验表明,此算法在目标识别准确率以及计算时间成本方面均优于目前主流的目标检测算法。

基于DPM的目标检测算法

介绍了目标检测的重要性及DPM的优点;利用滑动窗口机制,将HOG特征降维后构成的特征金字塔图与LSVM求解出的DPM模型参数进行点积运算来进行目标检测;.仿真结果表明文章采用DPM模型和隐藏支持向量机的方法,能够对图像中的目标得到较为准确的检测。

基于前馈上下文和形状先验的平面标注方法

针对真实场景中由于互相遮挡导致的场景语义不能完全被理解的问题,提出了一种基于前馈上下文和形状先验的方法来对前景区域和被遮挡的背景区域进行语义标注。首先,将原始图像分割成超像素并提取像素点特征,采用加速决策树方法标注前景,同时采用改进的基于多尺度可形变的部件模型方法进行目标检测。其次,将可见对象信息与前馈上下文预测相结合来推测背景区域的被遮挡部分。然后,根据与当前标签置信度相匹配的多边形为每个标签提供形状先验知识。最后,结合像素预测与可视平面预测和多边形知识,以形成完整的场景标注图像。与现有方法相比,该方法能够得到与街道场景更相符的结果,并在人行道和公路较接近时的标注效果更好。