紋理與輪廓結(jié)合的行人檢測(cè)
推薦 + 挑錯(cuò) + 收藏(0) + 用戶(hù)評(píng)論(0)
針對(duì)在復(fù)雜場(chǎng)景下,聚合通道特征(ACF)的行人檢測(cè)算法存在檢測(cè)精度較低、誤檢率較高的問(wèn)題,提出一種結(jié)合紋理和輪廓特征的多通道行人檢測(cè)算法。算法由訓(xùn)練分類(lèi)器和檢測(cè)兩部分組成。在訓(xùn)練階段,首先提取ACF特征、局部二值模式( LBP)紋理特征和ST( Sketch Tokens)輪廓特征,然后對(duì)提取的三類(lèi)特征均采用Real AdaBoost分類(lèi)器進(jìn)行訓(xùn)練;在檢測(cè)階段,應(yīng)用了級(jí)聯(lián)檢測(cè)的思想,初期使用ACF分類(lèi)器處理所有實(shí)例,保留下來(lái)的少數(shù)實(shí)例應(yīng)用復(fù)雜的LBP及ST分類(lèi)器進(jìn)行逐次篩選。實(shí)驗(yàn)采用INRIA數(shù)據(jù)集對(duì)算法進(jìn)行仿真,該算法的平均對(duì)數(shù)漏檢率為13. 32%,與ACF算法相比平均對(duì)數(shù)漏檢率降低了3.73個(gè)百分點(diǎn)。實(shí)驗(yàn)結(jié)果表明LBP特征與ST特征能有對(duì)ACF特征進(jìn)行信息互補(bǔ),從而在復(fù)雜場(chǎng)景下去掉部分誤判,提高了行人檢測(cè)的精度,同時(shí)應(yīng)用級(jí)聯(lián)檢測(cè)保證了多特征算法的計(jì)算效率。
非常好我支持^.^
(0) 0%
不好我反對(duì)
(0) 0%
下載地址
紋理與輪廓結(jié)合的行人檢測(cè)下載
相關(guān)電子資料下載
- 重新思考跨域行人檢測(cè):無(wú)實(shí)例單階段檢測(cè)器的背景聚焦分布對(duì)齊框架 425
- 夜間(低光照)目標(biāo)檢測(cè)數(shù)據(jù)集整理:人臉檢測(cè),行人檢測(cè) 2560
- 行人過(guò)街預(yù)警雷達(dá)為什么要進(jìn)行人車(chē)區(qū)分?原理是什么? 1249
- 斑馬線行人等候區(qū)域人員監(jiān)測(cè)雷達(dá)助力信號(hào)燈控制優(yōu)化解決方案 488
- 化被動(dòng)為主動(dòng),毫米波交通流量與行人監(jiān)測(cè)雷達(dá)助力路口信號(hào)燈控制優(yōu)化 764
- 行人監(jiān)測(cè)雷達(dá)與車(chē)輛檢測(cè)雷達(dá)在行人過(guò)街智能預(yù)警系統(tǒng)中的應(yīng)用 1830
- 汽車(chē)主動(dòng)安全技術(shù)的汽車(chē)自動(dòng)緊急制動(dòng)(AEB)行人檢測(cè)系統(tǒng)設(shè)計(jì)方案 3158
- 一種基于HOG+SVM的行人檢測(cè)算法 2533
- OpenCV預(yù)訓(xùn)練SVM行人HOG特征分類(lèi)器實(shí)現(xiàn)多尺度行人檢測(cè) 1831
- 簡(jiǎn)述ADAS-行人檢測(cè)開(kāi)源算法實(shí)例代碼 3286