-
公开(公告)号：CN104537355B
公开(公告)日：2017-11-24
申请号：CN201510013897.6
申请日：2015-01-12
Applicant: 中南大学
Abstract: 本发明提出了一种利用图像边界信息和区域连通性的显著对象检测方法，通过对待检测的图像进行超像素分割，利用超像素的平均Lab颜色特征向量和超像素的空间拓扑关系构建三个无向加权图，计算每个超像素到图像边界的最短路径，获取三个显著图，将三个显著图相乘得到最终的显著图，完成显著对象的检测；利用超像素的局部上下文信息对显著值进行修正，从而提高了显著对象检测的精度，进一步降低背景区域的显著性；此外，采用逻辑斯蒂回归器对根据不同连通性计算得到的修正后的显著图进行特征整合，得到最终的在显著对象区域均匀高亮的显著图。本方法能够快速的将显著对象区域高亮，并且能够降低背景中高对比度区域的误检率。
-
公开(公告)号：CN106940791A
公开(公告)日：2017-07-11
申请号：CN201710147658.9
申请日：2017-03-13
Abstract: 本发明公开了一种基于低维方向梯度直方图的行人检测方法，包括以下步骤：步骤1：提取训练样本的低维方向梯度直方图ELHOG特征；步骤2：利用训练样本的低维方向梯度直方图ELHOG特征和线性核函数构造支持向量机SVM分类器；步骤3：计算每个候选样本的低维方向梯度直方图ELHOG特征；步骤4：利用步骤2构造的SVM分类器对每个候选样本的低维方向梯度直方图ELHOG特征进行识别以得到行人检测结果。该方法将特征提取中减弱区域量化走样的措施由块区域重叠替换为将块区域之外紧邻的细胞区域纳入位置线性插值范围。从而，本发明所述的行人检测方法相对于基于标准HOG的方法计算负荷大大降低，使检测速度大大提高了。
-
公开(公告)号：CN111222460A
公开(公告)日：2020-06-02
申请号：CN202010010662.2
申请日：2020-01-06
Abstract: 本发明公开了一种基于增量误差计算的行人检测器训练方法及系统，该方法包括以下步骤：步骤1：构建训练集；步骤2：权重与决策桩序号初始化；步骤3：构建有序特征值数组集合和伴随权重数组集合；步骤4：计算误差数组集合和极性数组集合；步骤5：获得最小误差数组；步骤6：设置决策桩；步骤7：按照决策桩更新样本的权重，更新决策桩序号；步骤8：判断决策桩序号是否超过设定的上限值，若未超过，返回步骤3，否则，利用所有决策桩构建行人检测器。使用增量式误差计算获取误差数组集合，将误差计算的复杂度由O(n)降低为O(1)，加快了行人检测器的训练速度。
-
公开(公告)号：CN111126247A
公开(公告)日：2020-05-08
申请号：CN201911327347.6
申请日：2019-12-20
Abstract: 本发明公开了一种基于二分查找的行人检测器训练方法及系统，该方法包括以下步骤：步骤1：构建样本训练集；步骤2：权重与决策桩桩号初始化；步骤3：构建有序特征值数组集合和伴随权重数组集合；步骤4：计算误差数组集合和极性数组集合；步骤5：获得最小误差数组；步骤6：利用最小误差数组中的最小误差，设置决策桩；步骤7：按照决策桩更新样本的权重，更新决策桩桩号；步骤8：判断决策桩桩号是否超过设定的最大桩号，若未超过，返回步骤3，否则，利用所有决策桩构建用于行人检测的检测器。使用变种二分查找获取最小误差数组，将查找操作的复杂度由O(n)降低为O(logn)，加快了行人检测器的训练速度，且保持检测器性能不降低。
-
公开(公告)号：CN106934403A
公开(公告)日：2017-07-07
申请号：CN201710147660.6
申请日：2017-03-13
Abstract: 本发明公开了一种低维方向梯度直方图特征的提取方法，包括如下步骤：步骤1，计算整幅图像或者图像窗口中每个像素的梯度；步骤2，对图像窗口进行区域划分；步骤3，对块区域及其紧邻细胞区域中像素的梯度值在细胞区域之间进行位置线性插值；步骤4，计算细胞区域的方向梯度直方图；步骤5，计算块区域的方向梯度直方图；步骤6，计算图像窗口的方向梯度直方图特征。通过将减弱区域量化走样的措施由块区域重叠替换为将块区域之外紧邻的细胞区域纳入位置线性插值范围，该方法取消了块区域部分重叠，能提取出维度低得多的方向梯度直方图HOG特征。通过块内块外不同权重的高斯平滑，进一步减弱了区域量化走样。
-
Patent Agency Ranking
公开(公告)号：CN103886308B
公开(公告)日：2017-03-29
申请号：CN201410150661.2
申请日：2014-04-15
Applicant: 中南大学
Abstract: 本发明公开了一种使用聚合通道特征和软级联分类器的行人检测方法，包括以下步骤：步骤1：获取图像，并对图像进行预处理构成图像金字塔；步骤2：从图像金字塔中提取聚合通道特征金字塔；步骤3：在聚合通道特征金字塔上按照设定的步长滑动检测窗口，获得检测块；步骤4：使用已训练好的多个软级联分类器将步骤3获得的检测块依次分类为含有行人或不含行人的检测块；步骤5：被分类为含有行人的检测块标记为行人候选窗口，并记录每个行人候选窗口的分类得分；步骤6：去除重叠行人候选窗口；步骤7：输出行人检测结果。聚合通道特征有效描述了行人类的外观共性。多个软级联分类器组成检测器的方式较好处理了训练数据不平衡问题，提高了检测能力。
-
公开(公告)号：CN104537355A
公开(公告)日：2015-04-22
申请号：CN201510013897.6
申请日：2015-01-12
Applicant: 中南大学
CPC classification number: G06T7/11
Abstract: 本发明提出了一种利用图像边界信息和区域连通性的显著对象检测方法，通过对待检测的图像进行超像素分割，利用超像素的平均Lab颜色特征向量和超像素的空间拓扑关系构建三个无向加权图，计算每个超像素到图像边界的最短路径，获取三个显著图，将三个显著图相乘得到最终的显著图，完成显著对象的检测；利用超像素的局部上下文信息对显著值进行修正，从而提高了显著对象检测的精度，进一步降低背景区域的显著性；此外，采用逻辑斯蒂回归器对根据不同连通性计算得到的修正后的显著图进行特征整合，得到最终的在显著对象区域均匀高亮的显著图。本方法能够快速的将显著对象区域高亮，并且能够降低背景中高对比度区域的误检率。
-
公开(公告)号：CN103886308A
公开(公告)日：2014-06-25
申请号：CN201410150661.2
申请日：2014-04-15
Applicant: 中南大学
Abstract: 本发明公开了一种使用聚合通道特征和软级联分类器的行人检测方法，包括以下步骤：步骤1：获取图像，并对图像进行预处理构成图像金字塔；步骤2：从图像金字塔中提取聚合通道特征金字塔；步骤3：在聚合通道特征金字塔上按照设定的步长滑动检测窗口，获得检测块；步骤4：使用已训练好的多个软级联分类器将步骤3获得的检测块依次分类为含有行人或不含行人的检测块；步骤5：被分类为含有行人的检测块标记为行人候选窗口，并记录每个行人候选窗口的分类得分；步骤6：去除重叠行人候选窗口；步骤7：输出行人检测结果。聚合通道特征有效描述了行人类的外观共性。多个软级联分类器组成检测器的方式较好处理了训练数据不平衡问题，提高了检测能力。
-
公开(公告)号：CN111222460B
公开(公告)日：2023-04-18
申请号：CN202010010662.2
申请日：2020-01-06
IPC: G06V40/10 , G06V10/774 , G06V10/764
Abstract: 本发明公开了一种基于增量误差计算的行人检测器训练方法及系统，该方法包括以下步骤：步骤1：构建训练集；步骤2：权重与决策桩序号初始化；步骤3：构建有序特征值数组集合和伴随权重数组集合；步骤4：计算误差数组集合和极性数组集合；步骤5：获得最小误差数组；步骤6：设置决策桩；步骤7：按照决策桩更新样本的权重，更新决策桩序号；步骤8：判断决策桩序号是否超过设定的上限值，若未超过，返回步骤3，否则，利用所有决策桩构建行人检测器。使用增量式误差计算获取误差数组集合，将误差计算的复杂度由O(n)降低为O(1)，加快了行人检测器的训练速度。
-
公开(公告)号：CN111126247B
公开(公告)日：2021-11-05
申请号：CN201911327347.6
申请日：2019-12-20
Abstract: 本发明公开了一种基于二分查找的行人检测器训练方法及系统，该方法包括以下步骤：步骤1：构建样本训练集；步骤2：权重与决策桩桩号初始化；步骤3：构建有序特征值数组集合和伴随权重数组集合；步骤4：计算误差数组集合和极性数组集合；步骤5：获得最小误差数组；步骤6：利用最小误差数组中的最小误差，设置决策桩；步骤7：按照决策桩更新样本的权重，更新决策桩桩号；步骤8：判断决策桩桩号是否超过设定的最大桩号，若未超过，返回步骤3，否则，利用所有决策桩构建用于行人检测的检测器。使用变种二分查找获取最小误差数组，将查找操作的复杂度由O(n)降低为O(logn)，加快了行人检测器的训练速度，且保持检测器性能不降低。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.016 seconds)
