基于HOG與IOELM的人體檢測(cè)方法研究及系統(tǒng)實(shí)現(xiàn).pdf_第1頁(yè)
已閱讀1頁(yè),還剩65頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、圖像目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)技術(shù)中的一個(gè)研究熱點(diǎn),其中人體檢測(cè)是圖像目標(biāo)檢測(cè)的重要內(nèi)容,旨在利用計(jì)算機(jī)模擬人腦的思維方式從圖像或視頻中找出人體所在區(qū)域。目前人體檢測(cè)技術(shù)廣泛應(yīng)用于智能視頻監(jiān)控、車輛輔助駕駛系統(tǒng)和虛擬現(xiàn)實(shí)等領(lǐng)域。
  本文主要從基于統(tǒng)計(jì)學(xué)習(xí)的角度出發(fā),對(duì)人體檢測(cè)方法展開了系統(tǒng)研究,具體的工作介紹如下:
  1、提出一種基于梯度方向直方圖(Histogram of Oriented Gradient,HOG)與優(yōu)化極

2、限學(xué)習(xí)機(jī)(Optimization Extreme Learning Machine,OELM)相結(jié)合的人體檢測(cè)方法。首先,采用梯度方向直方圖方法提取圖像的特征值;然后,利用OELM算法對(duì)提取圖像的特征值進(jìn)行分類訓(xùn)練;最后,利用非極大值抑制方法準(zhǔn)確標(biāo)記出目標(biāo)人體區(qū)域。實(shí)驗(yàn)表明,此方法相對(duì)于傳統(tǒng)的HOG與ELM方法在訓(xùn)練精度上有顯著的提高,在算法運(yùn)行時(shí)間上相對(duì)于經(jīng)典HOG與SVM方法更是快了近20倍。
  2、針對(duì)分類問(wèn)題,提出一種

3、基于EAS(Efficient Active Set)算法優(yōu)化OELM的方法,即IOELM(Improved Optimization Extreme Learning Machine)。首先,利用有效集算法在迭代求解優(yōu)化問(wèn)題最優(yōu)解的過(guò)程中,找出符合條件的最大搜索步長(zhǎng)來(lái)保證函數(shù)值嚴(yán)格下降;然后,設(shè)置臨時(shí)迭代步長(zhǎng)找到最優(yōu)步長(zhǎng)使目標(biāo)優(yōu)化問(wèn)題的函數(shù)值較有效集法進(jìn)一步下降,并通過(guò)推測(cè)賦值法來(lái)減少迭代過(guò)程中產(chǎn)生的誤迭代;最后,提出基于HOG與IO

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論