基于目標(biāo)運(yùn)動(dòng)信息和DPM特征的物體檢測.pdf

1、隨著計(jì)算機(jī)視覺以及人工智能的發(fā)展，對(duì)圖片以及視頻當(dāng)中的物體檢測變得日益重要，成為圖片相關(guān)研究的基礎(chǔ)。雖然計(jì)算機(jī)在不斷的發(fā)展，而物體檢測的技術(shù)也在不斷的發(fā)展，但是物體檢測耗時(shí)長、對(duì)計(jì)算機(jī)配置要求高、實(shí)時(shí)性差的問題依然沒有解決。
　　本文通過分類訓(xùn)練的方法進(jìn)行物體的檢測，通過對(duì)樣本進(jìn)行訓(xùn)練，提取特征，然后對(duì)未知樣本進(jìn)行識(shí)別。在識(shí)別之前，首先利用目標(biāo)運(yùn)動(dòng)信息，對(duì)需要檢測的區(qū)域進(jìn)行提取，然后再進(jìn)行樣本識(shí)別，加快了檢測的速度，使檢測的實(shí)時(shí)性

2、有了一定的提高。在特征提取方面，采用了DPM（Deformable Part Model）進(jìn)行特征的提取，利用隱藏變量 SVM進(jìn)行樣本的訓(xùn)練、物體的識(shí)別。DPM是在HOG（Histograms of Oriented Gradient)特征的基礎(chǔ)上提出來的，對(duì)HOG特征進(jìn)行了很大的改進(jìn)，在識(shí)別精度方面有了很大的提高，但是識(shí)別的速度依然很慢。在本文中，首先對(duì)目標(biāo)區(qū)域進(jìn)行了提取，然后再對(duì)提取的區(qū)域進(jìn)行檢測，通過實(shí)驗(yàn)表明，本文的方法比未使用區(qū)