×

兹马思-数学第一资源

一种基于DFT和DCT域二维HOG特征的车辆检测方法。(英语) Zbl 1435.94038号
摘要:定向梯度直方图(HOG)通常被用作图像中目标检测的特征,因为它们对光照和环境条件的变化具有鲁棒性。然而,这些特征对于输入图像的分辨率变化并不是不变的。这些特征的2D表示被称为2DHOG特征,因为它保留了相邻像素或单元之间的关系。提出了一种基于变换域二维hog特征的车辆检测方法。该方法基于从输入图像中提取二维hog特征,并将其应用于二维离散傅立叶变换或余弦变换。接下来是一个截断过程,通过该过程只保留低频系数,即所谓的变换域2DHOG(TD2DHOG)特征。结果表明,从原始分辨率图像和同一图像的下采样图像获得的TD2DHOG特征在乘法因子内近似相同。然后在我们的方案中利用这个特性,使用单个分类器而不是多个分辨率特定的分类器来检测各种分辨率的车辆。实验结果表明,与使用分类器金字塔相比,在该检测方案中使用单个分类器可以显著降低训练和存储成本,但其检测精度与使用TD2DHOG特征和分类器金字塔的检测精度相似。此外,所提出的方法提供了与现有技术相似甚至更好的检测精度。
理学硕士:
94A08型 信息与通信理论中的图像处理(压缩、重建等)
PDF格式 BibTeX公司 引用
全文: 内政部
参考文献:
[1] Agarwal,S.,Awan,A.和Roth,D(2004年)。学习通过稀疏的、基于零件的表示来检测图像中的对象。IEEE模式分析与机器智能汇刊(PAMI),26(11) 公元1475-1490年。http://cogcomp.org/page/resource_view/13/。访问日期:2018年11月1日。
[2] 艾哈迈德,N。;纳塔拉詹。;Rao,K.,离散余弦变换,IEEE计算机事务处理,C-2390-93,(1974)·中银0273.65097
[3] Appel,R.,Fuchs,T.,DolláR,P.和P.佩罗纳(2013年)。快速提升决策树,尽早修剪未完成的功能。国际机器学习会议论文集(第594-602页)。
[4] Benenson,R.,Mathias,M.,Timofte,R.和Gool,L。五(2012年)。每秒100帧的行人检测。IEEE计算机视觉与模式识别会议论文集(第2903-2910页)。
[5] 比,克。;Mitra,S.,频域采样率转换[dsp提示与技巧],IEEE信号处理杂志,28140-144,(2011)
[6] 比莱斯基,S(2006年)。街景:走向静态图像中的场景理解. 博士。论文,麻省理工学院。CBCL数据集链接:http://cbcl.mit.edu/software-datasets/streetsecenes。访问日期:2018年11月1日。
[7] 布赫,N。;韦拉斯汀,南澳大利亚;Orwell,J.,城市交通分析的计算机视觉技术综述,IEEE智能交通系统(ITS)汇刊,12920-939,(2011)
[8] 达拉尔,N(2006年)。在图像和视频中查找人. 博士。论文,格勒诺布尔国立理工学院。
[九] Dalal,N.和Triggs,B(2005年)。用于人体检测的定向梯度直方图。IEEE计算机视觉与模式识别会议论文集(第一卷,第886-893页)。
[10] 多拉,P(2016年)。Piotr的图像和视频Matlab工具箱(PMT)。http://vision.ucsd.edu/pdolar/toolbox/doc/index.html。检索日期:2018年11月1日。
[11] 多拉,P。;阿佩尔,R。;贝隆吉,S。;Perona,P.,目标检测的快速特征金字塔,IEEE模式分析与机器智能汇刊(PAMI),361532-1545,(2014)
[12] Dollár,P.,Belongie,S.和Perona,P(2010年)。西部最快的行人探测器。英国机器视觉会议论文集(第68.1-68.11页)。
[13] Dollár,P.,图,Z.,Perona,P.,和Belongie,S(2009年)。整体通道特性。英国机器视觉会议论文集(第91.1-91.11页)。
[14] 多拉,P。;沃杰克,C。;斯基尔,B。;Perona,P.,《行人检测:最新技术的评估》,IEEE模式分析与机器智能汇刊(PAMI),34743-761,(2012)
[15] Dubout,C.和弗莱特,F(2012年)。线性目标探测器的精确加速度。欧洲计算机视觉会议记录(第301-311页)。
[16] Everingham,M。;古尔,吕;威廉姆斯,康涅狄格州;维恩,J。;Zisserman,A.,Pascal可视化对象类(VOC)挑战,国际计算机视觉杂志,88303-338,(2010)
[17] Everingham,M.,Gool,L。五、 ,威廉姆斯,C。K。一、 ,Winn,J.和Zisserman,A(2016年)。Pascal可视化对象类挑战2007(VOC2007)结果。http://host.robots.ox.ac.uk/pascal/VOC/voc2007/index.html。检索日期:2018年11月1日。
[18] 费尔泽斯瓦布,PF;Girshick,理学士;麦卡莱斯特,D。;Ramanan,D.,基于区分训练的零件模型的目标检测,IEEE模式分析与机器智能汇刊(PAMI),322627-1645,(2010)
[19] Gall,J.和Lempitsky,V(2009年)。用于对象检测的类特定hough森林。IEEE计算机视觉与模式识别会议论文集(第1022-1029页)。
[20] Geiger,A.,Lenz,P.和Urtasun,R(2012年)。我们准备好自动驾驶了吗?KITTI vision基准套件。计算机视觉与模式识别会议论文集(第3354-3361页)。
[21] 盖珀斯,A。;雷班,S。;哈斯勒,S。;Fritsch,J.,《视觉处理层次结构中的偏见竞争:使用多个线索的学习方法》,认知计算,3146-166,(2011)
[22] Huang,J.和Mumford,D(1999年)。自然图像和模型的统计。IEEE计算机视觉与模式识别会议论文集(第一卷,第541-547页)。
[23] 郭,C。H、 和涅瓦提亚(2009年)。基于无监督子分类的鲁棒多视点车辆检测。IEEE计算机视觉应用研讨会论文集(第1-8页)。
[24] 兰伯特,C。H、 Blaschko,M.和Hofmann,T(2008年)。超越滑动窗口:通过有效的子窗口搜索进行对象定位。IEEE计算机视觉与模式识别会议论文集(第1-8页)。
[25] 莱布,莱布。;莱昂纳迪丝,A。;Schiele,B.,《基于交叉分类和分割的鲁棒目标检测》,国际计算机视觉杂志,77259-289,(2008)
[26] Li,B.,Wu,T.和Zhu,S。C(2014年)。结合上下文和遮挡的分层与或模型进行车辆检测。欧洲计算机视觉会议记录(第652-667页)。
[27] 马吉,S.,伯格,A。C、 ,&马里克,J(2008年)。利用交集核支持向量机进行分类是有效的。IEEE计算机视觉与模式识别会议论文集(第1-8页)。
[28] 马吉,S。;伯格,AC;Malik,J.,《加性核支持向量机的有效分类》,IEEE模式分析与机器智能汇刊(PAMI),35,66-77,(2013)
[29] 穆奇,J。;Lowe,DG,利用有限接收野的稀疏特征进行目标分类识别和定位,国际计算机视觉杂志,80,45-57,(2008)
[30] 奈尔,M。A、 ,艾哈迈德,M。O、 和斯瓦米,M(2015年)。基于DFT域特征金字塔近似的车辆检测。国际图像分析与识别会议论文集(冰河)(第429-436页)。斯普林格。
[31] 奈尔,M。A、 ,艾哈迈德,M。O、 和斯瓦米,M。N。美国(2014年)。使用TD2DHOG功能检测车辆。新电路与系统会议论文集(第389-392页)。
[32] Ohn Bar,E。;Trivedi,MM,学习通过聚类外观模式检测车辆,IEEE智能交通系统事务(ITS),162511-2521,(2015)
[33] 帕帕乔乔,C。P、 ,Oren,M.和Poggio,T(1998年)。目标检测的一般框架。第六届IEEE国际计算机视觉会议论文集(第555-562页)。
[34] Pepikj,B.,Stark,M.,Gehler,P.和Schiele,B(2013年)。对象类检测的遮挡模式。IEEE计算机视觉与模式识别会议论文集(第3286-3293页)。
[35] 鲁德曼,DL,自然图像统计,网络:神经系统中的计算,5517-548,(1994)·Zbl 0824.92030
[36] 西瓦拉曼S。;Trivedi,M.,道路车辆识别和跟踪的通用主动学习框架,IEEE智能交通系统(ITS),11267-276,(2010)
[37] 西瓦拉曼S。;Trivedi,M.,《观察道路上的车辆:基于视觉的车辆检测、跟踪和行为分析调查》,IEEE智能交通系统(ITS),141773-1795,(2013)
[38] 西瓦拉曼S。;Trivedi,M.,《城市驾驶员辅助的独立部件车辆检测》,IEEE智能交通系统(ITS),141597-1608,(2013)
[39] 史密斯,J。O(2007年)。离散傅里叶变换(DFT)数学(第二版)。W3K发布。
[40] Takeuchi,A.,Mita,S.和McAllester,D(2010年)。基于可变形目标模型和粒子滤波的道路车辆跟踪。IEEE智能车辆研讨会论文集(四)(第1014-1021页)。
[41] Wang,C.,Fang,Y.,Zhao,H.,Guo,C.,Mita,S.和Zha,H(2016年)。道路车辆遮挡和多视点检测的概率推理。IEEE智能交通系统会刊(ITS)17(1) 一。
[42] 王,X,韩,T。十、 和严,S(2009年)。一种具有部分遮挡处理的HOG-LBP人体探测器。IEEE国际计算机视觉会议论文集(ICCV)(第32-39页)。
[43] 王,X。;杨,M。;朱,S。;Lin,Y.,通用对象检测区域网,IEEE模式分析与机器智能交易(PAMI),372071-2084,(2015)
[44] Wu,B.和Nevatia,R(2007年)。聚类增强树分类器用于多视点、多姿态目标检测。IEEE国际计算机视觉会议论文集(ICCV)(第1-8页)。
[45] 吴,男朋友;高,高;詹,CL;李,YF;陈,YH;Juang,JH,基于定向梯度的相对判别直方图的车辆遮挡处理和跟踪方法,IEEE工业电子学报,614228-4237,(2014)
[46] 吴杰。;刘,N。;盖尔,C。;Rehg,J.\(,\text{C}^\text{4}\):实时对象检测框架,IEEE图像处理事务,22,4096-4107,(2013)·Zbl 1373.94820
[47] Xiang,Y.,Choi,W.,Lin,Y.,和Savarese,S(2015年)。用于物体类别识别的数据驱动三维体素模式。IEEE计算机视觉与模式识别会议论文集(第1903-1911页)。
[48] 杨,J。;张博士。;弗兰基,AF;杨建英,二维主成分分析:一种新的基于外观的人脸表示与识别方法,模式分析与机器智能汇刊(PAMI),26131-137,(2004)
此参考列表基于出版商或数字数学图书馆提供的信息。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。