為了完成樣本較少及低配運(yùn)行環(huán)境下的目標(biāo)檢測任務(wù),提出一種快速高精度的目標(biāo)檢測算法:融合Chamfer距離與邊緣線條角度作為新的相似性度量,用以衡量兩個形狀的相似性;使用隨機(jī)模板訓(xùn)練SVM分類模型,用以判別候選位姿的真?zhèn)?構(gòu)建待搜索圖像的多層金字塔并應(yīng)用提前終止搜索策略在頂層尋找候選位姿,然后將正確位姿映射至下一層進(jìn)行更精細(xì)的匹配定位,重復(fù)此過程直至底層。實驗結(jié)果表明,此算法在復(fù)雜場景下仍能快速精準(zhǔn)地檢測出正確位姿并統(tǒng)計目標(biāo)個數(shù),坐標(biāo)定位平均誤差在1像素以內(nèi),旋轉(zhuǎn)角度平均誤差在0.5°以內(nèi),對500萬像素的圖像處理時長在35 ms以內(nèi),具有較好的應(yīng)用價值。 

【文章來源】：電視技術(shù). 2019,43(03)

【文章頁數(shù)】：7 頁

【文章目錄】：
1 基于隨機(jī)模板的高精度快速模板匹配算法
    1.1 特征融合
    1.2 制作隨機(jī)模板與SVM訓(xùn)練
    1.3 匹配過程加速策略
        (1) 減少非匹配點的計算
        (2) 金字塔分級搜索算法
2 算法效果分析與對比
    2.1 穩(wěn)定性實驗
        (1) 光照變換
        (2) 遮擋
        (3) 旋轉(zhuǎn)與縮放
        (4) 多種目標(biāo)
    2.2 精度比較實驗
    2.3 時間復(fù)雜度實驗
3 小結(jié)


【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)在視頻目標(biāo)跟蹤中的應(yīng)用進(jìn)展與展望[J]. 管皓,薛向陽,安志勇.  自動化學(xué)報. 2016(06)
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的行人檢測[J]. 芮挺,費(fèi)建超,周遊,方虎生,朱經(jīng)緯.  計算機(jī)工程與應(yīng)用. 2016(13)
[3]深度學(xué)習(xí)及其在目標(biāo)和行為識別中的新進(jìn)展[J]. 鄭胤,陳權(quán)崎,章毓晉.  中國圖象圖形學(xué)報. 2014(02)
[4]基于支持向量機(jī)的目標(biāo)檢測算法綜述[J]. 郭明瑋,趙宇宙,項俊平,張陳斌,陳宗海.  控制與決策. 2014(02)
[5]基于形狀模板匹配的印刷品缺陷檢測[J]. 張代林,陳文廣,謝經(jīng)明,陳幼平.  機(jī)械與電子. 2013(12)
[6]工件圖像識別的邊緣匹配方法研究[J]. 王紅濤,傅衛(wèi)平,康業(yè)娜.  儀器儀表學(xué)報. 2008(05)
[7]最大類間方差車牌字符分割的模板匹配算法[J]. 王興玲.  計算機(jī)工程. 2006(19)



本文編號：3632554