1 中国科学院光电技术研究所, 成都 610209
2 电子科技大学, 成都 610054
3 中国科学院大学, 北京 100039
4 中国华阴兵器试验中心, 陕西 华阴 714200
目标检测通常利用复杂的、高维度的特征来提高其检测精度, 而高维特征往往会产生较高的计算复杂度和存储开销。经典的特征压缩算法常常被用于目标检测系统以实现特征降维, 但在其求解过程中会涉及到大量的矩阵分解运算, 从而降低了算法的实时性。针对此问题, 提出一种基于随机映射的特征压缩算法。该算法仅通过一个稀疏随机矩阵和简单的矩阵乘法运算就实现了特征从高维空间到低维空间的映射。利用经该算法压缩后的特征向量构建了Ada-Boost分类器, 实验结果表明, 该分类器在保证检测精度的前提下, 提高了目标检测的实时性。
随机映射 目标检测 特征压缩 稀疏矩阵 random projection object detection feature compression sparse matrix
1 中国科学院光电技术研究所, 成都 610209
2 电子科技大学, 成都 610054
3 中国科学院大学, 北京 100039
4 中国华阴兵器试验中心, 陕西 华阴 714200
支持向量机(SVM)由于其出色的泛化能力, 已成为目标检测领域应用最为广泛的分类器之一。然而在检测过程中, 过多的支持向量会产生很大的时间开销, 从而降低目标检测系统的实时性。针对此问题, 提出一种约简支持向量的方法, 以降低分类器的决策开销, 加快检测速度。此方法采用迭代的方式来估计特征空间中向量的原像, 通过构建精简原像集来简化支持向量机, 从而达到了提升分类速度的效果。利用精简的SVM结合Selective Search+BoW模型构建了一款快速检测器, 测试结果表明: 该检测器能够在保证检测率的前提下, 通过约简支持向量, 提高目标检测的实时性。
目标检测 支持向量机 泛化能力 原像 向量约简 object detection support vector machine generalization ability pre-image vector reduction
