1 中国科学院 光电技术研究所，四川 成都 610209
2 中国科学院大学，北京 100049
3 中国人民解放军63870部队，陕西 西安 714200
地面车辆目标检测问题中由于目标尺寸较小，目标外观信息较少，且易受背景干扰等的原因，较难精确检测到目标。围绕地面小尺寸目标精准检测的问题，从目标特征提取的角度提出了一种特征融合的子网络。该子网络引入了重要的局部细节信息，有效地提升了小目标检测效果。针对尺度、角度等的变换问题，设计了基于融合层的扩展层预测子网络，在扩展层的多个尺度空间内匹配目标，生成目标预测框对目标定位。在车辆小目标VEDAI(vehicle detection in aerial imagery)数据集上的实验表明，算法保留传统SSD(single-shot multibox detector)检测速度优势的同时，在精度方面有了明显提升，大幅提升了算法的实用性。
计算机视觉 目标检测 深度学习 车辆小目标 特征融合 computer vision target detection deep learning small vehicle target feature fusion
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 中国科学院大学, 北京 100049
3 中国华阴兵器实验中心, 陕西 华阴 714200
基于时空上下文(SpatialTemporal Context, STC)的跟踪算法与大部分传统算法相比, 在实时性方面具有明显的优势。通过实验发现, STC算法存在由变形和遮挡引起的跟踪精度下降问题。针对该问题, 提出了一种改进方法, 该方法在原STC算法的基础上引入局部二值模式(Local Binary Pattern, LBP)和遮挡检测机制, 利用LBP特征来代替灰度特征, 当跟踪器检测出目标发生遮挡时, 停止分类器参数的更新。对于满足线性运动的目标, 利用卡尔曼滤波器对其进行位置预测以解决目标发生遮挡后的定位问题。实验证明, 所提出的改进算法能有效提升目标跟踪精度, 针对遮挡情况下的目标也展现出较高的鲁棒性。
STC算法 LBP特征 遮挡检测 卡尔曼滤波器 STC LBP feature occlusion detection Kalman filter
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
