基于稀疏编码和背景差分的迁移学习行人检测算法
针对多变化场景中通用分类器复杂度高和手工标记工作量大的问题,提出了一种新的迁移学习框架,结合稀疏编码和背景差分进行行人检测.首先优化HOG+SVM通用检测器,融合BCLBP和HOG进行特征提取,训练linearSVM,并在目标场景序列上利用基于GMM的背景差分法获得帧目标样本的运动区域以丰富样本特征.其次利用尺寸等过滤器从目标样本中筛选出部分样本作为目标模板,然后通过稀疏编码计算源样本与目标样本和目标模板的相关性,根据稀疏系数与置信度值去计算源样本和目标样本的权重.在重训练过程中,基于稀疏编码对所有样本进行权重分配,排除源样本的异常点,从而解决目标样本漂移,得到特定场景的行人检测器.为验证算法的有效性,在INRIA、Caltech、TUD数据集上实验,本文训练的特定场景行人检测器的检测率相对于其他传统方法实现了不同程度的提高.
迁移学习、稀疏编码、背景差分、行人检测
29
TP391.4(计算技术、计算机技术)
黑龙江省自然科学基金F2015038;黑龙江教育厅11551086
2018-10-29(万方平台首次上网日期,不代表论文的发表时间)
共9页
1012-1020