CN107622226A - 基于改进的可变形部件模型算法的车辆检测方法及系统 - Google Patents
基于改进的可变形部件模型算法的车辆检测方法及系统 Download PDFInfo
- Publication number
- CN107622226A CN107622226A CN201710746790.1A CN201710746790A CN107622226A CN 107622226 A CN107622226 A CN 107622226A CN 201710746790 A CN201710746790 A CN 201710746790A CN 107622226 A CN107622226 A CN 107622226A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- hog
- shift register
- hog characteristic
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种基于改进的可变形部件模型算法的车辆检测方法及系统,包括:采集车辆的原始图像及图像采集单元,计算原始图像获取若干尺度的HOG特征图及HOG特征计算单元;将每一HOG特征图与整车、各部件模型图进行卷积获得相应的模型响应图及卷积响应单元;将所有响应度图像依次经过权值加成和DPM规则得到综合响应度图像及统计匹配单元;对综合响应度图像进行非极大值抑制并画框,画框的结果与原始图像融合输出及显示输出单元。
Description
技术领域
本发明涉及一种目标检测技术,特别是一种基于改进的可变形部件模型算法的车辆检测方法及系统。
背景技术
车辆检测主要用于车辆识别和交通安全等领域,现在已经引起了众多学者广泛的研究,绝大多数的研究是围绕着视觉传感器在设计车辆辅助驾驶系统。尽管目前的GPS和雷达等传感器已发展成熟,这些传感器应用在车辆辅助驾驶上可以做到初步的避障效果,但是它们所提供的信息量远不如视觉传感器。而随着视觉传感器的发展,它们的成本和尺寸在进一步地削减,使得它们在各类平台上的部署变得越来越简便,例如车载辅助驾驶系统、无人机载系统等。同时,随着芯片工艺的发展,处理器芯片的处理性能得到了进一步的提升,使得一些较为复杂的算法可以在嵌入式平台上实现。J.L.Wang提出了一种多特征融合的方式来识别无人机航拍图像,其方法有着良好的准确率,但是实时性较差,难以在无人机平台上搭载。Y.W.Wan设计了一种车辆辅助驾驶的硬件系统,其对交通标志的识别相当出色,但是适用性较窄,仅对特定目标有着很好的效果。
对于车辆的静态检测,目前大多数研究使用的是基于形状特征的算法,主要有HOG-LBP、Haar-like-Adaboost、DPM-SVM等等算法。针对运动车辆检测中车辆数目统计精确度不高、实时性不强等问题,提出一种基于改进的Adaboost算法和帧间差分法的检测方法。S.Guzmán等人整合了HOG(Histogrrams of Oriented Gradients)特征和SVM(SurpportVector Machine)在户外环境下来进行车辆检测,通过调整SVM参数来提高分类的成功率。H.Xu等人在HOG特征的基础上,根据可变形分层模型(DPM)提出了一种两阶段车辆检测方法,可以在多种不同的视角下识别多种类别的车辆。
对于DPM算法的嵌入式实现,文献中已经有了许多种车辆检测的系统架构设计。大多数方法是完全基于FPGA来实现的,即所有的算法步骤都在FPGA上运行,这些方法主要是针对硬件细节来进行一些设计和优化,并没有把算法结构和硬件特性结合起来处理,导致其在灵活性和适应性上表现较差。目前,车辆检测硬件系统平台中存在的算法实时性较差、检测目标单一、适用性较窄、复杂环境下检测成功率不高的问题。
发明内容
本发明的目的在于提供一种基于改进的可变形部件模型算法的车辆检测方法及系统。
一种基于改进的可变形部件模型算法的车辆检测方法,包括以下步骤:
步骤1,采集车辆的原始图像;
步骤2,计算原始图像获取若干尺度的HOG特征图;
步骤3,将每一HOG特征图与整车、各部件模型图进行卷积获得相应的模型响应图;
步骤4,将所有响应度图像依次经过权值加成和DPM规则得到综合响应度图像;
步骤5,对综合响应度图像进行非极大值抑制并画框,画框的结果与原始图像融合输出。
一种基于改进的可变形部件模型算法的车辆检测系统,包括:采集车辆的原始图像的图像采集单元;计算原始图像获取若干尺度的HOG特征图的HOG特征计算单元;将每一HOG特征图与整车、各部件模型图进行卷积获得相应的模型响应图的卷积响应单元;将所有响应度图像依次经过权值加成和DPM规则得到综合响应度图像的统计匹配单元;对综合响应度图像进行非极大值抑制并画框,画框的结果与原始图像融合输出的显示输出单元。
采用上述方法及系统,若干尺度的HOG特征图通过下述方法实现:将原始图像经过HOG算法获得原始HOG特征图像;HOG特征图像经过金字塔分层获得若干尺度的HOG特征图像。
采用上述方法及系统,模型响应图通过以下卷积器获得:
(1)部件卷积器
部件卷积器设置N1个且每一部件卷积器的尺度为M*N,
部件卷积器包括MN个移位寄存器和N个乘法器,且每一行设置M个移位寄存器和一个乘法器,该行的乘法器分别与本行的第M个移位寄存器和下一行的第一个移位寄存器级联,
每一部件卷积器对相应视角下的相应部件图像与不同尺度HOG特征图进行卷积;
(2)整车卷积器
整车卷积器设置N2个且每一整车卷积器的尺度为P*Q,
整车卷积器包括PQ个移位寄存器和Q个乘法器,且每一行设置P个移位寄存器和一个乘法器,该行的乘法器分别与本行的第P个移位寄存器和下一行的第一个移位寄存器级联,
每一整车卷积器对不同视角下整车图像与不同尺度HOG特征图进行卷积。
本发明与现有技术相比,具有以下优点:(1)检测系统的实时性、准确性高;本发明在深入分析DPM算法的架构的基础上,结合嵌入式系统的硬件特性,对整体算法做了精简和优化,有效地保证了检测精度;同时,利用FPGA的并行处理和流水线设计思想,对卷积滤波计算进行了加速,大大减少了程序运行的时间。(2)系统的适用性好、功耗低、性能优秀。不论是可见光还是红外光图像,本系统均能准确地进行车辆检测,且在不同的光照条件下检测准确率受到的影响不大;(3)系统使用了体积小功耗低的FPGA芯片和性能强劲、外设接口丰富的NVIDIA JETSON TEGRAX1核心板,搭建的嵌入式系统在功耗、性能表现上均十分优秀。
下面结合说明书附图对本发明作进一步描述。
附图说明
图1是本发明的DPM算法整体流程示意图。
图2是图像处理系统的整体架构示意图。
图3是本发明与传统的特征金字塔的构建方式的对比示意图。
图4是本发明所设计的卷积器架构示意图。
图5是本发明所采用的乒乓操作原理示意图示意图。
图6是车辆检测系统在无人机航拍场景下的输出结果示意图。
图7是车辆检测系统在车载场景下的输出结果示意图。
图8是红外图像的车辆检测输出结果示意图。
图9是本系统的FPGA资源占用情况报告示意图。
图10是本系统与其他系统的性能和功耗对比示意图。
具体实施方式
本发明基于可变形部件模型(DPM)算法实现了一种CPU与FPGA相结合的车辆检测系统。图像在CPU上经过金字塔分层和统计匹配后,传入FPGA进行快速卷积计算,随后传回CPU作权值加成计算和显示。该系统结合了CPU与FPGA的硬件特性,对算法框架进行了优化,并依据数学推导和统计规律,在不影响精度的前提下,对特征维度与层级进行了优化与再组合。同时,利用FPGA优秀的并行处理及流水线设计思路,实现了卷积滤波的加速,显著减少了程序运行时间。系统的实时性、准确性均达到较高水平。
本发明为解决现有技术问题的技术方案是:图像在CPU上经过金字塔分层和统计匹配后,传入FPGA进行快速卷积计算,随后传回CPU作权值加成计算和显示。我们深入分析了DPM算法的架构,结合嵌入式系统的硬件特性,将DPM算法中比较复杂的HOG特征的提取和金字塔分层计算放在CPU上进行,并且在不影响精度的前提下,对模型的特征维度和金字塔层级进行了简化,有效减少了计算量和传输的数据量。对于算法中计算量最为庞大的部分,即金字塔各层图像与各个模型之间的卷积响应计算,我们把这部分放在了FPGA上进行,利用了FPGA的并行处理和流水线处理的特点,实现了卷积计算的加速,显著地减少了程序的运行时间。
结合图1至图5,本发明提出的基于可变形部件模型(DPM)算法的嵌入式车辆检测方法的步骤如下:
步骤1,采集车辆的原始图像;
步骤2,计算原始图像获取若干尺度的HOG特征图;
步骤3,将每一HOG特征图与整车、各部件模型图进行卷积获得相应的模型响应图;
步骤4,将所有响应度图像依次经过权值加成和DPM规则得到综合响应度图像;
步骤5,对综合响应度图像进行非极大值抑制并画框,画框的结果与原始图像融合输出。
步骤2的具体过程在于:
步骤2.1,将原始图像经过HOG算法获得原始HOG特征图像;
步骤2.2,HOG特征图像经过金字塔分层获得若干尺度的HOG特征图像。
整车、各部件模型图是通过SVM训练大量车的样本得到,部件例如车窗、车轮等外观部件。
通过式(1)获得若干尺度的HOG特征图
其中,C为原始HOG特征图像,R(C,s)为重采样函数,表示将原始HOG特征图像C按尺度s进行重采样,λΩ为特征估计参数。
步骤3中通过下述卷积器对HOG特征图与整车、各部件模型图进行卷积:
针对部件和整车分别设置M*N和P*Q两种尺度的卷积器,卷积器的数量分别为N1和N2;N1和N2的数量根据部件的数量、拍摄角度和整车的拍摄角度有关;部件卷积器包括MN个移位寄存器和N个乘法器,且每一行设置M个移位寄存器和一个乘法器,该行的乘法器分别与本行的第M个移位寄存器和下一行的第一个移位寄存器级联;整车卷积器包括PQ个移位寄存器和Q个乘法器,且每一行设置P个移位寄存器和一个乘法器,该行的乘法器分别与本行的第P个移位寄存器和下一行的第一个移位寄存器级联;每一部件卷积器对相应视角下的相应部件图像与不同尺度HOG特征图进行卷积;每一整车卷积器对不同视角下整车图像与不同尺度HOG特征图进行卷积。
步骤3中之前采用乒乓操作对待处理的若干尺度的HOG特征图进行缓存。
步骤4中,DPM可以看作是HOG算法的拓展,其大体思路和HOG一致。先计算梯度方向的直方图,然后用SVM训练得到物体的梯度模型(Model),这种经过训练过后得到的特征模型就可以直接用来和目标匹配。而单一的模型匹配并不能够满足车辆检测的多视角多场景检测需求,所以本发明采用多模型来匹配。在多模型匹配中我们还要考虑到多模型之间的空间对应关系,所以本发明引入了主模型和子模型的位置偏移量,根据位置偏移量来给模型相应得分计算权重。将被测图像先进行金字塔分层,将每层图像都与主模型和子模型进行卷积滤波,计算出不同分辨率下的卷积响应结果。这样,根据各个模型与被测图像的响应分数统计,就可以得到目标检测的最终结果。
结合图1至图5,对车辆检测系统的搭建,包括图像采集单元、HOG特征计算单元、卷积响应单元、统计匹配单元、显示输出单元。图像采集单元采集车辆的原始图像;HOG特征计算单元计算原始图像获取若干尺度的HOG特征图的;卷积响应单元将每一HOG特征图与整车、各部件模型图进行卷积获得相应的模型响应图;统计匹配单元将所有响应度图像依次经过权值加成和DPM规则得到综合响应度图像;显示输出单元对综合响应度图像进行非极大值抑制并画框,画框的结果与原始图像融合输出。
为了能够在嵌入式系统上实现DPM算法,所需要的硬件平台在功耗和体积方面都有很高的要求。FPGA芯片的功耗较低,其并行处理的特点使得它很适合进行卷积的计算,而卷积的计算部分在整个算法的耗时中占了很大比例,根据FPGA的特点来设计流水线架构能有效地缩短整个算法的运行时间。Tegra X1为ARM架构的Linux系统,体积小且性能在同等级的处理器中较好,并且有着丰富的外设和接口,适合用于嵌入式平台上。所以本发明基于NVIDIATegra X1和XILINX Spatan6XC6SLX100T搭建了一套便携式的图像处理系统。
整个系统的总体概览如图2。由相机获取分辨率为640*480的视频流,通过USB端口传入Tegra X1,在Tegra X1中进行图像预处理和缩放,得到特征金字塔后进行特征直方图计算,并进行特征筛选,将筛选后的特征数据通过以太网传入FPGA进行卷积计算,经过了卷积计算和重组排序之后的图像再通过以太网传回Tegra X1进行权重匹配和统计,然后将最终的计算结果通过HDMI输出到显示器上。由于DPM算法的复杂性和整套系统的实时性要求,本发明在系统的具体实现上也需要做一些相应地细节设计,下面将介绍本系统的优化过程。
特征金字塔优化与特征筛选(算法优化)
经过原始的特征金字塔构建后,所得到的不同尺度的图像多达数十层,如果将这些图层直接进行HOG特征计算及后续的卷积计算,所需的计算量过于庞大,导致整体算法的耗时过长,实时性会受到严重影响,所以我们要尽可能地在不影响检测精度的情况下去减少金字塔的层数。本发明提出了一种基于统计规律的快速特征金字塔构建的方法,它是用稀疏采样的金字塔层来推导出精细采样的金字塔层,从而大大减少了需要直接计算出的金字塔层数。其核心思想可以用下面的公式来描述:
Cs=Ω(Is) (1)
式中,I为原始图像,C为原始HOG特征图像,R(C,s)为重采样函数,表示将特征图C按尺度s进行重采样,Is为原始图像I在尺度s采样的结果。那么,只要计算C=Ω(I)之后,就能在一个新尺度s下仅通过特征图C估计得到Cs=Ω(Is)。与直接计算Cs=Ω(R(C,s))的方法不同的是,本发明提出一种新的方式来估计:
λΩ为特征估计参数,由两特征图的比值的估计/两尺度值的估计获取,即λΩ=lb(Ω(Cs1)/Ω(Cs2))/lb(s1/s2)。
基于这种快速金字塔构建方式,本发明提出了一种针对特征金字塔的加速架构。首先将原始图像通过尺度缩放得到一幅原始大小的图像和一幅二分之一分辨率大小的图像,对这两幅图像进行HOG特征计算,所得到的两幅特征图再通过拉伸和缩放来得到其他的金字塔层。图3是传统的金字塔构建方式与本发明所提出的方式的对比。
卷积计算部分是在FPGA上实现的,FPGA设计的高效实现主要集中在缓冲方案的设计和卷积核模块的改进两个方面,具体实现过程如下:
(1)部件卷积器
部件卷积器设置N1个且每一部件卷积器的尺度为M*N,
部件卷积器包括MN个移位寄存器和N个乘法器,且每一行设置M个移位寄存器和一个乘法器,该行的乘法器分别与本行的第M个移位寄存器和下一行的第一个移位寄存器级联,
每一部件卷积器对相应视角下的相应部件图像与不同尺度HOG特征图进行卷积;
(2)整车卷积器
整车卷积器设置N2个且每一整车卷积器的尺度为P*Q,
整车卷积器包括PQ个移位寄存器和Q个乘法器,且每一行设置P个移位寄存器和一个乘法器,该行的乘法器分别与本行的第P个移位寄存器和下一行的第一个移位寄存器级联,
每一整车卷积器对不同视角下整车图像与不同尺度HOG特征图进行卷积。
根据算法需要设计了6*6和15*5两种尺度的卷积器,数量分别是16个和2个。设置16个部件卷积器的原因是车窗、车轮等部件在不同观察角度下的特征不同,设置2个整车卷积器的原因是整车不同观测角度下特征不同。使用多个移位寄存器和乘法器级联来实现卷积计算的并行性,根据卷积核的尺度来调整移位寄存器的数量和深度。本发明所设计的卷积器架构如图4所示。整个卷积器的计算流程如下:数据流传入移位寄存器组,经过多个移位寄存器后到达第一个卷积核后进行多项乘法计算,通过了第一个卷积核后继续进入移位寄存器,如此循环直到第一个像素值与最后一个卷积核计算完毕后输出,此时第二、三行的第一个像素值均与相应卷积核计算完毕,在同一时间输出卷积计算结果并传入缓冲序列,由控制逻辑来控制缓冲序列的输出。
卷积响应单元之和HOG特征计算单元之间至少设置两级缓存,缓存采用乒乓操作对待处理的若干尺度的HOG特征图进行缓存。本系统采用FIFO和DDR3来进行数据的缓存。FIFO的作用主要是在数据传入时缓存,保持数据的连续性和完整性。DDR3主要是为了实现乒乓操作,利用乒乓操作将数据传输时间掩藏到计算时间内。传入的数据先存入DDR3的A区域,在A区域存满之后,通过地址控制逻辑在B区域接着存,此时将A区域中的数据读出并处理,B区域数据存储完毕后等待A区域的数据处理完毕,再转到A区域进行存储,而此时再处理B区域的数据,从数据的输入和输出两端看来,数据是连续不断地在进行着传输和处理。乒乓控制的缓冲区状态如图5所示。图5-a表示的是初始状态,即整个系统刚刚开始工作,缓存区开始填充数据。当缓存区A被填满后,数据继续往缓存区B写入,而此时缓存区A的数据开始读出并进行卷积计算,此时为工作状态1。数据逐渐填满缓存区B,而缓存区A此时也将数据全部读出,此时为工作状态2。数据重新转向填充缓存区A,而缓存区B开始读出数据,此时为工作状态3。依次循环三个工作状态。
在提到数据复用之前,先考虑一个计算-通信比的概念。计算-通信比,又称每DRAM传输运算量,表示特定系统实现所需的DRAM访问量,是用来描述每次访存的计算操作的一个概念。而数据重用优化会降低总的访存次数,进而提升计算-通信比。在有限的带宽和有限的片上资源的前提下,本发明针对不同尺寸的卷积核分别设计了不同的数据复用架构。为了节约移位寄存器资源,本发明设计了移位寄存器复选模块,通过逻辑控制来使同一尺寸特征图所对应的多个卷积核轮流使用所需的移位寄存器,有效地减少了移位寄存器的数目。
结合图6至图10,为了评估本图像处理系统在多场景下的适应性和检测准确度,本发明做了大量的实验和测试,主要的测试场景有无人机航拍视角和车内驾驶视角。在无人机视角中,为了评估系统对于不同尺度的目标的检测效果,我们选取了多个不同高度的无人机航拍视角进行测试,如图6所示。对于车内驾驶视角,我们采用了KITTI样本集进行测试,如图7所示。同时,为了测试系统的适用性,我们也选取了一些红外图像进行测试,测试结果如图8所示。
本发明采用的是ISE Design Suite 14.7对FPGA进行硬件设计,布局布线由ISE工具集提供,ISE同时还会生成资源占用报告,如图9所示。从表中可以看出我们的所设计的卷积加速器对FPGA硬件资源的利用相当充分。
为了评价系统的整体表现,我们在多种不同的硬件配置下都做了算法测试,选取了一些重要的评价指标,如图10所示,可以看出本文的系统在功耗上相比于另外两种配置有显著的优势,在帧率以及分辨率上也有不错表现,整体的性能可以满足大多数应用场景的需求。
Claims (10)
1.一种基于改进的可变形部件模型算法的车辆检测方法,其特征在于,包括以下步骤:
步骤1,采集车辆的原始图像;
步骤2,计算原始图像获取若干尺度的HOG特征图;
步骤3,将每一HOG特征图与整车、各部件模型图进行卷积获得相应的模型响应图;
步骤4,将所有响应度图像依次经过权值加成和DPM规则得到综合响应度图像;
步骤5,对综合响应度图像进行非极大值抑制并画框,画框的结果与原始图像融合输出。
2.根据权利要求1所述的方法,其特征在于,步骤2的具体过程在于:
步骤2.1,将原始图像经过HOG算法获得原始HOG特征图像;
步骤2.2,HOG特征图像经过金字塔分层获得若干尺度的HOG特征图像。
3.根据权利要求2所述的方法,其特征在于,通过式(1)获得若干尺度的HOG特征图
<mrow>
<mi>C</mi>
<mi>s</mi>
<mo>&ap;</mo>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>,</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<msup>
<mi>s</mi>
<msub>
<mi>&lambda;</mi>
<mi>&Omega;</mi>
</msub>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,C为原始HOG特征图像,R(C,s)为重采样函数,表示将原始HOG特征图像C按尺度s进行重采样,λΩ为特征估计参数。
4.根据权利要求1所述的方法,其特征在于,步骤3中通过下述卷积器对HOG特征图与整车、各部件模型图进行卷积:
针对部件和整车分别设置M*N和P*Q两种尺度的卷积器,卷积器的数量分别为N1和N2;
部件卷积器包括MN个移位寄存器和N个乘法器,且每一行设置M个移位寄存器和一个乘法器,该行的乘法器分别与本行的第M个移位寄存器和下一行的第一个移位寄存器级联;
整车卷积器包括PQ个移位寄存器和Q个乘法器,且每一行设置P个移位寄存器和一个乘法器,该行的乘法器分别与本行的第P个移位寄存器和下一行的第一个移位寄存器级联;
每一部件卷积器对相应视角下的相应部件图像与不同尺度HOG特征图进行卷积;
每一整车卷积器对不同视角下整车图像与不同尺度HOG特征图进行卷积。
5.根据权利要求1所述的方法,其特征在于,步骤3中之前采用乒乓操作对待处理的若干尺度的HOG特征图进行缓存。
6.一种基于改进的可变形部件模型算法的车辆检测系统,其特征在于,包括:
采集车辆的原始图像的图像采集单元;
计算原始图像获取若干尺度的HOG特征图的HOG特征计算单元;
将每一HOG特征图与整车、各部件模型图进行卷积获得相应的模型响应图的卷积响应单元;
将所有响应度图像依次经过权值加成和DPM规则得到综合响应度图像的统计匹配单元;
对综合响应度图像进行非极大值抑制并画框,画框的结果与原始图像融合输出的显示输出单元。
7.根据权利要求6所述的系统,其特征在于,HOG特征计算单元包括HOG算法子单元和金字塔分层子单元;其中
HOG算法子单元将原始图像经过HOG算法获得原始HOG特征图像;
金字塔分层子单元将HOG特征图像分层获得若干尺度的HOG特征图像。
8.根据权利要求7所述的系统,其特征在于,金字塔分层子单元通过式(1)获得若干尺度的HOG特征图
<mrow>
<mi>C</mi>
<mi>s</mi>
<mo>&ap;</mo>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>,</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<msup>
<mi>s</mi>
<msub>
<mi>&lambda;</mi>
<mi>&Omega;</mi>
</msub>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,C为原始HOG特征图像,R(C,s)为重采样函数,表示将原始HOG特征图像C按尺度s进行重采样,λΩ为特征估计参数。
9.根据权利要求1所述的系统,其特征在于,卷积响应单元包括部件卷积器和整车卷积器:
(1)部件卷积器
部件卷积器设置N1个且每一部件卷积器的尺度为M*N,
部件卷积器包括MN个移位寄存器和N个乘法器,且每一行设置M个移位寄存器和一个乘法器,该行的乘法器分别与本行的第M个移位寄存器和下一行的第一个移位寄存器级联,
每一部件卷积器对相应视角下的相应部件图像与不同尺度HOG特征图进行卷积;
(2)整车卷积器
整车卷积器设置N2个且每一整车卷积器的尺度为P*Q,
整车卷积器包括PQ个移位寄存器和Q个乘法器,且每一行设置P个移位寄存器和一个乘法器,该行的乘法器分别与本行的第P个移位寄存器和下一行的第一个移位寄存器级联,
每一整车卷积器对不同视角下整车图像与不同尺度HOG特征图进行卷积。
10.根据权利要求6所述的系统,其特征在于,卷积响应单元之和HOG特征计算单元之间至少设置两级缓存,缓存采用乒乓操作对待处理的若干尺度的HOG特征图进行缓存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710746790.1A CN107622226A (zh) | 2017-08-27 | 2017-08-27 | 基于改进的可变形部件模型算法的车辆检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710746790.1A CN107622226A (zh) | 2017-08-27 | 2017-08-27 | 基于改进的可变形部件模型算法的车辆检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107622226A true CN107622226A (zh) | 2018-01-23 |
Family
ID=61089129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710746790.1A Pending CN107622226A (zh) | 2017-08-27 | 2017-08-27 | 基于改进的可变形部件模型算法的车辆检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107622226A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647624A (zh) * | 2018-05-04 | 2018-10-12 | 广东工业大学 | 一种道路车辆检测方法、装置、设备及存储介质 |
CN110097599A (zh) * | 2019-04-19 | 2019-08-06 | 电子科技大学 | 一种基于部件模型表达的工件位姿估计方法 |
CN111814675A (zh) * | 2020-07-08 | 2020-10-23 | 上海雪湖科技有限公司 | 基于fpga支持动态分辨率的卷积神经网络特征图组装系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177262A (zh) * | 2013-02-19 | 2013-06-26 | 山东大学 | 基于hog和svm的行人检测系统的fpga架构及其实现方法 |
CN104035913A (zh) * | 2014-06-06 | 2014-09-10 | 中国电子科技集团公司第三十八研究所 | 基于高性能bw100芯片的sar并行处理方法及装置 |
-
2017
- 2017-08-27 CN CN201710746790.1A patent/CN107622226A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177262A (zh) * | 2013-02-19 | 2013-06-26 | 山东大学 | 基于hog和svm的行人检测系统的fpga架构及其实现方法 |
CN104035913A (zh) * | 2014-06-06 | 2014-09-10 | 中国电子科技集团公司第三十八研究所 | 基于高性能bw100芯片的sar并行处理方法及装置 |
Non-Patent Citations (4)
Title |
---|
TANASE CUCLICIU 等: "A DPM based object detector using HOG-LBP features", 《2017 IEEE INTERNATIONAL CONFERENCE ON CONSUMER ELECTRONICS - TAIWAN (ICCE-TW)》 * |
周建新 等: "适用于密集人群目标检测的多尺度检测方法", 《系统仿真学报》 * |
朱艳云 等: "可级联FIR滤波器的IP设计及FPGA验证", 《电子技术应用》 * |
王传旭 等: "基于可变形部件模型的粒子滤波快速行人检测与跟踪", 《计算机应用于软件》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647624A (zh) * | 2018-05-04 | 2018-10-12 | 广东工业大学 | 一种道路车辆检测方法、装置、设备及存储介质 |
CN110097599A (zh) * | 2019-04-19 | 2019-08-06 | 电子科技大学 | 一种基于部件模型表达的工件位姿估计方法 |
CN110097599B (zh) * | 2019-04-19 | 2021-08-13 | 电子科技大学 | 一种基于部件模型表达的工件位姿估计方法 |
CN111814675A (zh) * | 2020-07-08 | 2020-10-23 | 上海雪湖科技有限公司 | 基于fpga支持动态分辨率的卷积神经网络特征图组装系统 |
CN111814675B (zh) * | 2020-07-08 | 2023-09-29 | 上海雪湖科技有限公司 | 基于fpga支持动态分辨率的卷积神经网络特征图组装系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764063B (zh) | 一种基于特征金字塔的遥感影像时敏目标识别系统及方法 | |
CN111797676B (zh) | 一种高分辨率遥感图像目标在轨轻量化快速检测方法 | |
Sun et al. | RSOD: Real-time small object detection algorithm in UAV-based traffic monitoring | |
CN110378222B (zh) | 一种输电线路防震锤目标检测与缺陷识别方法及装置 | |
CN111461083A (zh) | 基于深度学习的快速车辆检测方法 | |
CN113420607A (zh) | 无人机多尺度目标检测识别方法 | |
CN113408423A (zh) | 适用于tx2嵌入式平台的水产品目标实时检测方法 | |
CN107622226A (zh) | 基于改进的可变形部件模型算法的车辆检测方法及系统 | |
CN103353988A (zh) | 异源sar景象特征匹配算法性能评估方法 | |
Cepni et al. | Vehicle detection using different deep learning algorithms from image sequence | |
CN109902629A (zh) | 一种复杂交通场景下的实时车辆目标检测模型 | |
CN103679210A (zh) | 基于高光谱图像解混的地物识别方法 | |
CN113836999A (zh) | 基于探地雷达的隧道施工风险智能识别方法及系统 | |
CN114078209A (zh) | 一种提升小目标检测精度的轻量级目标检测方法 | |
CN113538347A (zh) | 基于高效双向路径聚合注意力网络的图像检测方法及系统 | |
CN103942786A (zh) | 无人机可见光和红外图像的自适应团块目标检测方法 | |
CN116309465B (zh) | 一种基于改进的YOLOv5的自然环境下舌像检测定位方法 | |
CN115456957B (zh) | 一种全尺度特征聚合的遥感影像变化检测的方法 | |
CN106815861A (zh) | 一种紧凑型的光流计算方法与设备 | |
CN116343194A (zh) | 基于垂直表征的双流3d目标检测学习方法及系统 | |
xi Wang et al. | Detection of MMW radar target based on doppler characteristics and deep learning | |
CN109710562A (zh) | 一种基于selectmap的可配置且高速的fpga配置电路及实现方法 | |
Ma et al. | High efficiency on-board hyperspectral image classification with Zynq SoC | |
CN112818832B (zh) | 一种基于部件感知的弱监督物体定位装置及方法 | |
CN115424140A (zh) | 星载海量图像数据分布式协同快速高精度处理系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180123 |