异构计算平台上的并行程序开发效率低,基于Julia动态语言的云编程是一种高效模式.针对Julia程序运行的时限约束,本文提出一种基于有色Petri网的程序运行性能自适应模拟方法.面向特定领域(如本文的图像对象识别案例)构建适应底层计算资源特点的工具库,抽取针对Julia语言的计算原语.程序员通过Julia语言实现原语,动态选取领域工具,适应运行时限约束.结合图像对象识别案例,构建Colored Petri Net模型,借助CPN Tools工具模拟运行,自动优化备选方案.模拟实验表明,基于工具库的性能标定,CPN模拟得到的工具库映射方案接近最优.
传统的目标检测是基于滑动窗口搜索的方法,利用分类器对图像中不同位置、尺度的区域进行判断,确定该位置是否存在目标.这种方法需要对大量候选窗(区域)做判断,因此需要较大的计算量.本文根据人体特点,提出了一种基于分级判断的方法,需要判断的候选窗逐级减少,因此可以大量减少复杂特征和分类器需要判断的候选窗数量,进而减少整个检测算法的计算量.算法首先对待检测图像提取NG(Norm of the gradients)特征,通过线性支持向量机来判断得到行人的候选区域.然后对候选区域提取简化HOG(Histograms of oriented gradients)特征,采用线性支持向量机对候选区域进一步的过滤.最后,对经过过滤筛选得到的区域提取多分辨率HOG特征,使用DPM(Deformation part model)模型对候选区域进行检测来定位行人的位置.实验证明本文提出的方法是鲁棒的.
暂无评论