针对车辆辅助驾驶系统中行人检测的实时性问题,提出了一种新的基于显著性检测和参数融合的LUT-HOG车载行人检测方法.在车载行人检测方法中提出基于多局部区域的空域调频对比度的显著性检测方法,快速标注图像中的"行人"区域;在"行人"区域,提出基于参数融合的LUT-HOG的快速行人特征提取算法;采用逼近线性SVM计算时间的AK-SVM进行高效分类.该算法通过使用显著性检测代替穷尽搜索办法,并用快速的行人特征提取和分类算法,能够大幅提高行人检测的速率.在Visual Studio 2012软件中使用C语言验证行人检测算法的正确性和实时性.基于INRIA数据库的测试结果表明,在不降低准确率的前提下,该行人检测系统可以达到25帧/秒(640×480)的检测速率.然后,将行人检测系统移植到BF-609的开发板上进行实时行人检测,在不使用GPU的前提下,可以达到20帧/秒的检测速度,可满足车载行人检测系统的实时性要求.
为提高频繁项集挖掘性能,提出了基于渐近取样的频繁项集挖掘近似算法(Frequent Itemsets Mining Approximate Algorithm based on Progressive Sampling,FIMAA-PS),该算法使用渐近取样方法实现数据集的样本提取,基于当前样本输出结果自...
详细信息
为提高频繁项集挖掘性能,提出了基于渐近取样的频繁项集挖掘近似算法(Frequent Itemsets Mining Approximate Algorithm based on Progressive Sampling,FIMAA-PS),该算法使用渐近取样方法实现数据集的样本提取,基于当前样本输出结果自动配置下一轮循环挖掘的样本大小,并使用Rademacher均值对输出结果的频率偏差上限进行理论估计从而得到终止条件,最后通过单次样本快速扫描判断算法终止条件,输出挖掘结果。实验结果表明,不同于传统挖掘精确算法和使用静态取样的挖掘近似算法,FIMAA-PS在输出结果精准度和运行时间方面具有显著优势。
暂无评论