计算机科学 ›› 2019, Vol. 46 ›› Issue (6A): 153-157.

• 模式识别与图像处理 • 上一篇    下一篇

基于移动端的“非受控”物体识别算法的实现

庞宇1, 刘平2, 雷印杰1   

  1. 四川大学电子信息学院 成都6100651;
    高原与盆地暴雨旱涝灾害四川省重点实验室 成都6100652
  • 出版日期:2019-06-14 发布日期:2019-07-02
  • 通讯作者: 刘 平(1969-),女,高级工程师,主要研究方向为计算机应用与人工影响天气业务技术,E-mail:sclp1457@163.com
  • 作者简介:庞 宇(1992-),女,硕士生,主要研究方向为物体识别;雷印杰(1983-),男,副教授,主要研究方向为计算机视觉。
  • 基金资助:
    本文受高原与盆地暴雨旱涝灾害四川省重点实验室科技发展基金项目(2018-重点-13),川大-泸州市科技局项目(2017CDLZ-G26),2018年成都市科技治霾专项(2018-ZM01-00038-SN)资助。

Realization of “Uncontrolled” Object Recognition Algorithm Based on Mobile Terminal

PANG Yu1, LIU Ping2, LEI Yin-jie1   

  1. College of Electronics and Information Engineering,Sichuan University,Chengdu 610065,China1;
    Heavy Rain and Drought-Flood Disasters in Plateau and Basin Key Laboratory of Sichuan Province,Chengdu 610065,China2
  • Online:2019-06-14 Published:2019-07-02

摘要: 针对现有的物体识别方法在复杂环境下易受光照、角度、尺寸、复杂背景等“非受控”因素的影响,且识别率低、实时性差、占用内存大等问题,提出一种新的物体识别算法,并在此基础上实现了基于移动端的物体识别系统。该方法首先利用粒子滤波算法对检测范围进行加窗跟踪,接着用分水岭分割算法对物体进行分割,然后用HOG(Histogram of Oriented Gradient)算法提取物体特征,最后运用随机森林算法进行物体匹配。实验结果表明该方法能基于移动端在“非受控”的环境下进行较快速且准确的识别,从而证明了该方法的有效性。

关键词: 移动端, 非受控, 实时性, 物体识别, 随机森林

Abstract: Aiming at the problems that the existing object recognition methods are easy to be influenced by “uncontrolled” factors such as illumination,angle,size and complex environment,and have the problems such as low recognition rate,poor real-time performance and large memory consumption,this paper proposed a new object recognition algorithm,on which the object recognition system based on mobile terminal was realized.This method first employs particle filter algorithm to track the detection range by adding windows,and then applies the watershed segmentation algorithm to segment objects,then uses the HOG(Histogram of Oriented Gradient) algorithm to extract object features.Finally,the random forest algorithm is utilized to recognize objects.The experimental results show that this method can be used to identify the mobile terminal quickly and accurately in an “uncontrolled” environment.

Key words: Mobile terminal, Uncontrolled, Real time, Object recognition, Random forest

中图分类号: 

  • TP391.41
[1] SHAH S A A,BENNAMOUN M,BOUSSAID F.Automatic object detection using objectness measure[C]∥International Conference on Communications,Signal Processing,and Their Applications.IEEE,2013:1-6.
[2] 徐晓.计算机视觉中物体识别综述[J].电脑与信息技术,2013,21(5):4-6.
[3] 黄凯奇,任伟强,谭铁牛.图像物体分类与检测算法综述[J].计算机学报,2014,36(6):1225-1240.
[4] 林志强,陈小平.一种结合多特征的实时物体识别系统[J].小型微型计算机系统,2015,36(6):1310-1315.
[5] 刘曦,史忠植,石志伟,等.一种基于特征捆绑计算模型的物体识别方法[J].软件学报,2010,21(3):452-460.
[6] 卢良锋,谢志军,叶宏武.基于RGB特征与深度特征融合的物体识别算法[J].计算机工程,2016,42(5):186-193.
[7] 孙利娟,张继栋,杨新锋.基于多稀疏分布特征和最近邻分类的物体识别方法[J].计算机应用研究,2016,33(10):3156-3159.
[8] 尚俊.基于HOG特征的目标识别算法研究[D].武汉:华中科技大学,2012.
[9] 唐发明,王仲东,陈绵云.一种新的二叉树多类支持向量机算法[J].计算机工程与应用,2005,41(7):24-26.
[10] 苏亚麟,吕开云.基于随机森林算法的特征选择的水稻分类——以南昌市为例[J]江西科学,2018(1):161-167.
[11] 周雪晴,张占松,张超谟,等.基于粗糙集—随机森林算法的复杂岩性识别[J].大庆石油地质与开发,2017,36(6):127-133.
[12] 闫月影.非受控场景下的二维人脸识别研究[J].数码世界,2017(11):394-395.
[13] 李安平.复杂环境下的视频目标跟踪算法研究[D].上海:上海交通大学,2007.
[14] 陈代武.基于移动终端的多角度实物识别方法[D].北京:北京邮电大学,2015.
[15] FRIEDMAN N,RUSSELL S.Image Segmentation in Video Sequences:A Probabilistic Approach,Uncertainty in Artificial Intelligence[J].arXiv:1302.1539,1997.
[16] HALEVY G,WEINSHALL D.Motion of Disturbances:Detection and Tracking of Multi-Body Non-Rigid Motion.Machine Vision and Applications,1999,11(3):122-137.
[17] KUMAR S,DAI Y,LI H.Spatio-Temporal Union of subspaces for Multi-body Non-rigid Structure-from-Motion[J].Pattern Recognition,2017,71:428-443.
[18] 曹正凤.随机森林算法优化研究[D].北京:首都经济贸易大学,2014.
[19] 许保勋.面向高维数据的随机森林算法优化研究[D].哈尔滨:哈尔滨工业大学,2013.
[20] 程广涛,陈雪,郭照庄.基于HOG特征的行为人视觉检测方法[J].传感器与微系统,2011,30(7):68-70.
[21] 赵桂儒.较大规模数据应用PCA降维的一种方法[J].电脑知识与技术,2014(8):1835-1837.
[22] 杨彪,倪蓉蓉,江大鹏.一种对光照变化鲁棒的移动目标前景提取方法[J].计算机科学,2016,43(s2):186-189.
[23] 郭宇,郝晓燕,张兴忠.基于预测的多特征融合Mean-Shift跟踪算法[J].计算机科学,2018,45(s1):171-173.
[1] 刘振鹏, 苏楠, 秦益文, 卢家欢, 李小菲. FS-CRF:基于特征切分与级联随机森林的异常点检测模型[J]. 计算机科学, 2020, 47(8): 185-188.
[2] 杨威超, 郭渊博, 李涛, 朱本全. 基于流量指纹的物联网设备识别方法和物联网安全模型[J]. 计算机科学, 2020, 47(7): 299-306.
[3] 张元鸣, 李梦妮, 黄浪游, 陆佳炜, 肖刚. 基于增量日志的数据组合视图定位更新方法[J]. 计算机科学, 2020, 47(6): 85-91.
[4] 郑哲, 胡庆浩, 刘青山, 冷聪. 量化权值激活的生成对抗网络[J]. 计算机科学, 2020, 47(5): 144-148.
[5] 赵瑞杰, 施勇, 张涵, 龙军, 薛质. 基于TF-IDF的Webshell文件检测[J]. 计算机科学, 2020, 47(11A): 363-367.
[6] 王晓晖, 张亮, 李俊清, 孙玉翠, 田捷, 韩睿毅. 基于遗传算法与随机森林的XGBoost改进方法研究[J]. 计算机科学, 2020, 47(11A): 454-458.
[7] 张彬彬, 王娟, 岳昆, 武浩, 郝佳. 基于随机森林的虚拟机性能预测与配置优化[J]. 计算机科学, 2019, 46(9): 85-92.
[8] 石雨鑫, 邓洪敏, 郭伟林. 基于混合卷积神经网络的静态手势识别[J]. 计算机科学, 2019, 46(6A): 165-168.
[9] 陈曦, 李雷达, 李巧月, 韩习习, 祝汉城. 基于自然场景统计的深度图像质量无参考评价方法[J]. 计算机科学, 2019, 46(6): 256-262.
[10] 崔景春, 王静. 基于增强头部姿态估计的人脸表情识别模型[J]. 计算机科学, 2019, 46(6): 322-327.
[11] 周明,贾艳明,周彩兰,徐宁. 基于篇章结构的英文作文自动评分方法[J]. 计算机科学, 2019, 46(3): 234-241.
[12] 关晓蔷, 庞继芳, 梁吉业. 基于类别随机化的随机森林算法[J]. 计算机科学, 2019, 46(2): 196-201.
[13] 李光华, 李俊清, 张亮, 辛衍森, 邓华伟. 一种融合蚁群算法和随机森林的特征选择方法[J]. 计算机科学, 2019, 46(11A): 212-215.
[14] 曲佳博, 秦勃. 基于ST-CNN的交通标志实时检测识别算法[J]. 计算机科学, 2019, 46(11A): 309-314.
[15] 曾星,孙备,罗武胜,刘涛诚,鲁琴. 基于深度传感器的坐姿检测系统[J]. 计算机科学, 2018, 45(7): 237-242.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
[1] 雷丽晖,王静. 可能性测度下的LTL模型检测并行化研究[J]. 计算机科学, 2018, 45(4): 71 -75 .
[2] 孙启,金燕,何琨,徐凌轩. 用于求解混合车辆路径问题的混合进化算法[J]. 计算机科学, 2018, 45(4): 76 -82 .
[3] 张佳男,肖鸣宇. 带权混合支配问题的近似算法研究[J]. 计算机科学, 2018, 45(4): 83 -88 .
[4] 伍建辉,黄中祥,李武,吴健辉,彭鑫,张生. 城市道路建设时序决策的鲁棒优化[J]. 计算机科学, 2018, 45(4): 89 -93 .
[5] 史雯隽,武继刚,罗裕春. 针对移动云计算任务迁移的快速高效调度算法[J]. 计算机科学, 2018, 45(4): 94 -99 .
[6] 周燕萍,业巧林. 基于L1-范数距离的最小二乘对支持向量机[J]. 计算机科学, 2018, 45(4): 100 -105 .
[7] 刘博艺,唐湘滟,程杰仁. 基于多生长时期模板匹配的玉米螟识别方法[J]. 计算机科学, 2018, 45(4): 106 -111 .
[8] 耿海军,施新刚,王之梁,尹霞,尹少平. 基于有向无环图的互联网域内节能路由算法[J]. 计算机科学, 2018, 45(4): 112 -116 .
[9] 崔琼,李建华,王宏,南明莉. 基于节点修复的网络化指挥信息系统弹性分析模型[J]. 计算机科学, 2018, 45(4): 117 -121 .
[10] 王振朝,侯欢欢,连蕊. 抑制CMT中乱序程度的路径优化方案[J]. 计算机科学, 2018, 45(4): 122 -125 .