利用KDE进行运动目标视觉检测
2018-03-12 21:25
274 查看
利用KDE进行运动目标视觉检测一、程序运行平台:
KDE核密度估计在python2.7.14上实现,导入的库有numpy、Pillow、math、mpl_toolkits和matplotlib等。
二、设计思路
1、读取20张训练图片的数据。每个训练图片的数据:有576*768个像素点,每个像素都有三个通道即RGB。
2、同理,读取测试图片的数据,576*768*3
3、由EP核函数的公式,计算出每个测试图片上的像素点对应对的概率估计。
4、根据EP核函数的估计值,设定合适的阈值,将训练图片转化成二值图像。
三、代码优化及参数修改
1、代码优化:
当像素值变化比较大时,概率密度函数值变成小于0的数值,明显不符合概率的定义。这里我们采取一定的优化措施:将由于像素值对应通道差别太大,而导致出现的负值统统赋值为0;而不小于0的则是本身大小。
2、带宽参数修改:
在几何图形上:带宽h反映了KDE曲线整体的平坦程度,即观察到的数据点在KDE曲线形成过程中所占的比重 。带宽越大,观察到的数据点在最终形成的曲线形状中所占比重越小,KDE整体曲线就越平坦;带宽越小,观察到的数据点在最终形成的曲线形状中所占比重越大,KDE整体曲线就越陡峭。
在计算结果上:如果阈值不发生改变,当h较大时,Px相应会变小,此时在二值化的图片上显示的结果是白色区域面积扩大,黑色区域减小;当h设置较小时,二值化图片黑色区域面积扩大,白色区域面积减小。我们这里选取带宽h为100。
同时,阈值的选择也会影响二值化后图形的质量阈值为2x10^(-7)。
四、源代码:
分为python版本和MATLAB版本的
1 python版本有两个.py文件:读入训练数据的load_file.py 和运行文件KDE.py 代码在如下链接 https://download.csdn.net/download/strive_0902/10282566
2 MATLAB在如下链接 https://download.csdn.net/download/strive_0902/10282575
附:源码内含有word报告
结果图如下:前面两个是MATLAB的效果图;后面两个是python的效果图
KDE核密度估计在python2.7.14上实现,导入的库有numpy、Pillow、math、mpl_toolkits和matplotlib等。
二、设计思路
1、读取20张训练图片的数据。每个训练图片的数据:有576*768个像素点,每个像素都有三个通道即RGB。
2、同理,读取测试图片的数据,576*768*3
3、由EP核函数的公式,计算出每个测试图片上的像素点对应对的概率估计。
4、根据EP核函数的估计值,设定合适的阈值,将训练图片转化成二值图像。
三、代码优化及参数修改
1、代码优化:
当像素值变化比较大时,概率密度函数值变成小于0的数值,明显不符合概率的定义。这里我们采取一定的优化措施:将由于像素值对应通道差别太大,而导致出现的负值统统赋值为0;而不小于0的则是本身大小。
2、带宽参数修改:
在几何图形上:带宽h反映了KDE曲线整体的平坦程度,即观察到的数据点在KDE曲线形成过程中所占的比重 。带宽越大,观察到的数据点在最终形成的曲线形状中所占比重越小,KDE整体曲线就越平坦;带宽越小,观察到的数据点在最终形成的曲线形状中所占比重越大,KDE整体曲线就越陡峭。
在计算结果上:如果阈值不发生改变,当h较大时,Px相应会变小,此时在二值化的图片上显示的结果是白色区域面积扩大,黑色区域减小;当h设置较小时,二值化图片黑色区域面积扩大,白色区域面积减小。我们这里选取带宽h为100。
同时,阈值的选择也会影响二值化后图形的质量阈值为2x10^(-7)。
四、源代码:
分为python版本和MATLAB版本的
1 python版本有两个.py文件:读入训练数据的load_file.py 和运行文件KDE.py 代码在如下链接 https://download.csdn.net/download/strive_0902/10282566
2 MATLAB在如下链接 https://download.csdn.net/download/strive_0902/10282575
附:源码内含有word报告
结果图如下:前面两个是MATLAB的效果图;后面两个是python的效果图
相关文章推荐
- 利用光流法进行运动目标检测
- 【计算机视觉】基于样本一致性的背景减除运动目标检测算法(SACON)
- 计算机视觉 | Python OpenCV 3 使用背景减除进行目标检测
- 计算机视觉之(一)利用Harris检测子进行角点特征检测(含matlab源码)
- 利用yolo进行目标检测
- 在opencv3中利用SVM进行图像目标检测和分类
- 利用SSD和自己训练好的模型进行目标检测
- 利用OpenCV的Haar特征目标检测方法进行人脸识别的尝试(一)
- 利用SVM进行图像目标检测和分类
- 【计算机视觉】基于局部二值相似性模式(LBSP)的运动目标检测算法
- 间谍卫星的基础?YOLT——利用卷积神经网络对卫星影像进行多尺度目标检测(Part I)
- 《OpenCV 3计算机视觉:Python语言实现》学习笔记——目标跟踪中基本运动检测的思考
- 【计算机视觉】运动目标检测算法文献阅读笔记
- 在opencv3中利用SVM进行图像目标检测和分类
- 【计算机视觉】基于Shading Model(对光照变化一定不变性)的运动目标检测算法
- YOLT——利用卷积神经网络对卫星影像进行多尺度目标检测
- 【计算机视觉】基于自组织背景减除的运动目标检测算法
- 利用RGB-D数据进行人体检测 People detection in RGB-D data
- 2、halcon+利用光流场检测运动的物体
- 使用判别训练的部件模型进行目标检测 Object Detection with Discriminatively Trained Part Based Models