精华内容
下载资源
问答
  • SPOT和TM波段特征典型特点

    千次阅读 2013-06-06 13:49:39
    TM波段特征 B1 为蓝色波段,该波段位于水体衰减系数最小的部位,对水体的穿透力最大,用于判别水深,研究浅海水下地形、水体浑浊度等,进行水系及浅海水域制图; B2 为绿色波段,该波段位于绿色植物的反射峰附近,...

    TM波段特征
    B1
    为蓝色波段,该波段位于水体衰减系数最小的部位,对水体的穿透力最大,用于判别水深,研究浅海水下地形、水体浑浊度等,进行水系及浅海水域制图;
    B2 为绿色波段,该波段位于绿色植物的反射峰附近,对健康茂盛植物反射敏感,可以识别植物类别和评价植物生产力,对水体具有一定的穿透力,可反映水下地形、沙洲、沿岸沙坝等特征;
    B3 为红波段,该波段位于叶绿素的主要吸收带,可用于区分植物类型、覆盖度、判断植物生长状况等,此外该波段对裸露地表、植被、岩性、地层、构造、地貌、水文等特征均可提供丰富的植物信息;
    B4 为近红外波段,该波段位于植物的高反射区,反映了大量的植物信息,多用于植物的识别、分类,同时它也位于水体的强吸收区,用于勾绘水体边界,识别与水有关的地质构造、地貌等;
    B5 为短波红外波段,该波段位于两个水体吸收带之间,对植物和土壤水分含量敏感,从而提高了区分作物的能力,此外,在该波段上雪比云的反射率低,两者易于区分,B5 的信息量大,应用率较高;
    B6 为热红外波段,该波段对地物热量辐射敏感,根据辐射热差异可用于作物与森林区分、水体、岩石等地表特征识别;
    B7 为短波外波段,波长比 B5 大,是专为地质调查追加的波段,该波段对岩石、特定矿物反应敏感,用于区分主要岩石类型、岩石水热蚀变,探测与交代岩石有关的粘土矿物等;
    B8 为全色波段(Pan),该波段为 Landsat-7 新增波段,它覆盖的光谱范围较广,空间分辨率较其他波段高,因而多用于获取地面的几何特征。

     

    TM波段组合

    一、波段特征及其选择:

    光学遥感所接收的电磁波辐射源是地物对太阳光的反射和散射,其波长主要分布在可见光、近红外区域。目前使用较多的光学遥感卫星有:美国发射的LANDSAT 的TM 数据分7 个波段,其中6 个波段波长范围为0 .45~2 .35 μm,空间分辨率为30 m,时间分辨率为16 d,其中TM5 对线性构造反映清晰,一个热红外波长范围为10 .4~12 .5 μm,空间分辨率为120 m,在揭示第四纪覆盖区的隐伏断裂及活动性构造方面具有一定优势,可用于地热制图、地质、制图等。多波段的传感器提供了空间环境不同的信息,以下以TM为例:

    TM1 0.45-0.52um蓝波段:对叶绿素和夜色素浓度敏感,对水体穿透强,用于区分土壤与植被、落叶林与针叶林、近海水域制图,有助于判别水深及水中叶绿素分布以及水中是否有水华等。

    TM2 0.52-0.60um,绿波段:对健康茂盛植物的反射敏感,对力的穿透力强,用于探测健康植物绿色反射率,按绿峰反射评价植物的生活状况,区分林型,树种和反映水下特征。在所有的波段组合中,TM 波段-2 的分类精度是最高的,达到了 75.6%。从单时相遥感影像的分类来讲,这种分类精度只相当于中等水平。但若从多时相图像的角度来看,这一精度则相当于在采用分类后比较法时,每一景图像的平均分类精度需达到 86.9% 的水平,而这种分类精度,特别是在山区,其实已经是比较好的了。

    TM3 0.62-0.69UM ,红波段:叶绿素的主要吸收波段,反映不同植物叶绿素吸收,植物健康状况,用于区分植物种类与植物覆盖率,其信息量大多为可见光最佳波段,广泛用于地貌,岩性,土壤,植被,水中泥沙等方面。

    TM4 0.76-0.96UM近红外波段:对无病害植物近红外反射敏感,对绿色植物类别差异最敏感,为植物通用波段,用于牧师调查,作物长势测量,水域测量,生物量测定及水域判别。

    TM51.55-1.75UM中红外波段:对植物含水量和云的不同反射敏感,处于水的吸收波段,一般1.4-1.9UM内反映含水量,用于土壤湿度植物含水量调查,水分善研究,作物长势分析,从而提高了区分不同作用长势的能力,可判断含水量和雪、云。在TM7个波段光谱图像中,一般第5个波段包含的地物信息最丰富。

    TM61.04-1.25UM远红外波段:可以根据辐射响应的差别,区分农林覆盖长势,差别表层湿度,水体岩石,以及监测与人类活动有关的热特征,作温度图,植物热强度测量。

     TM7 2.08-3.35UM,中红外波段,为地质学家追加波段,处于水的强吸收带,水体呈黑色,可用于区分主要岩石类型,岩石的热蚀度,探测与交代岩石有关的粘土矿物.

    各光谱差异为:TM1居民地与河流菜地不易分开;TM2居民地与河流菜地不易分;TM3乡村与菜地不易分;TM4农田与道路不易分,乡镇,道路,河滩易浑;TM5县城与农田不易分;TM6村庄与河流易混。所以在遥感的类型提取上,一般采取:

    城市与乡镇的提取:TM1+TM7+TM3+TM5+TM6+TM2-TM4

    乡镇与村落:TM1+TM2+TM3+TM6+TM7-TM4-TM5

    河流的提取:TM5+TM6+TM7-TM1-TM2-TM4

    道路的提取:TM6-(TM1+TM2+TM+-TM4+TM5+TM7)

    二、波段融合及专题应用:

        利用多波段图像之间的差异进行特征提取,可获得较多的信息量。常用的方法有:灰度四则运算、假彩色合成、HIS 变换等,利用这些方法可以简单地减少异物同谱现象,如在波长0 .63 μm 下,绿泥岩和褐铁矿的反射系数相同,但在0 .5 μm 下,其反射系数的差别却很大,可针对不同的遥感资料,根据岩石反射能力的不同,选取不同的波段,对岩石进行分类。TM图像的光波信息具有3~4维结构,其物理含义相当于亮度、绿度、热度和湿度。在TM7个波段光谱图像中,一般第5个波段包含的地物信息最丰富。3个可见光波段(即第1、2、3波段)之间,两个中红外波段(即第4、7波段)之间相关性很高,表明这些波段的信息中有相当大的重复性或者冗余性。第4、6波段较特殊,尤其是第4波段与其他波段的相关性得很低,表明这个波段信息有很大的独立性。而第7波段只是在探测森林火灾、岩矿蚀变带及土壤粘土矿物类型等方面有特殊的作用。由于地物的复杂性和多样性,只选一个波段是不够的,在进行地质现象的解释时,常选几个波段进行比较,以下以TM为例:

          741 :741波段组合图像具有兼容中红外、近红外及可见光波段信息的优势,图面色彩丰富,层次感好,具有极为丰富的地质信息和地表环境信息;而且清晰度高,干扰信息少,地质可解译程度高,各种构造形迹(褶皱及断裂)显示清楚,不同类型的岩石区边界清晰,岩石地层单元的边界、特殊岩性的展布以及火山机构也显示清楚。
        742:适宜于温带到干旱地区,提供最大的光谱多样性。

    1992年,完成了桂东南金银矿成矿区遥感地质综合解译,利用1:10万TM7、4、2假彩色合成片进行解译,共解译出线性构造1615条,环形影像481处, 并在总结了构造蚀变岩型、石英脉型、火山岩型典型矿床的遥感影像特征及成矿模式的基础上,对全区进厅成矿预测,圈定金银A类成矿远景区2处,B类 4处,C类5处。为该区优选找矿靶区提供遥感依据。
        743:我国利用美国的陆地卫星专题制图仪图象成功地监测了大兴安岭林火及灾后变化。这是因为TM7波段(2.08-2.35微米)对温度变化敏感;TM4、TM3波段则分别属于红外光、红光区,能反映植被的最佳波段,并有减少烟雾影响的功能;同时TM7、TM4、TM3(分别赋予红、绿、蓝色)的彩色合成图的色调接近自然彩色,故可通过TM743彩色合成图的分析来指挥林火蔓延与控制和灾后林木的恢复状况。
        754:适宜于湿润地区,提供了最大的空间分辨率。

    对不同时期湖泊水位的变化,可采用不同波段,如用陆地卫星MSS7,MSS5,MSS4合成的标准假彩色图像中的蓝色、深蓝色等不同层次的颜色得以区别。从而可用作分析湖泊水位变化的地理规律。陆地卫星图像的标准假彩色指采用陆地卫星多光谱扫描仪所成的同一图幅的第四波段MSS4图像、第五波段MSS5图像和第七波段MSS7图像,分别配以兰、绿、红色的彩色合成图像上的彩色。并称此种合成的图像为陆地卫星标准假彩色图像。在此图像上植被分布显红色,城镇为兰灰色,水体为兰色、浅兰色(浅水),冰雪为白色等。
        541:某开发区砂石矿遥感调查是通过对陆地卫星TM最佳波段组fefee7合的选择(TM5、TM4、 TM1)以及航空、航天多种遥感资料的解译分析进行的,在初步解译查明调查区第四系地貌。
        543:城镇和农村土地利用的区分,陆地/水体边界的确定。

    例如采用1995年8月2日的TM数据对于图象分析,选用信息量最为丰富的5、4、3波段组合配以红、绿、兰三种颜色生成假彩色合成图象,这个组合的合成图象不仅类似于自然色,较为符号人们的视觉习惯,而且由于信息量丰富,能充分显示各种地物影像特征的差别,便于训练场地的选取,可以保证训练场地的准确性;对于计算机自动识别分类,采用主成分分析(K-L变换)进行数据压缩,形成三个组分的图象数据,用于自动识别分类。
        742:用于土壤和植被湿度内容分析,内陆水体定位,其中植被显示为绿色的阴影。适宜于温带到干旱地区,提供最大的光谱多样性。

    采用以遥感图像解译为主结合地质、物化探资料进行研究的综合方法。解译为目视解译,解译的遥感图像有:以1984年3月成像经处理放大为1:5万卫星TM假彩色片(5、4、3波段合成)和1979年7月拍摄的1:1.6万黑白航片为主要工作片种;采用1986年11月的1:10万TM假彩色片(7、4、2波段合成)为参考片种。
        432:红外假色。在植被、农作物、土地利用和湿地分析的遥感方面,这是最常用的波段组合。提供中等的空间分辨率。在这种组合中,所有的植被都显示为红色。

    例如当卫星遥感图像示蓝藻暴发情况时,蓝藻暴发时绿色的藻类生物体拌随着白色的泡沫状污染物聚集于水体表面,蓝藻覆盖区的光谱特征与周围湖面有明显差异。由于所含高叶绿素A的作用,蓝藻区在LandsatTM2波段具有较高的反射率,在TM3波段反射率略降但仍比湖水高,在TM4波段反射率达到最大。因此,在TM4(红)、3(绿)、2(蓝)假彩色合成图像上,蓝藻区呈绯红色,与周围深蓝色、蓝黑色湖水有明显区别。此外,蓝藻暴发聚集受湖流、风向的影响,呈条带延伸,在TM图像上呈条带状结构和絮状纹理,与周围的湖水面也有明显不同。

         453:用于土壤湿度和植被状况的分析,也很好的用于内陆水体和陆地/水体边界的确定,可突出水体、城市、山区、线性特征。

    例如采取4、5、3波段分别赋红、绿、蓝色合成的图像,色彩反差明显,层次丰富,而且各类地物的色彩显示规律与常规合成片相似,符合过去常规片的目视判读习惯。再例如把4、5两波段的赋色对调一下,即5、4、3分别赋予红、绿、蓝色,则获得近似自然彩色合成图像,适合于非遥感应用专业人员使用。本研究遥感信息源是中国科学院卫星遥感地面接收站于1995年10月接收美国MSS卫星遥感TM波段4(红)、波段5(绿)、波段3(蓝)CCT磁带数据制作的1∶10万和1∶5万假彩色合成卫星影像图。图上山地、丘陵、平原台地等喀斯特地貌景观及各类用地影像特征分异清晰。成像时期晚稻接近收获,且稻田中不存积水,因此耕地类型中的水田色调呈粉红色;旱地由于作物大多收获,且土壤水分少而呈灰白色;菜地则由于蔬菜长势好,色调鲜亮并呈猩红色。园地色调呈浅褐色,且地块规则整齐、轮廓清晰。林地中乔木林色调呈深褐色,而分布于喀斯特山地丘陵等地区的灌丛则呈黄到黄褐色。牧草地大多呈黄绿色调。建设用地中的城镇呈蓝色;公路呈线状,色调灰白;铁路呈线条状,色调为浅蓝;机场跑道为蓝色直线,背景草地呈蓝绿色;在建新机场建设场地为白色长方形;备用旧机场为白色色调,外形轮廓清晰、较规则。水库和河流则都呈深蓝色调。
     472:土壤和植被湿度内容分析,内陆水体定位,植被显示为绿色的阴影。

     在采用TM4、7、2波段假彩色合成和 1:4 计算机插值放大技术方面,在制作 1:5万TM影像图并成 1:5万工程地质图、塌岸发展速率的定量监测以及在单张航片上测算岩 (断) 层产状等方面,均有独到之处

    2 SPO T 25 影像的典型地物的光谱分析以及特

    征波段的提出


      遥感影像反映的是区域内地物的电磁波辐射能量,有明确的物理意义。遥感影像数据中像元亮度值的大小及其变化主要是由地物的类型的变化引起的。水体在近红外及短波红外波段两个水吸收带的影响很明显, 在可见光波段的发射率也比其它地物低。不论在哪个波段,

    水体的图像都是呈深色, 与周围地物的色调反差很大。居民地在短波红外波段上有较高的反射率。在本研究区中, 居民地周围一般有农田、部分居民地周围有水塘, 其背景地物主要是耕地。植被是遥感图像中反映最直接的信息。它在可见光的绿波段有反射峰, 在蓝光和红光波段有反射谷, 在近红外至短波红外区域, 由于叶片细胞和细胞间隙对电磁波的多重反射, 使反射绿迅速上升,形成一个高平台。不同植被在可见光波段内的反射率差异很小, 在近红外和短波红外波段的差异比较明显。此次研究中, 获取数据的正是植被生长旺盛的时期, 这为

    耕地信息的提取提供了有利条件。但是, 对于复杂的植被遥感, 仅用原始影像的个别波段或多个单波段数据分析对比来提取耕地信息是相当有限的。因此通过对多光谱遥感数据经过仔细分析、运算, 产生对植被有指示意义的特殊波段, 融入原始多光谱影像中后, 提高了信息

    量, 并有利于植被信息的提取。本研究中利用了归一化植被指数, 即NDV I= ( IR - R )ö( IR + R ) 作比值运算处理得到一个新的波段, 其中, IR 为近红外波段, R 为红波段。因为NDV I 植被指数是植物生长状态及植被空间分布密度的最佳指示因子, 与植被分布呈线性相关。然而, 利用上述的波段信息还不能较为准确地区分水田和园地。在全面分析两者在各波段的光谱特征的基础上提出了新的植被指数: 加和比值植被指数, 即PRV I=(SW + IR )öR , 从而产生一个新的波段。具体分析如下:由表2、图1、表3 可知:

    1) 各波段上地物之间亮度值的分析

    B1 ( IR ) : 旱地> 水田> 园地> 道路> 居民地> 水体, 旱地、水田和园地3 者的亮度值接近, 容易混淆, 但与水体差异明显; 居民地和道路易混淆。

    B2 ( red) : 道路> 居民地> 旱地> 水体> 园地> 水田, 水田与居民地差异明显, 但与其它地物都有部分重叠。水田、旱地和园地3 者区分困难。

    B3 (green) : 居民地> 旱地> 园地> 水体> 水田, 水田与居民地差异较大, 水田、旱地和园地3 者易混淆。

    B4 (SW ) : 旱地> 道路> 居民地> 水田> 园地> 水体, 旱地与水田和园地差异明显, 但水和园地容易混淆。

    B5 (NDV I) : 水田> 旱地> 园地> 道路> 居民地>水体, 水田、旱地和园地3 者几乎重叠, 但与水体、居民地和道路差异显著, 尤其是水体, 数值很低。覆盖植被的水田、旱地和园地信息整体提取容易, 但3 者之间区分困难。

    B6 (PRV I) : 水田、旱地> 园地> 道路> 居民地>水体, 水田和旱地几乎重叠, 但两者与园地都有明显的区别。

    2) 地物不同波段的光谱特征分析

    水体:B3> B2> B1> B4

    居民地:B4> B3> B2> B1

    道路:B4> B3> B1> B2

    水田:B1> B4> B3> B2

    旱地:B4> B1> B3> B2

    园地:B1> B3> B4> B2

    由上述分析可以看出: ①在原始影像的4 个波段中, 居民地与旱地和园地都有重叠, 利用阀值不能提取耕地信息。而在特征波段NDV I 中, 耕地(旱地、水田)和园地与其它地物差异显著, 同时具有相似的光谱特, 即B1 ( IR ) > B2 ( red)。由此可以去掉绝大部分的水体和居民地。②在B4 (SW ) 上, 旱地与水田和园地的差异明显, 几乎没有重叠, 通过阀值可以提取旱地。③水田和园地在所有波段都容易混淆。但是通过对训练样区中水田和园地进行分析后发现在B1 ( IR ) 和B4 (SW ) 上,都有: 水田> 园地, 而在B2 ( red) 上是: 园地> 水田。在利用PRV I 植被指数运算得到的新波段中, 水田和园地的亮度值有明显差异, 通过设置阀值可以提取水田信息, 同时也有利于区分旱地和园地.

     

     

    展开全文
  • 典型信息系统项目的十一个特点

    千次阅读 2013-07-09 15:13:22
    1、目标不明确 2、需求变化频繁 3、智力密集型 4、设计队伍庞大 5、设计人员高度专业化 6、涉及的承包商多 ...以上这些信息系统项目的特点是由于信息系统的特殊性所决定的。 一般来说,信息系统项目
    1、目标不明确
    2、需求变化频繁
    3、智力密集型
    4、设计队伍庞大
    5、设计人员高度专业化
    6、涉及的承包商多
    7、各级承包商分布在各地,相互联系复杂
    8、系统集成项目中需研制开发大量的软硬件系统
    9、项目生命周期通常较短
    10、通常要采用大量的新技术
    11、使用与维护的要求非常复杂

    以上这些信息系统项目的特点是由于信息系统的特殊性所决定的。

    一般来说,信息系统项目属于典型的多学科合作项目,一般需要多种学科配合,如地理信息系统(GIS),需要地理信息技术、电子技术、无线射频技术等。

    开发商要向客户提供具有针对性的整合应用解决方案,这就要求开发商除了有IT放卖弄的技术外,必须还要有教丰富的行业经验。

    项目的销售过程是对客户需求的完善和明确的过程,同时又是使客户建立信心的过程,因此在业务环节中会涉及到不同专业的人员和技术。

    在信息系统项目中,由于用户的不同特点和需求,每一个信息系统项目都喝其他工程不完全一样,因此需要进行一定得定制,带有一些非标准的问题,每一个项目都可以带来一些新意。

    同时,由于信息系统项目要求对用户的行业经验有较好的掌握,这也造成了信息系统开发企业的信客户发展较困难:一方面信息系统的行业特征较明显,而行业差异较大,渗透到其他行业较困难;另一方面客户来源主要受其他客户影响,因此对客户的服务要求较高,而客户的应用变化较快,需求不稳定,要客户满意相对困难。
    展开全文
  • 大数据的四个典型特征

    万次阅读 2018-09-09 12:48:53
    ”业界通常用4个V(即Volume、Variety、Value、Velocity)来概括大数据的特征。  一是数据体量巨大(Volume)。截至目前,人类生产的所有印刷材料的数据量是200PB(1PB=210TB),而历史上全人类说过的所有的话的数据量...

    大数据(Big Data)是指“无法用现有的软件工具提取、存储、搜索、共享、分析和处理的海量的、复杂的数据集合。”业界通常用4个V(即Volume、Variety、Value、Velocity)来概括大数据的特征。
        一是数据体量巨大(Volume)。截至目前,人类生产的所有印刷材料的数据量是200PB(1PB=210TB),而历史上全人类说过的所有的话的数据量大约是5EB(1EB=210PB)。当前,典型个人计算机硬盘的容量为TB量级,而一些大企业的数据量已经接近EB量级。
        二是数据类型繁多(Variety)。这种类型的多样性也让数据被分为结构化数据和非结构化数据。相对于以往便于存储的以文本为主的结构化数据,非结构化数据越来越多,包括网络日志、音频、视频、图片、地理位置信息等,这些多类型的数据对数据的处理能力提出了更高要求。
        三是价值密度低(Value)。价值密度的高低与数据总量的大小成反比。以视频为例,一部1小时的视频,在连续不间断的监控中,有用数据可能仅有一二秒。如何通过强大的机器算法更迅速地完成数据的价值“提纯”成为目前大数据背景下亟待解决的难题。

        四是处理速度快(Velocity)。这是大数据区分于传统数据挖掘的最显著特征。根据IDC的“数字宇宙”的报告,预计到2020年,全球数据使用量将达到35.2ZB。在如此海量的数据面前,处理数据的效率就是企业的生命。

    展开全文
  • 行人检测 特征 典型方法

    万次阅读 2016-08-30 16:28:29
    1.行人特征 2.行人检测典型方法

    1.行人特征

    行人特征描述子可以分为三类:底层特征,混合特征和基于学习的特征。底层特征指的是颜色、纹理和梯度等基本的图像特征。这些单一特征可以计算速度快,并且可以利用积分图技术快速计算,但是只从某一方面如梯度或者纹理来描述行人特征,判别力较差。混合特征指的是多种底层特征的融合,或者是底层特征的高阶统计特征。这种特征能从不同的侧面来刻画图像特征,提高检测的准确率,但是随着特征的维度增加,特征的计算和分类器的检测时间也增加,影响实时性。基于学习的特征目前一般是指神经网络直接从原始图像学习得到的特征。这种特征能从大量的样本中学习出判断能力较强的特征,在行人检测中表现很出色,但是它的计算依赖高性能的硬件,也和训练样本密切相关,若样本不具有代表性,很难学习到好的特征。

    用于行人检测的底层特征主要包括Haar, HOG, LUV, LBP等。Haar特征由VJ在应用到人脸检测中,其特征的简单表示如图所示。每一个特征值对应为图中一个矩形区域块的计算结果,在计算时通过黑色部分像素之和减去白色部分像素之和得到。对同一个区域块做计算时,不同的计算方法将得到同一个区域块不同的特征值。


    Dalal等提出的HOG[2] 特征是目前最有效的行人单一特征描述子。HOG刻画了图像的局部梯度幅值和方向特征,基于梯度特征,对块的特征向量进行归一化处理,允许块之间相互重叠,因此对光照变化的小量的偏移并不敏感,能有效地刻画出人体的边缘特征。HOG尤其缺点:维度高、计算慢。针对这些缺点,Zhu等[3]允许HOG中块大小可变,利用积分直方图技术来快速计算HOG特征,通过Adaboost 算法选择判别能力较强的块,然后构建级联分类器,该方法的检测速度比Dalal等的快将近70倍。Wojek等[4]则采用并行技术,在GPU上实现HOG,构建了一个实时的行人检测系统。

    LBP 最早是由Ojala等[5]提出的一种用于纹理分类的特征提取方法,广泛应用在人脸识别中。Mu等[6]根据行人的特点,提出 LBP 的两个变种:Semantic –LBP( S -LBP) 和Fourier LBP (F-LBP)。Wang等[7]则简单地将局部图像块的LBP直方图特征串联起来作为行人的特征描述子,其检测性能不比S-LBP差,但Walk等[8]在其它行人数据集上的实验表明 HOG 与 LBP 特征的结合并没有提高检测性。究其原因是 LBP 在图像比较模糊或者光照变化强烈等成像条件较差时,不能有效地刻画出纹理特征。与LBP特征类似的有,Wu等[9]提出的CENTRIST特征,即 CENsus TRansformhISTogram。该特征能刻画场景的全局信息,最早用在场景分类中。2011年Wu等将CENTRIST应用在行人检测中[10],利用积分图技术快速计算该特征,并与级联分类器相结合构建了一个实时的行人检测系统。

    颜色特征如LUV,是最基本的图像特征,易受光照的影响,不适合作为行人的特征描述子,但是由于人体的结构具有相对的稳定性,不同部位的颜色之间差异较小,因此Walk等[11]提出了颜色自相似特征来刻画局部块特征之间的相互关系,与HOG特征相结合,大大提高了检测性能。

    Dollar等提出的积分通道特征[12]是一种典型的混合特征。他利用积分图技术对图像的各特征通道,如局部和,梯度方向直方图和哈尔特征等进行快速计算。该方法不仅将多特征有机结合起来,且解决了多特征融合计算速度慢的特点。2014年,Dollar等又提出了使用近似计算构建聚合多通道特征的特征金字塔的方法[13]。这种方法采用的混合特征包括LUV颜色特征、梯度幅值和梯度方向直方图,利用相邻尺寸之间特征比与尺寸比的幂指关系近似计算图像的多尺寸特征构建特征金字塔。

    基于学习的特征一般是神经网络的特征,如使用卷积神经网络提取的特征。卷积神经元每一个隐藏层的单元提取图像的局部特征,将其映射成一个平面,特征映射函数采用sigmoid函数作为卷积网络的激活函数,使得特征映射具有平移不变性。每个神经元与前一层的局部感受野相连。卷积神经网络通过局部感受野,共享权值和亚采样来保证图像对位移、缩放和扭曲的鲁棒性。

    2.行人检测典型方法

    目前用于行人检测的方法大致可以分为两类:手工设计模型和深度学习模型。手工设计模型使用人工设计的特征,如HOG,LBP等以及它们之间的组合,分类器一般采用SVM或增强学习等。深度学习模型使用卷积和池化操作从原始图像中提取卷积特征,并使用全连接层作为行人分类器。

    手工设计模型又称为传统方法。VJ等[1]采用Adaboost和多尺度Haar小波过完备基结合的方式进行行人检测,并利用用积分图来完达到快速特征计算的目的。Dalal等[2]提出了HOG特征用于行人的特征描述,并通过实验证明HOG比基于灰度的特征更富有信息,同时利用线性SVM作为分类器。这种方法是速度和效果综合平衡性能较好的一种行人检测算法,后来很多种改进的算法都是以该算法作为基本框架。因此HOG+SVM作为一个里程碑式的算法被写入到OpenCV中。2007年,PedroFelzenszwalb等提出了DPM[14]的模型,其大体思路与HOG一致,首先计算梯度方向直方图,然后使用SVM训练得到物体的梯度模型。为了适应物体的运动和变形,加入子模型检测物体的子部件,这种方法取得了很好的检测效果,连续获得VOC 07,08,09年的检测冠军。Dollar等首次使用了融合多种通道的特征[12],采用局部和,梯度方向直方图和哈尔作为行人的特征描述子,并且借助于积分图来快速地计算,分类器采用AdaBoost。并且通过实验证明多种通道特征比单一HOG特征具有更好的性能。2014年Dollar等又提出快速构建特征金字塔的方法[13],使用了LUV颜色特征、梯度幅值和梯度方向直方图组成的聚合多通道特征,使用AdaBoost方法检测行人。这种方法在640×480的图片上达到每秒30帧的检测速度,基本接近实时检测。

    深度学习模型模拟了人脑的视觉感知系统,从原始图片中直接提取特征,特征通过逐层传递,,获得图片的高维信息,使得其在计算机视觉领域取得了巨大的成功。随着深度神经网络日趋火热,深度学习模型也被大量的应用于行人检测中。Ouyang等[15]使用深度模型从图片中提取特征,通过网络学习人体子部件的可见性处理行人检测中的遮挡问题。Sermanet等[16]利用卷积稀疏编码非监督训练卷积神经网络,并将其应用于行人检测。Tian等[17]通过对行人的标注加入语义信息如背包,骑车等来训练网络,取得良好的效果。

    [1] P. Viola, M. J. Jones, and D.Snow, “Detecting pedestrians using patterns of motion and appearance,” IJCV,vol. 63, no. 2, pp. 153–161, 2005.

    [2]N. Dalal, and B. Triggs, “Histograms of oriented gradients for human detection,”in CVPR, 2005, pp. 886- 893.

    [3]Q. Zhu, C. Yeh, and T. Cheng, “Fast human detection using a cascade of histogramsof oriented gradients,” in CVPR , 2006, pp. 1491- 1498.

    [4]C. Wojek, and B. Schiele, “A performance evaluation of single and mult- ifeature people detection,” in DAGM, 2008.

    [5]T. Ojala, M. Pietikainen, and D. Harwood, “A comparative study of texturemeasures with classification based on feature distributeons,” PatternRecognition, 1996, vol. 19, no. 3, pp. 51- 59.

    [6]Y. Mu, S. Yan, and Y. Liu, “Discriminative local binary patterns for pedestriandetection in personal album,” in CVPR, 2008.

    [7]X. Wang, X. Han, and S. Yan, “A HOG - LBP human detector with partial occlusionhandling,” in ICCV, 2009.

    [8]S. Walk, N. Majer, and K. Schindler, “New features and insights for pedestriandetection,” in CVPR, 2010.

    [9]J. Wu, and J. Rehg, “CENTRIST: A visual descriptor for scene categorization,” PAMI,vol. 33, no. 8, pp. 1489- 1501, 2011.

    [10]J. Wu, C. Geyer, and J. Rehg, “Rea- l time human detection using contour cues,”in ICRA, 2011, pp. 860- 867.

    [11]S. Walk, N. Majer, and K. Schindler, “New features and insights for pedestriandetection,” in CVPR, 2010.

    [12]P. Dollar, Z. Tu, and P. Perona, “Integral channel features,” in BMVC, 2009, pp.1-11.

    [13]P. Dollar, R. Appel, S. Belongie, and P. Perona, “Fast feature pyramids forobject detection,” PAMI, vol. 36, no. 8, pp. 1532–1545, 2014.

    [14]P. F. Felzenszwalb, R. B. Girshick, D. McAllester, and D. Ramanan, ”Objectdetection with discriminatively trained part-based models,” PAMI, vol. 32, no.9, pp. 1627–1645, 2010.

    [15]W. Ouyang and X. Wang, “A discriminative deep model for pedestrian detectionwith occlusion handling,” in CVPR, 2012, pp. 3258–3265.

    [16]W. Ouyang and X. Wang, “A discriminative deep model for pedestrian detectionwith occlusion handling,” in CVPR, 2012, pp. 3258–3265.

    [17] Y. Tian, P. Luo, X. Wang, and X. Tang,“Pedestrian detection aided by deep learning semantic tasks,” in CVPR, 2015,pp. 5079–5087.
    展开全文
  • 一个流氓软件会有哪些典型特征

    千次阅读 2020-03-15 15:46:04
    loonggg读完需要2分钟速读仅需 1 分钟大家好,我是你们的校长。前几天看到一个问题,有人问:一个流氓软件具有哪些典型特征呢?其实,流氓软件属于一...
  • ”业界通常用4个V(即Volume、Variety、Value、Velocity)来概括大数据的特征。 一是数据体量巨大(Volume)。截至目前,人类生产的所有印刷材料的数据量是200PB(1PB=210TB),而历史上全人类说过的所有的话的数据量...
  • 闲谈IPv6-典型特征的一些技术细节

    千次阅读 2012-11-10 20:54:22
    目前大量的应用都是C/S模式(B/S也是CS的一种)的,数据流特征基本是单向的,并且广域网的接入层也迎合了这种态势,ADSL正是其体现,不对称性正是IPv4的缺陷以及NAT修补造成的。  IPv6风靡之后,全球所有的节点在理论...
  • 信息论在统计物理(热力学)、计算机科学(科尔莫戈罗夫复杂度或算法复杂度)、统计推断(奥卡姆剃刀,最简洁的解释最佳)以及概率和统计(关于最优化假设检验与估计的误差指数)等学科中都具有奠基性的贡献。...
  • 研发人员的几个典型性格特征

    千次阅读 2019-02-02 16:44:00
    信息经济对传统的雇佣关系提出了新的挑战,研发人员的忠诚感更多是针对自己的专业而不是雇主。 (8)高度自尊。研究开发人员由于受到过良好的教育,从事研究开发工作所要求的独立思考,研究开发工作所面临的来自内部...
  • 今天邀你共同赏析的影像技术案例是《城市典型用地信息遥感提取系统》。为满足决策部门及行业领域专业人士方便、快捷、直观的从高分辨率遥感影像中获取建筑物及绿地信息的需求,实现对土地的实时有效监测,城市典型...
  • 典型推荐算法总结

    万次阅读 多人点赞 2018-11-23 21:05:42
    推荐算法种类很多,但是目前应用最广泛的应该是协同过滤类别的推荐算法,本文就对协同过滤类别的推荐算法做一个概括总结,后续也会对一些典型的协同过滤推荐算法做原理总结。 1. 推荐算法概述  推荐算法是非常...
  • 典型的CNN架构

    千次阅读 2019-06-12 10:05:43
    典型的CNN架构:图像先进行多层卷积层(每个卷积层后一个接relu层和一个池化层)处理后输入给全连接神经网络层和relu层最后是输出层Softmax层输出预测的类概率,卷积层的卷积核过大会增加权重值的计算量卷积后的结果...
  • SpringBoot整合RabbitMQ之 典型应用场景实战一

    万次阅读 多人点赞 2018-10-09 15:08:04
    特别是在一些典型的应用场景以及业务模块中具有重要的作用,比如业务服务模块解耦、异步通信、高并发限流、超时业务、数据延迟处理等。 其中课程的学习链接地址:https://edu.csdn.net/course/detail/9314 ...
  • 典型销售面试问题

    千次阅读 2012-10-11 10:26:18
    典型销售人员面试问题 浏览: 16058 | 更新: 2012-02-17 15:58 | 标签: 面试  17  6 简介 典型销售人员面试问题。在销售人员面试时,面试官往往会准备一些...
  • HTTP请求/响应事务的一个基本特征...4种典型的会话跟踪方法。 使用Cookie URL重写 隐藏的表单域 session session大家都很熟悉了 在这里就述说其他三种吧 使用Cookie Cookie是当客户浏览某网站时...
  • 典型数据库架构设计

    万次阅读 2018-05-02 13:20:40
    一、用户中心用户中心是一个常见业务,主要提供用户注册、登录、信息查询与修改的服务,其核心元数据为:User(uid, uname, passwd, sex, age,nickname, …)其中:uid为用户ID,主键uname, passwd, sex, age, ...
  • 基于典型相关分析(CCA)的多元变化检测算法(MAD)

    千次阅读 多人点赞 2019-03-29 21:20:49
    多元变化检测算法MAD基于典型相关分析CCA,是以投影特征差值方差最大化为准则提出的变化检测算法。 1 典型相关分析(CCA) MAD算法的基础是典型相关分析(Canonical Correlation Analysis, CCA),因此下面先介绍CCA。...
  • 软件工程五种典型的开发模型各自特点----阿冬专栏

    万次阅读 多人点赞 2016-05-19 10:46:28
    特点: 阶段间具有顺序性和依赖性: 前一阶段完成后,才能开始后一阶段 前一阶段的输出文本为后一阶段的输入文本 推迟实现的观点 质量保证: 每个阶段必须交付出合格的文档 对文档进行审核 ...
  • 机器学习的种类及其典型的任务

    万次阅读 2016-11-25 23:07:04
    学习的种类:监督学习,无监督学习,强化学习 典型任务:回归,分类,故障检测,聚类,降维
  • 典型相关分析CCA和主成分分析PCA非常相似,都是通过现有变量的线性组合构造新的综合变量以实现减少变量数目但代表几乎同样多的信息的目的。只是CCA分析的是两组变量,是要把每一组变量用一个线性组合综合变量表示,...
  • Zookeeper典型应用场景介绍

    万次阅读 多人点赞 2018-07-07 22:08:05
    1.前言之前自己写了一些关于Zookeeper的基础知识,Zookeeper作为一种协调分布式应用高性能的调度服务,实际的...一致性配置管理我们在开发的时候,有时候需要获取一些公共的配置,比如数据库连接信息等,并且偶然...
  • CCA典型关联分析原理与Python案例

    千次阅读 2020-07-02 09:03:08
    点击上面"脑机接口社区"关注我们更多技术干货第一时间送达Hello,大家好!Rose今天分享一下CCA的相关原理以及Python应用,CCA在EEG等脑电数据的特征提取中...
  • 典型相关分析相关资料

    万次阅读 多人点赞 2012-05-20 17:29:14
    典型相关分析的基本思想 Canonical Correlation Analysis   CCA典型相关分析 (canonical correlation analysis)利用综合变量对之间的相关关系来反映两组指标之间的整体相关性的多元统计分析方法。它的基本原理...
  • 物联网发展现状与典型应用

    千次阅读 2020-11-06 12:14:03
    发展现状 物联网是一个非常复杂,庞大的体系,需要多方面共同构建实现,如需要半导体厂商提供处理、存储等芯片,需要运营商建设物联网网络,需要互联网企业提供后台...物联网典型应用 共享单车 智能家居 智慧农业 ...
  • 典型的数字水印软件

    千次阅读 2011-06-09 11:04:00
    SysCop系列产品最突出的特点是允许在图像(PPM/PGM/PBM、GIF、TIFF和JPEG格式)和视频信号(MPEGI和 MPEGII)中灵活地隐藏各种长度的信息。 ----SysCop系列包括水印开发包SysCop API、水印嵌入工具 SysCop Writer...
  • 典型相关分析(CCA)

    万次阅读 多人点赞 2014-09-14 22:12:17
    典型相关分析的基本思想 Canonical Correlation Analysis CCA典型相关分析 (canonical correlation analysis)利用综合变量对之间的相关关系来反映两组指标之间的整体相关性的多元统计分析方法。它的基本原理...
  • 典型相关分析原理(CCA)

    千次阅读 多人点赞 2020-01-21 12:29:17
    CCA典型相关分析 (canonical correlation analysis)利用综合变量对之间的相关关系来反映两组指标之间的整体相关性的多元统计分析方法。它的基本原理是:为了从总体上把握两组指标之间的相关关系,分别在两组变量中...
  • 八大典型APT攻击过程详解

    千次阅读 2016-01-13 21:51:39
    APT攻击是近几年来出现的一种高级攻击,具有难检测、持续时间长和攻击目标明确等特征。本文中,小编带你细数一下近年来比较典型的几个APT攻击,分析一下它们的攻击过程。 AD:51CTO 网+首届APP创新评选大赛火热...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 251,057
精华内容 100,422
关键字:

信息的典型特征