用于目标检测的二值化范数梯度

目标跟踪与检测已成为计算机视觉领域最重要,最活跃的研究领域之一。 近年来已经提出了大量的跟踪和检测算法,这些算法解决了物体遮挡,快速运动,变形,比例变化或照度变化的问题。 但是,在重咬合中仍然存在一些严重的问题。 本文基于TLD(Tracking-Learning-detection,跟踪学习学习)框架,利用二值化范数梯度(BING)通过线性支持向量机(Support Vector Machine,SVM)对目标得分进行客观性搜索。 首先,我们将输入窗口的大小调整为不同的量化大小(例如8 8)并计算每个调整大小后的图像的标准梯度。 然后根据固定窗口中物体和背景的不同梯度模型,可以快速准确地定位目标物体。 最后,将二值化范数梯度(BING)用于有效的目标估计。 实验结果表明,该方法能够解决物体重遮挡问题,提高了物体检测率。