在目前人工智能技术的发展与需求加大的背景下,行人检测作为计算机视觉领域中的重要问题,也成为重点的研究方向。结合传统算法支持向量机,提出了一种将改进卷积神经网络的特征提取与传统的支持向量机的分类器相结合的方法。首先对图像构建多尺度图像子块,对子块进行CNN特征提取分类,再对输出特征图用支持向量机进行二次分类。实验表明,该方法对于行人检测具有较高的准确率和召回率,高于传统方法。为起点从I上裁剪w×h的图像子块;endforendforendforendfor采用双线性插值法将图像子块尺寸归一化为W'×H';输出:图像子块的集合1．2卷积神经网络的特征提取对于构建的多尺度图像子块进行CNN特征提取， 本文有公司网站全自动滚圆机采集转载中国知网整理 http://www.gunyuanji.com  本文采用的CNN框架为LeNet5网络架构，LeNet5是LeCun提出的利用卷积神经网络识别分类图片。如图2所示，其中处理层包括卷积层c1和c3，下采样层s2和s4，全连接层，最后是输出层。投影视频防抖算法-电动折弯机数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机图2LeNet－5结构框为起点从I上裁剪w×h的图像子块;e采用双线性插值法将图像子块尺寸归一化为W'×H';输出:图像子块的集合1．2卷积神经网络的特征提取对于构建的多尺度图像子块进行CNN特征提取，本文采用的CNN框架为LeNet5网络架构，LeNet5是LeCun提出的利用卷积神经网络识别分类图片。 本文有公司网站全自动滚圆机采集转载中国知网整理 http://www.gunyuanji.com  如图2所示，其中处理层包括卷积层c1和c3，下采样层s2和s4，全连接层，最后是输出层。图2LeNet－5结构框频防抖算法。算法流程如图6所示。图6本文算法流程图该算法的实现过程如下:(1)对输入视频的参考帧和当前帧进行预处理;(2)对参考帧和当前帧进行行、列灰度投影;(3)对灰度投影的数据进行互相关运算，得到水平抖动分量和垂直抖动分量;(4)将图像分为若干个16×16的宏块，在每个宏块中，将步骤(3)得到的抖动分量作为块匹配运动估计的初始点的偏移量，以SDSP为模板计算SAD值，匹配到的极小值点即为最佳匹配点;(5)参考帧中的参考点与最佳匹配点间的位移即该宏块的块运动矢量，以此方法，计算出各个宏块的块运动矢量;(6)统计步骤(5)中各个块运动矢量，以出现次数最多的块运动矢量作为参考帧和当前帧间的全局运动矢量;(7)根据步骤(6)中的全局运动矢量进行运动补偿，即将当前帧向全局运动矢量的反方向平移相应大小的像素距离，得到稳定视频序列。初始点的选择是影响块匹配运动估计算法计算效率的一大因素。本文提出的算法的步骤(3)计算出来的水平、垂直方向的抖动分量，实际上是给出了在该算法中进行块匹配运动估计时初始点的位置，同时，可以限定块匹配运动估计时的搜索范围，这是一个“粗调”的过程，相比于单纯的块匹配运动估计算法，以计算出来的点的位置作为第一步进行搜索的位置，可以更加地接近匹配点的位置，这样，可以大大的减少了搜索的点数，提高了计算的速度。“粗调”之后，进行步骤(4)，以DS算法的SDSP模板为搜索策略进行搜索，这样，每个匹配块只进行了一次搜索，搜索的投影视频防抖算法-电动折弯机数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机 本文有公司网站全自动滚圆机采集转载中国知网整理 http://www.gunyuanji.com