تکنیک های مختلف استخراج ویژگی
ترجمه نشده

تکنیک های مختلف استخراج ویژگی

عنوان فارسی مقاله: مطالعه مقایسه ای تکنیک های مختلف استخراج ویژگی برای تشخیص عابر پیاده
عنوان انگلیسی مقاله: Comparative Study of Various Feature Extraction Techniques for Pedestrian Detection
مجله/کنفرانس: علوم کامپیوتر پروسیدیا – Procedia Computer Science
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: معماری سیستم های کامپیوتری
کلمات کلیدی فارسی: تشخیص عابر پیاده، الگوی دوگانه محلی متقارن مرکزی، ویژگی قدرتمند سریع، الگوی دوگانه محلی متقارن مرکزی قابل تعمیم، هیستوگرام شیب های جهت دار
کلمات کلیدی انگلیسی: Pedestrian detection; center symmetric local binary pattern; speeded up robust feature; extended center symmetric local binary pattern; HOG
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.procs.2019.06.098
دانشگاه: PES UNIVERSITY, Bengaluru-85, India
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 1.257 در سال 2018
شاخص H_index: 47 در سال 2019
شاخص SJR: 0.281 در سال 2018
شناسه ISSN: 1877-0509
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 7
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E12359
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


1-Introduction


2-Proposed Methodology


3-Experimental Outcome and Discussion


4-Conclusion


5-References

نمونه متن انگلیسی مقاله

Abstract


This paper presents, feature extraction techniques such as center symmetric local binary pattern (CSLBP), extended CSLBP (XCSLBP), speeded-up robust feature (SURF) with 64 and 128 feature descriptors and histograms of oriented gradients (HOG) applied on a set of images from INRIA person database, to detect pedestrians. About fifteen feature sets created using different combinations of the aforementioned methods are compared using two detectors, random forest (RF) and support vector machine (SVM). Performance validation is done based on the accuracy, precision, recall and space required for storing feature vectors. Experimental results have shown that CSLBP and the novel XCSLBP+CSLBP feature sets yield 100% accuracy, when used with RF classifier, whereas, the novel SURF-128+XCSLBP combination and SVM linear classifier gave 99.2% accuracy in detecting pedestrians.


Introduction


Pedestrian detection is the most challenging intelligent system applications that would be helpful in advanced driver-assistance systems (ADAS). This need to detect pedestrians is quenched with various recently proposed feature extraction and classification techniques, which can be used in the separating pedestrian images from nonpedestrian images. In the past, researchers have proposed several approaches for pedestrian detection and object detection in general. Histograms of oriented gradients (HOG)1 is one such feature extraction method, when applied in combination with linear support vector machine (SVM) on MIT pedestrian dataset close to perfect results were obtained. Furthermore, the performance of HOG was proved better using another dataset named ‘INRIA’, consisting of human images with different backgrounds and pose variations. The progress of pedestrian detection techniques in a span of ten years was studied in detail2 where HOG was the most widely used technique in combination with other methods.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

تکنیک های مختلف استخراج ویژگی
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها