能对各种对象准确迅速做出反Р映。但是对计算机来说,它所能“看”到的只是一个数值矩阵,它并没有如我们人类Р一样的功能强大的感官和认知系统。尤其重要的是人脑具有反馈学习的功能,而我Р们对此内在机制却认识很少,这也很大程度上限制了识别的效率。我们的目标是从Р这些数字中分析提取出有用的特征,并与有限的特征集进行比对,从而判断出是否Р包含特定的目标。因此这种方法并不总是准确的,很多时候存在很大的偏差,其中Р我们的目的之一就是如何减少这种误差。Р(2)目标物体的类型众多,每种目标其特征都不一样。即使是同一类目标,其Р特征也是不同的。有时候同一类特征更容易受到其他自然条件的影响所呈现出来的Р结果是不一样的。比如基于动物形状的识别技术,有些动物的外形特征是很相近的,Р这无形中增加了识别的难度,就是同一种动物它在不同姿态下所显示的外形特征也Р不一样。还有更多的时候它会受到光照效果和观察点角度的影响,在识别多个目标Р物体的时候会有遮挡现象发生,这些现象使得我们的单一特征无能为力。国外对这Р些情形做了细致的研究,提出的集群模型综合以上各种因素进行分析比较,但由于Р它考虑的因素太多而使其效率不高。Р(3)此外不可忽视的另外一个重要因素就是噪声的影响。我们要识别的对象一Р般包含在图像中,在图像的采集和传输过程中都不可避免的产生噪声,如图像传感Р器采集的图像会受到环境条件和自身质量因素的影响。D 摄像机拍摄图像Р时,光照程度和传感器温度使产生大量噪声的主要因素。图像在传输过程中由于传Р输信道被干扰而受到污染也会产生大量噪声。这些噪声混杂在目标中,使得我们的Р处理和分析极为困难。Р基于 HOG 特征的目标识别算法综合考虑了以上各种因素,广泛运用于智能视频Р监控系统中,如智能交通、机场检测、公安消防预警系统等。它主要考虑的是在没Р有人为干预的情况下,通过对摄像机拍摄的一系列图像进行自动分析和跟踪,从中Р2
全文预览
