《表1 Googlenet(5级)人流密度估算结果》
此外,还进行了其他的对比工作。如将GLCM作为纹理描述,将SVM用于图像分类。GLCM在0°、45°、90°和135°方向上生成了能量、相关性、对比度和同质性特征,这些特征构成了16维特征向量,输入到由10个二元SVM分类器组成的多类支持向量机中。多类SVM模型是由景区样本子集中得到的。图6显示了GLCM-SVM方法和本文对景区附体数据集的深入学习方法的分类结果对比。导致性能差别的原因是:前者的方法将归一化后GLCM中的一些特征参数作为特征,但在有密集的栏杆和大量的广告牌的场所,测试场景中就会有大量的纹理特征(见图4和图5)。因此在这种有其他物件干扰的情况下,其倾向于将场景估计为高密度。然而,自动获取的CNN特征图与纹理背景无关,相比手工特征具有较好的通用性。
图表编号 | XD00131677000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.05 |
作者 | 马骞 |
绘制单位 | 西安航空职业技术学院 |
更多格式 | 高清、无水印(增值服务) |