Resumen

Este artículo estudia el algoritmo tradicional de clasificación y reconocimiento de objetivos basado en la extracción de características Histogram of Oriented Gradients (HOG) y la clasificación de Máquinas de Vectores de Soporte (SVM), y aplica este algoritmo al reconocimiento de imágenes de inteligencia artificial distribuida. Debido al gran número de imágenes, la velocidad de detección general no puede cumplir con los requisitos. Hemos mejorado el algoritmo de extracción de características HOG. Utilizando el análisis de componentes principales (PCA) para realizar operaciones de reducción de dimensionalidad en las características HOG y llevando a cabo experimentos de reconocimiento de imágenes de inteligencia artificial distribuida, los resultados muestran que la eficiencia de detección de imágenes se mejora ligeramente, y también se mejora la velocidad de detección. Este artículo analiza la razón de estos cambios porque PCA utiliza principalmente la información de características útiles en las características HOG. Se estudia el procesamiento de paralelización de características HOG en la unidad de procesamiento gráfico (GPU). La GPU se utiliza para cálculos

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Tradicional; Clasificación de objetivos; Algoritmo de reconocimiento; Histograma de Gradientes Orientados; Extracción de características HOG; Máquina de Vectores de Soporte
• Keywords:Traditional; Target classification; Recognition algorithm; Histogram of Oriented Gradients; HOG feature extraction; Support Vector Machine