Using Haar-Like feature extraction

Using Haar-Like feature extraction shown as Eq. (7) to calculate segmentation blocks feature parameter as show in Figure 9. Therefore, make the car of bottom of the shadow is black blocks and white block for the up, right and left three directions respectively. And then segmentation vehicle block as show in Figure 10 from original image as shown in Figure 11 and calculate to gray value of sum of each block, and then each block of sum to normalize. The normalize value is the vehicle feature, if the vertical feature value is more than 0.15 and horizontal feature value more than 0.4, then marking the vehicle.

ผลลัพธ์ (ไทย) 1:

ใช้สกัดคุณลักษณะ Haar เหมือนแสดงเป็น Eq. (7) การคำนวณแบ่งช่วงภายในพารามิเตอร์เป็นการแสดงในรูปที่ 9 ดังนั้น ทำให้รถของล่างของเงาได้บล็อกสีดำและกรอบสีขาวขึ้น ขวา และซ้ายสามสายตามลำดับ แล้วแบ่งรถบล็อกตามที่แสดงในรูปที่ 10 จากภาพเดิมดังแสดงในรูปที่ 11 และคำนวณค่าผลรวมของแต่ละบล็อคสีเทา และแต่ละบล็อกรวมปกติแล้ว ค่า normalize คือ คุณลักษณะรถ ถ้าค่าคุณลักษณะแนวตั้งคือค่าคุณลักษณะ 0.15 และแนวนอนมากกว่า 0.4 แล้ว ทำเครื่องหมายรถมากกว่า

ผลลัพธ์ (ไทย) 2:

การใช้ Haar ชอบดึงแสดงเป็นสมการ (7) การคำนวณการแบ่งส่วนบล็อกที่มีพารามิเตอร์แสดงในรูปที่ 9 ดังนั้นทำให้รถของด้านล่างของเงาเป็นบล็อกสีดำและสีขาวสำหรับบล็อกขึ้นขวาและซ้ายตามลำดับสามทิศทาง และจากนั้นก็แบ่งส่วนบล็อกของยานพาหนะเป็นแสดงในรูปที่ 10 จากภาพต้นฉบับดังแสดงในรูปที่ 11 และคำนวณเป็นสีเทาค่าของผลรวมของแต่ละบล็อกแล้วบล็อกของจำนวนเงินแต่ละปกติ ค่าปกติคือคุณลักษณะรถถ้าค่าคุณลักษณะแนวตั้งมากกว่า 0.15 คุณลักษณะและความคุ้มค่าในแนวนอนมากกว่า 0.4 แล้วทำเครื่องหมายยานพาหนะ

ผลลัพธ์ (ไทย) 3:

เธอชอบใช้คุณลักษณะการสกัดแสดงเป็นอีคิว ( 7 ) เพื่อคำนวณการตัดบล็อกคุณลักษณะพารามิเตอร์ตามที่แสดงในรูปที่ 9 ดังนั้น ให้รถเงาดำด้านล่างของบล็อกและบล็อกสีขาว ขึ้น ซ้าย และขวา 3 เส้นทางคือแล้วการตัดบล็อกตามที่แสดงในรูปที่ 10 รถจากภาพต้นฉบับ ดังแสดงในรูปที่ 11 และคำนวณค่าสีเทาของผลรวมของแต่ละบล็อก และแต่ละบล็อกของผลรวมปกติ . การปรับค่ายานพาหนะคุณลักษณะ ถ้าค่าคุณลักษณะแนวตั้งมากกว่าแนวนอนมากกว่า 0.15 และคุณลักษณะค่า 0.4 แล้วเครื่องรถ