BING（Binarized Normed Gradients for Objectness Estimation at 300fps）学习笔记

一、基本思想：

通用的目标都有一个共同的特征：独立且有完整封闭轮廓。

而完整封闭轮廓可以通过梯度幅度图像来表征。

用归一化的梯度幅度（NG）特征构建样本，简单的线性SVM即可实现分类。

 

 

 

二、主要贡献点：

1. 封闭轮廓的特征有效反映了一般目标的基本特征 。

2. 解决检测速度问题：

将特征进行二值化处理， 特征矩阵利用分页方法表示。

8*8的图像对应个8*8的二进制向量，每个8*8的二进制向量按照INT64的格式存储。

对SVM模型向量也采用二值化表示：

 

（1）      像素特征向量可以通过相邻像素特征向量的移位和取或操作快速获取，类似于积分图

（2）      内积和求模操作可以通过按位与、统计1位数等基本操作完成，乘法通过移位操作完成。

 

二进制向量：内积->先按位与再求1位数

             求模->求1位数