引言

在图像视觉领域，对车辆、移动物体以及人脸等进行目标识别是一项重要研究与应用课题，已在交通监控、医疗诊断、图像处理、军事侦查等领域发挥着重要应用实践价值。当下最主流的目标识别框架是可变部件模型[1](Deformable Part Model，DPM)，此模型一直作为核心目标识别算法的基础框架，并且在移动物体行为检测、姿态估计、人脸模式识别等相关领域得到大规模应用。以PASCAL VOC数据集为基础，DPM模型在解决目标对象姿态、图像视觉等多样化问题时，其准确性具有较大优势，然而，弱点在于每张图像识别时间较长，一般单线程需要十几秒[2]。另外，随着仪器设备的不断升级改造，图像视觉清晰度逐渐提高，使得DPM目标识别算法所需计算、搜索等花费时间量成倍增加。但是在摄像监控、图像处理等实践应用中，实时性与准确性同样重要，所以DPM模型是否能够持续高效发展关键在于目标识别实时效果以及计算成本等问题[1]。

近几年来研究学者逐渐在DPM目标识别算法实时速率优化方面开展了深入研究，也取得了进一步成果。对于典型DPM模型，每个目标检测过程中的假设位置分数是其外观分数与形变成本的差值。外观分数是通过一系列滤波器与方向梯度直方图[3](Histogram of Oriented Gradient，HOG)属性特征进行卷积计算而得。为了加快目标识别实时速率，降低计算以及时间成本，通过级联或者从粗略到精细的搜索机制，从而尽可能提前减少无用的低似然度假设。在目标识别准确率维持不变情况下，其方法使得DPM目标识别算法的实时识别速率得到大幅度提高。文献[4]中使用快速选取高效优化的滤波器，从而降低了目标识别训练以及检测时间；将快速傅式变换算法(Fast Fourier Transformation，FFT)应用于卷积计算中，得到了上十倍的速率提升。但是在实际应用测试中，对PASCAL VOC数据集进行单线程目标识别检测时，上述算法在图像识别上花费时间量仍然很大，不利于实际应用。

在对典型DPM模型进行深入分析过程中，DPM利用滑动窗口机制进行目标搜索，由于目标图像分辨率与其滑动窗口数量具有线性关系，可以通过增加滑动窗口数量来提高目标识别准确率。目前基于DPM模型的各种改进算法也均是在提前关闭无用窗口试验情况下开展的。经过对图像视觉的测试分析发现，图像背景区域与全部图像的像素比至少为1/2或以上，在目标识别与检测方面其花费时间量较大。若能够识别与检测出图像背景区域，并且直接能够免去图像背景区域的测试，则能够有效降低目标识别与检测所花费的时间量[5]。所以，基于DPM模型，本文设计出一种以图像似物性检测方法为技术基础的图像视觉目标识别改进算法(IO-DPM)，通过对目标图像进行背景去除、前景提取、无用滑动窗口数量删减等方式，快速提高目标识别与检测速率，从而达到降低目标识别与检测所需时间的目的。

1 图像似物性检测方法

滑动窗口机制[6]作为目前图像目标识别算法的通用方法，其原理是需要目标分类器对每个窗口图像进行滑动评估处理。图像似物性检测方法的出现就是为了减少每个目标分类器需要评估处理的窗口数量[7]。

似物性检测与目标识别考虑的重点各不相同，如似物性检测需要了解目标对象可能在图中什么位置出现，需要解决前景位置问题，而与目标对象类别属性无关；目标识别则需要了解目标对象类别属性，不仅如此，若存在前景位置情况下，还需要了解其具体位置信息，即需要解决“某种物体在某个地方”的问题。所以，似物性检测能够成为目标识别的前提基础[7]。

全面考虑不同δ值下的AP值与目标识别完成平均时间，在如下的测试仿真中选取δ=0.3，那么t表示第0.3m个元素的数值大小。

A(i，j) =Binary[F(i，j)]

2 IO-DPM算法

图1(1)是公开图像数据库中通常测试样本模板，占较大部分内容的是背景信息。但是，对于采用滑动窗口机制的DPM算法而言，在背景部分进行搜索目标对象是无价值的，将会浪费大量时间成本。针对此情况，本文首先利用二进制梯度归一化方法对测试样本图像进行似物性检测，图1(2)-图1(6)是似物性检测生成的候选识别与检测位置；其次将候选识别与检测位置进行归一化合并处理，从而得到目标候选框，如图1(7)所示；最后采用滑动窗口机制对目标候选框中的图像进行搜索操作，能够有效减少滑动窗口数量，并提高目标识别与检测实时能力。

2.1 目标候选框选取

对二进制梯度归一化方法的大量测试结果进行深入分析，可知随着似物性分数不断下降，其似物性区域的范围尺度也不断缩减。依次对区域内的似物性分数进行降序排列，其似物性分数位于10%之前的似物性目标候选框，尽管能够较好地覆盖整体目标对象，然而其目标候选框尺寸过大，使得无用的背景信息过多，不适合进行目标候选框的选取，如图1(2)所示。其似物性分数位于10%—20%之间的似物性目标候选框，可较好地覆盖整体目标对象，采取进一步处理措施，可对目标候选框进行粗略选取，如图1(3)所示。其似物性分数位于20%-50%之间的似物性目标候选框，尽管能够覆盖大部分目标对象，但其目标对象覆盖准确率较低，另外为了降低计算成本，将忽略目标候选框的选取，如图1(4)所示。其似物性分数位于50%-60%之间的似物性目标候选框比较小，尽管无法全部覆盖目标对象，然而其绝大部分均覆盖在目标对象外围区域，进行尺度修正操作[11]可较好完成目标候选框的选取，如图1(5)所示。其似物性分数位于60%之后的似物性目标候选框尺寸过于短小，覆盖在目标对象上的可能性极低，不利于选取目标候选框，如图1(6)所示。为了选取出最优化的目标候选框，深入分析二进制梯度归一化方法的测试结果，提出了候选目标区域的三步选取机制，其详细过程如图2所示。

  

图1 测试样本图像(以人物为例)

 

Fig.1 The test sample image (take the character as an example)

  

图2 候选目标区域的三步选取机制(以鸟为例)

 

Fig.2 The three-step selection mechanism of candidate target area (take bird as an example)

由前文描述可知，目标候选框②是由目标图像外围延边的较小似物性目标候选框选取，采用似物性检测分数处于50%到60%之间的目标疑似位置。其具体选取原理与上面第一步选取目标候选框①相同，获取最小矩阵区域N2，如图2(5)所示。

首先使用二进制梯度归一化方法对目标图像进行似物性检测，依据似物性分数对检测结果进行降序排列，获取p个目标候选疑似位置。经过上文研究可知，其似物性分数在10%-20%的目标候选框，也就是说明排列序号位于p1=[0.1×p]与p2=[0.2×p]之间的目标候选疑似位置用于构建较高似然度的目标候选区域，如图2(2)所示。

接下来对目标候选区域生成算法进行详细描述。假定Rk表示目标候选区域中的第k个候选疑似位置，Fk(i，j)表示每个候选疑似位置像素的示性函数，则有：

 

(1)

其中用I(i，j)表示目标候选区域像素，那么在高似然候选区域中，每个像素I(i，j)出现的频数是F(i，j)，可知：

多数教师之所以不注重于提升自己的专业技能，其根本原因就在于高职院校内体制过于固定，教师们“安于现状”的比重较多。针对此，高职院校可以在师资团队中建立良性的竞争机制，打破待遇平等的这一稳定局面。具体可以聘用专家团队来设定具体的评价标准，并对教师采取公平公开的态度，直接落实科学的分配制度。这样一来，高职院校师资团队便可以高效打破“平均主义”，并高度规范教师们的教育行为和工作状态，有效避免出现教师传播负能量信息、教师传播错误专业知识等现象。

(2)

其次对F(i，j)选取门限值s开展二值化操作，那么：

由于上述算法中存在的各种劣势，文献[9]设计出基于似物性的二进制梯度归一化评估算法。该算法首先对图像进行梯度归一化操作，其次以先验阈值做二值化操作，最后使用样本的二进制图像训练两级支持向量机进行似物性判决[10]。该算法对一个图像只产生一千至两千个目标对象的疑似位置，目标识别与检测速率可提高到每秒350幅图像，并且其疑似准确率可达到97.3%。所以，这些数据信息有力保证了新型目标识别算法的实时性以及目标识别与检测准确性。

 

(3)

假定m×n是样本图像的分辨率大小。将二值化结果A(i，j)全部行进行累加处理，构建m维列向量V，那么每一行的累加方法如下：

 

(4)

首先分别使DPM模型检测框长宽大小增加至原始的1.2倍，那么检测框面积增加至原始的1.44倍。计算扩展框中目标图像每个像素的梯度绝对值，且进行求和操作；其次，将扩展框外围延边逐步向中心收缩，当收缩删除部分所占梯度值的和超过扩展框梯度绝对值总和的5%时，停止收缩操作。如此一来，一方面能够删除背景区域，另一方面能够扩展覆盖至原始预测框不包含的前景区域，如图4所示。此快速扩大-缩小机制优势在于较好地修正简单背景信息的目标图像，然而对于背景纹理信息较为复杂的目标图像而言，因图像边缘灰度值变化明显，则梯度值较大，所以快速扩大-缩小机制效果不是特别明显。但是总体上，快速扩大-缩小机制能够有效优化了目标识别的准确性。

生1：小兔子喜欢吃胡萝卜和青菜。它会蹦到胡萝卜前，闻一闻，再捧起胡萝卜美滋滋地品尝。吃东西的时候，它的胡须还在抖动呢。

 

(5)

目标图像候选区域的范围大小由自然系数δ的选取控制，此门限将对目标识别算法在性能方面产生什么样的影响，需要通过测试实验进行深入分析。同理，对A(i，j)的列进行求和操作且二值化，形成了n维行向量W。在依次对A(i，j)完成列累加二值化以及行累加二值化之后，通过式(6)计算获取0-1矩阵M1。假定在M1中含有全部元素1的最小矩阵区域是N1。如图2(3)所示，即是N1选取出的目标候选框①。

M1=V×W

(6)

第二步：选取目标候选框②

第一步：选取目标候选框①

[2]张朝晖，刘庸下，雷倩.基于SC-AdaBoost的图像目标检测[J].计算机科学，2015，42(7)：309-313.

从前两个步骤可知，目标候选框①与②依次从大、小两种似物性目标候选框中选取而来，然而背景信息部分存在占比较高。为了再次缩小目标候选框，减少滑动窗口数量，本文依据式(7)，对两个最小矩阵区域N1和N2进行与操作，从而得到最终目标候选框，其矩阵区域N如图2(6)所示。

N=N1×N2

(7)

2.2 目标识别与检测

依据上节讨论方法，将选取出的最终目标候选框图像作为输入，利用目标识别算法对其开展目标识别与检测。如图3所示，选取图像的尺寸区域(如图3(2))相对于识别检测图像的尺寸区域(如图3(1))有很大缩减，所以在级联DPM算法的目标识别过程中特征金字塔生成速率得到很大提高。与此同时，因样本图像尺寸范围的缩小，降低了滑动窗口数量，使得目标对象搜索时间得到有效减少。本文将选取图像的识别与检测结果(如图3(3))嵌入在原始尺寸范围下的检测图像(如图3(4))中，目的是为了和标注信息中目标对象的实际位置进行对比分析，从而测试IO-DPM算法的准确性。

  

图3 目标识别与检测过程(以鸟为例)

Fig.3 The object recognition and detection process (take bird as an example)

2.3 检测后操作

每年开展一次的PASCAL VOC挑战赛是一种专业技术比赛，其比赛任务目标是检测目标对象的矩形边界框[12]。依据挑战赛规则，若检测框与标注框出现重合并重合部分小于一半或以下，那么就表明检测框是不正确或错误检测，相反即正确检测。依据部件滤波器的位置合成检测框，DPM目标识别算法生成的检测框没有达到理想状态。经研究分析可知，由于DPM的滤波器与部件滤波器属性定义的影响，在对极小目标对象进行检测时，其生成的输出框相对较大，也就是表明尽管检测框含有目标对象，然而与标注框重合部分不能满足一半及以上的要求。

为了更加直观显示目标图像灰度值的变化情况，可以使用梯度值。一般而言，梯度值与目标对象边缘灰度值是呈现正线性关系，即当目标对象边缘灰度值变化越明显，则梯度值越大[13]。对于背景简单的样本图像而言，其背景灰度值变化细微，那么背景梯度值也极小，所以利用一个快速扩大-缩小机制用于修正DPM模型的生成结果，从而增加检测框与标注框重合面积。

m维列向量V中的全部m个元素依据小到大进行排序，假定t表示第δm个元素的数值大小，且δ是属于0到1之间的自然系数。以t作为门限值对m维列向量V进行二值化操作，则有：

在行李寄存处常碰到客人取行李扯皮的事，什么东西少了、电脑坏了啊的，隔三差五就有，寄存处的人个个都练得一张铁嘴还有一张铁脸皮，他们从未败过，因此客人们只能是自认倒霉。

  

图4 预测框修正效果对比(以鸟为例)

Fig.4 The predictive frame correction effect comparison (take bird as an example)

3 仿真测试与结果分析

本文使用Matlab 2016b作为仿真测试平台。系统配置如下：Intel(R) Core(TM) i5-4210U 2.39Ghz与Windows 10专业版操作系统。为了与其他算法开展深入对比与分析，以PASCAL VOC 2007数据库为基础进行模拟实验。此数据库中含有20种不同类别目标对象，训练样本数据集包含5011幅图像，测试仿真数据集包含4952幅图像，总共9963幅图像样本。数据集中样本图像分辨率大约470*380，属于普通照片尺寸大小。因为样本图像多少存在背景、遮挡、角度以及色素等方面影响，又加上含有多个不同目标类别的物体对象，不同图像中同类别目标对象尺寸大小也各不相同，变化各异，所以这些对目标识别均产生不同难度的挑战。在这里，目标识别算法的准确性采用平均正确率[13](Average Precision，AP)进行评估，目标识别算法的实时能力采用识别全部图像的时间平均值进行测试。

在式(5)中，由于作为门限值t的选取能够控制目标候选区域的规模大小，所以本文采取测试实验，深入分析t的选取对目标识别算法性能产生什么样的影响。由2.1节描述可知，t表示第δm个元素的数值大小，所以深入分析t的选取也是分析δ的选取。测试仿真中δ∈[0.1，0.6]，且δ每次取值调整阈值是0.05。数据库上的20种不同类别目标识别与检测结果如图5所示。

 

图 5 在不同δ值下对数据库中20种目标类别进行识别检测

Fig.5 Identify detection for 20 object categories in different δ values

文献[8]中利用图像似物性检测方法在目标识别中进行了应用，首先检测与目标对象类型无关的视觉目标疑似区域，使用分割方式获取似物性，从而产生一千至一万个目标对象的疑似位置。然而由于疑似位置数量太多，与此同时也需要进行图像分割处理，所以出现似物性生成时间过长、准确率较低等劣势。

本文进行两组测试仿真用于验证目标识别算法的实时能力，具体如下。第(1)组，全部计算以单线程处理；第(2)组，平台在计算目标候选框具体位置以及滤波器响应值时采取8线程并行处理，其他计算均以单线程处理。如表1所列举的是不同算法在PASCAL VOC 2007数据库中每幅图像的识别平均时间对比情况。可知，在单线程处理情况下，级联DPM算法每幅图像识别平均时间大约1.81s，IO-DPM算法则缩短一半左右，其每幅图像识别平均时间大约0.92s；在8线程并行处理情况下，IO-DPM算法每幅图像识别平均时间仅需169ms，相对于级联DPM算法，极大提高了目标识别的实时能力。

表1 图像识别平均时间对比情况Tab.1 Image recognition average time comparative analysis

  

算法类型平均时间单线程8线程级联DPM算法1．81s308msIO-DPM算法0．92s169ms

从图3的目标识别具体流程中可知，IO-DPM算法检测的图像像素数量要比原始图像像素少50%左右，从而使得图像特征金字塔的生成速率提高了1倍以上。当在图像特征金字塔层数相同且多尺度检测情况下，目标图像像素与滑动窗口分类器规模大小、滑动窗口数量呈现线性关系，因此使得目标图像识别与检测速率得到1倍以上增长。相比级联DPM算法，IO-DPM算法在目标候选框选取与检测后操作两个环节花费了较少时间，所以如表1，在目标图像最终平均识别速率方面，其IO-DPM算法大约是级联DPM算法的2倍左右。不可忽视的是，多线程并行处理能够有效提高检测速率，从而使得目标识别算法的实际应用得到优化。

表2 20种目标类别采取不同算法测试的AP值Tab.2 The AP values of different algorithm tests for 20 object categories

  

类别算法文献[15]文献[14]级联DPMDPMIO-DPM飞机29．441．822．732．825．0自行车56．124．649．356．850．7鸟15．418．810．62．512．1轮船0．428．013．016．812．9水杯28．822．626．628．527．5巴士44．120．647．439．746．5轿车54．146．550．251．651．2猫17．331．218．821．322．3椅子0．312．115．717．916．1牛6．2———23．118．527．6桌子0．419．511．325．917．2狗2．726．212．38．811．8马49．733．936．049．241．9摩托28．923．737．141．240．5人21．919．337．636．838．4盆栽——————13．614．612．5羊5．621．622．716．226．5沙发0．723．123．124．425．0火车40．334．934．239．239．6电视38．1———40．039．138．4平均23．226．427．329．129．2

本文在PASCAL VOC 2007数据集上，分别使用典型的DPM算法[1]、级联DPM算法[2]与IO-DPM算法进行实验分析。另外增加两种具有代表性、新提出的文献[14]以及文献[15]目标识别算法参与对比分析。测试仿真结果如表2。表中第一行是目标类别，最后一列是20个种类的平均AP值，第2行到第6行是依据平均AP值从小到大排序的各个算法，且列举出详细识别与检测结果。其中文献[14]算法是基于Bayes框架对超像素、显著度与颜色三个因素显著性线索融合的目标识别算法，文献[15]算法是基于轮廓几何稀疏表示的目标识别算法。

本文首先阐述了小学语文主题教学在小学语文课堂教学中的重要作用，然后根据实际情况从“充分利用语文教材，通过主题整合教学资源；通过主题教学，发展小学语文课堂教学内容；主体整合，创新改革小学语文课堂教学模式；构建科学、系统、全面的主题教学评价体系”等几方面提出了小学语文主题教学实践的方法与策略。

从表2可知，与文献[14]、文献[15]两种算法相比，基于DPM模型的算法具有较好的准确率。级联DPM算法由于在级联加速时为了迅速删除无用的假设信息，也删除了一部分真实目标实际位置，所以典型DPM算法的平均AP值要高于级联DPM算法。对于IO-DPM算法，在似物性检测之后，使用快速扩大-缩小机制对目标候选框进行修正变换处理，使得检测框最大化地与目标框重合，让部分检测框与标注框重合面积由初始小于一半的状态变成大于一半的状态，从而符合成功目标识别标准，即IO-DPM算法的平均AP值在级联DPM算法基础上得到了一定程度地提高与优化。

传统的垃圾桶需要环卫工人一个一个的检查是否装满，是否需要清理，而且在进行垃圾回收时，还需要人工查看垃圾桶内的垃圾种类，大大地增加了环卫工人的工作负担，当人的手或物体接近投物口15cm时，垃圾桶自动开盖，功能实现单一，并且开关盖这一功能机械损耗程度很高，所以并不适实用。此项目在其缺点上进行改进：直接采用投物口未关闭的垃圾箱，减少垃圾箱的机械损耗，并且增加了一个垃圾检测分类的物联网感知系统，比如检测垃圾是否装满，垃圾的气味检测等，对垃圾桶的后续开发奠定了很好的基础。同时本项目具有模式创新和科技创新，可以很好的改变现有城市环卫工作方式并为未来城市规划、领导决策提供大数据支撑。

4 结束语

本文以图像似物性检测方法为技术基础，设计了一种基于级联DPM模型的图像视觉目标识别改进算法。新型算法在目标图像识别处理之前采取似物性检测方法选取出目标候选区域，大大降低了滑动窗口搜索像素，使得目标识别实时能力得到有效优化。另外使用二进制梯度归一化方法，对检测结果进行快速扩大-缩小操作从而获取尺度与覆盖率更加优化的目标候选框，在目标图像识别准确率方面得到进一步改进。新型算法是对级联DPM进一步优化的输出产物，实现了似物性检测与目标识别的较好融合。仿真测试与结果分析，新型算法不仅有效优化了目标检测实时能力，也进一步改进了目标识别的准确性。

发展研究中心2014年将认真学习贯彻党的十八届三中全会精神，按照水利部党组部署要求，积极发挥人才优势、专业优势、技术优势，努力为部党组和有关司局提出有价值的好思路、好对策、好方案、好报告、好文章、好观点，发挥应有的参谋助手作用。

（5）设置冲刺规划会。团队负责人交底需要完成产品订单中的哪些订单项。团队决定在下一次冲刺中他们能够承诺完成多少订单项。在冲刺的过程中，没有人能够变更冲刺内容。团队必须在冲刺阶段自主工作。

似物性检测与目标识别算法的结合方式具有多样性[16]，如何将似物性检测结果进行有效利用，通过进一步深入研究分析，再次优化目标识别算法的各种性能，才是推动目标识别技术面向应用实践规模化的重要问题，需要继续开展后续工作来加以解决。

参考文献：

[1]杨扬，李善平. 分割位置提示的可变形部件模型快速目标检测[J]. 自动化学报，2012，38(4)：540-548.

基于城市发展趋于同质化的现实和数据的可获得性，本研究对网络视角下的赛事主办城市竞争力的评价主要考察城市外生变量，具体指标主要包括网络中心度、网络中介度和网络联系度3个指标。

第三步：选取最终目标候选框

[3]Ahmed E，Shakhnarovich G，Maji S.Knowing agood HOG filter when you see it:efficient selection of filters for detection[C]∥Proceedings of the European Conference on Computer Vision.Zurich，Switzerland:Springer International Publishing Press，2014：80-94.

[4]Pedersoli M，Vedaldi A，Gonzalez J. A coarse-to-fine approach for fast deformable object detection [J]. Pattern Recognition，2015，48 (5)：1844-1853.

半夜里，念蓉被她的梦吓醒。梦里的静秋忽而变得花枝招展，忽而变得凶神恶煞。静秋点燃一团烈火，冲楚墨招招手，楚墨便毫不犹豫地跳了进去。她看到楚墨开始燃烧，皮肤爆裂，表情扭曲……

[5]CHOI M J，LIM J J，TORRALBA A.Exploiting hierarchical context on a large database of object categories[C]//23th IEEE Conference on Computer Vision and Pattern Recognition.San Francisco:IEEE Press，2010:129-136.

[6]Everingham M，Van Gool L，Williams C K I，et al． The PASCAL Visual Object Classes Challenge 2007 ( VOC2007) Results[EB/OL].http:∥www.pascal-network.org/challenges/VOC/voc2007/workshop/index.html.2007.10.15.

盼啊盼，只盼着儿子长大！儿子长大了，抗日战争爆发了！把自己丈夫看做杨家将、岳家军的奶奶，真的舍不得要立志投笔从戎，奔赴抗日战场的儿子……可当济南被日军占领，四十万人的济南城跑得只剩下几万人的时候，尤其是“血染田庄”之后，奶奶义无反顾地“放手”了……

[7]宋修华，吴志勇.图像通用目标的无监督检测[J].光学精密工程，2014，22(1)：160-168.

本次共选择污染水井7眼，其中在用4眼，报废停用3眼，所有水井均在娘子关泉域范围内，开采层位均为奥陶系含水层，其污染物必然经过井孔直接进入奥陶系岩溶含水层，对娘子关泉形成污染。经过资料收集、现场勘探、孔内电视对拟治理水井井孔结构、损坏情况、水质污染情况进行统一汇总，召集相关技术人员制定治理(封堵)方案。

[8]黎万义，王鹏，乔红.引入视觉注意机制的目标跟踪方法综述[J]. 自动化学报，2014，40(4)：561-576.

受父兄影响，祁彪佳性耽山水园林，几近痴迷。在营造寓园时，集设计施工管理等于一身。“卜筑之初，仅欲三、五楹而止。客有指点之者，某可亭，某可榭，予听之漠然，以为意不及此。及于徘徊数四，不觉向客之言。”[1]150其初无规划，只是因地制宜而展开。犹如苏轼作文，大略如行云流水，初无定质。但常行于所当行，常止于所不可不止，文理自然，姿态横生。

[9]Felzenszwalb P F，Girshick R B，McAllester D，et al. Object detection with discriminatively trained part-based models [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2010，32 (9)：1627-1645.

[10]Lin Y D，He H J，Yin Z K，Chen F. Rotation-invariant object detection in remote sensing images based on radial-gradient angle [J]. IEEE Geoscience and Remote Sensing Letters，2015，12(4)：746-750.

[11]Xu J，Sun X，Zhang D B，Fu K. Automatic detection of inshore ships in high-resolution remote sensing images using robust invariant generalized Hough transform[J]. IEEE Geoscience and Remote Sensing Letters，2014，11(12)：2070-2074.

[12]Ferrari V，Fevrier L，Jurie F，Schmid C. Groups of adjacent expression segments for object detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2008，30 (1)：36-51.

[14]Yan J，Lei Z，Wen L，et al. The rigid deformable part model for Object detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Columbus：IEEE Press，2014：2497-2504.

[15]林煜东，和红杰，陈帆，等.基于轮廓几何稀疏表示的刚性目标模型及其分级检测算法[J]. 自动化学报，2015，41(4)：843-853.

[16]Perrotton X，Sturzel M，Roux M. Implicit hierarchical boosting for multi-view object detection[C].Proceedings of the 23rd IEEE Conference on Computer Vision and Pattern Recognition. San Francisco：IEEE，2010:958-965.

振动流化床离散颗粒模型考虑了颗粒形状、尺寸等微观特点，更接近于颗粒流的真实情况，但颗粒间的作用非常复杂，变形量和接触力是非线性关系，各种力又耦合在一起，很难得到接触力和运动方程的分析解。模拟过程中时间步长选取非常关键，关系到求解方案的稳定性，颗粒接触点不固定，需不断判断颗粒间的接触情况，接触计算量较大。