1、“.....这可能是因为它在长垂线定与垂直头部与腿部胞元相关基础之上减少了误报。参考图我们检测器主要检测线索是轮廓线条特别是头部，肩膀和脚。最有用是以正好在轮廓外围图片背景为中心块。参考图训练样本平均梯度图像。参考图每个像素显示在块中最大正权重。参考图与上图对应负权重。参考图张测试图像。参考图由这张图像计算而来描述子。参考图，该分别在中正负权重。检测窗口与背景我们检测窗口包含了在人四周边缘约个像素。参考图表明这边界提供了大量有助于检测信息。将这个边界从个像素降至个像素即检测窗口会使检测性能在窗口假阳性测试中在数量级上下降下降。保持检测窗口大小不变，增大窗口中人大小同时减少边界像素个数会导致类似检测性能下降，即便人分辨率确实是上升了。分类器默认情况下，我们使用个软线性和参考文献中略作修改以减少在处理高密度描述子向量问题时内存占用率来训练。使用高斯核心能够使检测性能在窗口假阳性测试中在数量级上提高，其代价是检测时间会大大增长。分析总来说，在这项工作中有几个值得注意发现。检测性能大大强于小波......”。

2、“.....这些事实都强调了大部分图像信息都来源于合适尺度陡峭边缘，而将其模糊化以希望达到减少对空间位置敏感性做法是不可取。相反，应该在最适合尺度下在现有层次计算梯度，修正或是利用方向投影方法，而之后才能进行空间模糊。鉴于此，相对粗糙空间量化就足够了胞元中到个像素宽段肢体宽度。另方面，至少是对于行人检测而言，它对于方向信息采样更为精确，而小波和在这方面就差远了。其次，彻底局部对比度归化对于好检测结果是必要，而传统中心周边式方案则不是最好选择。要达到更好效果，需要归化与不同局域特征相关所有元素边缘信息，胞元数次，并且将这些结果当作独立标识。在我们标准检测器中，每个胞元在不同归化中共用到四次，而将这重复信息加入进来能够使检测率在窗口假阳性测试中在数量级上从提高到。结论我们已经表明，在密集重叠网格中，使用与参考文献中提到描述子类似局部归化方向梯度直方图，在行人检测方面效果甚佳，比参考文献中提到最好基于小波特征检测器在假阳率上减少了超过个数量级。我们研究了各种描述子参数对检测性能影响，总结得出，合适大小梯度，精确方向区间划分......”。

3、“.....这些描述子是通过将梯度图像投影到用对图像进行训练学习后得到基础上而产生见参考文献。和发现这些特征在基于关键点匹配上表现比更加优秀，但这是有争议见参考文献。我们实验中使用拥有相同导数级重叠等特点大小块做为最终描述子里仅仅编码计算次。基于不同滤波尺度胞元中加入几种归化并不能明显地改变检测性能，因此，在这性能来说都很重要。我们也创建了个新且更具挑战性行人数据库，并将其公之于众。未来工作虽然我们目前线性检测器相当高效检测张图片检测窗口用时不到秒但是仍有继或是基于描述子拒绝链式检测器时派上用场。我们也研究了基于描述子检测器，它将块匹配或是光学流动区域有机地结合起来。最后，尽管现在固定模板式检测器在体可见行人检测方面难以被超越梯度方向直方图或是边缘方向进行累积统计。合并后直方图就构成了被检测物特征。为了使其对光照阴影等条件更加不敏感，在使用它们之前进行对比度归化也是有必要。这归化是通过对更大空间区域块中特征局部直方图能量进行累积统计，进而对块上每个胞元进行归化来实现。我们把归化后描述子块作为方向梯度直方图描述子......”。

4、“.....参考图对我们特征提取和实物检测流程概述。检测窗口由些平铺重叠块组成网格构成，在每个块中提取方向梯度直方图特征向量。合并后向量送入个线性进行检测目标非检测目标分类。这个检测窗口会扫描不同大小图片所有位置，并且传统无最大值限制在输出端得到应用来检测对象实例，但是这篇论文重点在于特征提取流程。以前对方向直方图使用也并不少见见参考文献，然而，直到把它与局部空间直方图计算和归化结合起来时，这方法才达到了成熟。在参考文献中将尺度不变特征变换用于宽基线图像匹配，并给出了用于尺度不变关键点匹配底端图像层描述子。基于算法在这应用中表现突出见参考文献，。算法则对胞元和块得形状进行了研究见参考文献，得出结论。这有些专断，但我们并没有更多像位于以下区域这样可以观测指标。在个多尺度检测器中，针对每幅测试图像都给出为假阳性原始率由于没有最大值限制，整个检测器假阳率甚至都比它低。我们曲线高度非常低，因此即使是在漏检率上非常小改进，也与在固定漏检率下窗口假阳性测试中大提高相当。例如，在数量级窗口假阳性测试中......”。

5、“.....在漏检率上每绝对相对减少相当于在在固定漏检率下窗口假阳性测试中减少倍。检测结果概述在进行具体检测流程和性能分析之前，我们将基于特征检测器总体性能与现存其它方法性能作了比较。即将基于矩形特征或是环形指数极坐标特征块和线性或核心算法检测器分别同基于小波，和作了比较。简而言之，这些方法如下所示广义小波这是个面向类小波扩展特征集，它与参考文献中所用到类似，但性能上占优。这些特征是通过和大小以度为间隔面向阶和二阶导数盒子滤波器以及对应对比。服装图案与行人姿态千变万化可能会使内部区域信息不能用作可靠检测依据，而前景到轮廓转换同样可能会受到平滑着色和阴影效果混淆。相似是，参考图，证明了人体内部直方图尤里似乎是几处滤波区域存在和相关胞元中空间区域偏移显得更为重要，而不是滤波尺度。为了解释清楚这点，我们考虑使用了包含重叠块检测器。根据线性训练所得系数来赋予每个块中每个胞元在最终判决中应占权重。仔细分析参考图，就能得出，通常那些包含人体轮廓特别是头，肩和脚才是最重要胞元，归化时与轮廓周围胞元相关。换句话说除了在我们训练集中常见复杂混乱背景检测器主用关注是轮廓线条与背景对比......”。

6、“.....并能够在未来加快检测速度，在开发从粗到精，鉴造成参品质量低下影响价格风险，确保效益不受影响。在种植上，由中美联邦生物研究提供成熟种植技术，在人参移栽田间管理施肥采收等关健环境，将派出技术人员现场指导，实现参农种植规范化操作管理，确保人参产量和品质。所以，该项目基本无任何风险。四项目实施计划项目实施年限及年度计划安排，种参引进，种植技术病害防治病害防治技术推广，参籽繁育项目研究技术路线要通过对美洲人参良种选育种源基地建设及品种提纯复壮研究，选育出丰产性好，抗病性强生长健壮等优良性美洲人参品系通过对西洋参不同环境内调查对比分析研究解决美洲人参栽培生态环境选择与土壤选择核心问题通过对美洲人参荫棚架设及调光方法施肥技术病虫害发生规律及生物防治技术研究，找到西洋参各个时期适宜光照强度，解决美洲参不同发育时期不同类型生物肥追施方法，探索出西洋参常见病害防治措施。项目实施过程中需要解决几项关键问题含技术问题资金筹措等美洲人参种植技术研究资金投入问题部分沙质土壤改良问题优质参籽繁育问题项目预期总体目标和阶段目标，具体考核指标含主要技术经济指标......”。

7、“.....。如农田种植，前茬以禾本科作物为好，忌涝洼积水黏重土及重茬地。秋播在月土壤封冻前，春播在月中下旬土壤解冻后。播种前需进行种子处理。方法是播种前将种子沙藏处理个月以上，待种子裂口后，选无病斑种子用多菌灵倍液或代森锌倍液浸分钟后播种。生产上以点播为主，株行距厘米厘米，穴深厘米，每穴放粒，覆土厘米，上覆鲜稻草或麦秸厘米。翌春出苗，般从采种到出苗全部过程需个月。每亩用种量为千克。在美国多采用直播法，我国多数地区则采用三制或二二制移栽。即播种出苗后第年或第二年移栽。般在春季土壤解冻后，芽苞尚未萌动根毛尚未长出时移栽。栽前选健壮无病完整参苗，按大中小分级，并用多菌灵倍液或代森锌倍液浸泡分钟，稍晾后栽种。方法是将参侧根顺直，使主根与地面成角。株行距厘米厘米，并可据参根大小适当调整株距，覆土深度为距芽苞上厘米。再覆稻草或麦秆厘米，栽后畦面要平整，并做到边起苗边移栽，注意不要使芽苞和根皮部受到损伤。越冬要在参畦上覆盖树叶，麦秸等厘米，其上压土，以利抗寒，月下旬将畦面上覆盖物除去。如畦面干旱，可喷水润湿......”。

8、“.....搭棚要求能防止畦内参亩被时之间强光照射，并使上午点前，下午点后斜阳光射进荫棚，透光度以为宜。在出苗前将荫棚搭好，棚高前檐立柱厘米，后檐立柱厘米，上面覆盖苇帘，炎热夏天，可在参畦外阳光易进人畦边，插上带叶树枝遮光。出苗后要结合松土，及时除草，并注意不要把参苗带出。二年生以上参苗要特别注意追肥。生长期间可施复合肥或用磷酸二氢钾溶液于花前进行叶面喷施休眠期可将腐熟好豆饼或复合肥撒入畦面，并轻轻松土，使肥与土混合均匀，再覆草。采收与加工。般生长年后于月地上部枯萎时采收。顺畦将参根挖出后，用水冲洗内部边缘信息或轮廓线条与前景其是垂直通常算作反面检测依据，这可能是因为它在长垂线定与垂直头部与腿部胞元相关基础之上减少了误报。参考图我们检测器主要检测线索是轮廓线条特别是头部，肩膀和脚。最有用是以正好在轮廓外围图片背景为中心块。参考图训练样本平均梯度图像。参考图每个像素显示在块中最大正权重。参考图与上图对应负权重。参考图张测试图像。参考图由这张图像计算而来描述子。参考图，该分别在中正负权重。检测窗口与背景我们检测窗口包含了在人四周边缘约个像素。参考图表明这边界提供了大量有助于检测信息......”。

9、“.....保持检测窗口大小不变，增大窗口中人大小同时减少边界像素个数会导致类似检测性能下降，即便人分辨率确实是上升了。分类器默认情况下，我们使用个软线性和参考文献中略作修改以减少在处理高密度描述子向量问题时内存占用率来训练。使用高斯核心能够使检测性能在窗口假阳性测试中在数量级上提高，其代价是检测时间会大大增长。分析总来说，在这项工作中有几个值得注意发现。检测性能大大强于小波，并且在计算梯度之前任何相当程度平滑都会损害检测效果，这些事实都强调了大部分图像信息都来源于合适尺度陡峭边缘，而将其模糊化以希望达到减少对空间位置敏感性做法是不可取。相反，应该在最适合尺度下在现有层次计算梯度，修正或是利用方向投影方法，而之后才能进行空间模糊。鉴于此，相对粗糙空间量化就足够了胞元中到个像素宽段肢体宽度。另方面，至少是对于行人检测而言，它对于方向信息采样更为精确，而小波和在这方面就差远了。其次，彻底局部对比度归化对于好检测结果是必要，而传统中心周边式方案则不是最好选择。要达到更好效果......”。