多尺度级联行人检测算法的研究与实现

行人检测算法是利用行人的特征结合分类器对图片中是否有行人进行判断的方法。文中基于传统的HOG行人特征检测方法以及Adaboost分类器思想,改进了行人检测算法。使用多尺度的HOG特征对图片的检测区域进行特征提取,并采用级联的Adaboost分类器结合对应尺度的特征进行分类判断,将判断结果输入下一级分类器中继续进行分类判断,最终实现区域内有无人的检测。实验结果表明多尺度下的级联分类器能够更加有效地筛选出行人区域,在计算时间小幅增加的情况下,很大地提高了检测精度。     

多特征融合的道路车辆检测方法

通过改进基于Haar-like特征和Adaboost的级联分类器,提出一种融合Haar-like特征和HOG特征的道路车辆检测方法。在传统级联分类器的Harr-like特征基础上引入HOG特征;为Haar-like特征和HOG特征分别设计不同形式的弱分类器,对每一个特征进行弱分类器的训练,用Gentle Adaboost算法代替Discrete Adaboost算法进行强分类器的训练;在级联分类器的最后几层上使用Adaboost算法挑选出来的特征组成特征向量训练SVM分类器。实验结果表明所提出的方法能有效检测道路车辆。     

高铁闸机智能监控系统中的行人检测算法研究

针对高铁闸机智能监控行人检测系统中较高的实时性要求,提出一种改进的基于梯度直方图(HOG)特征与AdaBoost分类的行人检测算法。首先对图像样本提取HOG特征,进行Gentle AdaBoost分类训练,得到高检测率的强分类器;然后对待测图像进行垂直边缘预处理,根据行人图像与非行人图像的边缘对称性特征,排除大量非行人窗口;最后对剩余窗口提取HOG特征,依据训练出的AdaBoost分类器检测HOG特征向量,判断窗口是否含有行人。实验结果表明:改进的行人检测算法比原算法计算量少,能够在保证原有准确率的基础上,对图像进行更快的检测,满足高铁闸机行人检测系统的实时性要求。     

一种改进HOG特征的行人检测算法

针对HOG特征检测准确率高、计算量大的特点,通过对HOG特征的结构进行调整,提出了使用Fisher特征挑选准则来挑选出有区别能力的行人特征块,得到MultiHOG特征。该算法结合线性SVM二值分类器,实现行人滑动窗口检测。用Inria标准数据集和自行拍摄数据集进行了测试,结果证明该算法较HOG在准确率及实时性上都有很大的提高。     

视频监控中私自揽客违法行为检测

随着数字视频监控技术的普及与应用,基于视频监控信息的出租车行业智能化管理成为可能。特别是在强化道路交通的安全管理,缓解执法人员压力等方面发挥了重要作用,但目前尚缺少针对出租车运营管理与分析的智能化处理技术。对此,提出一种私自揽客行为检测算法。使用Haar特征结合Adaboost分类器对出租车进行识别;利用改进的ViBe算法提取运动人体目标,并快速消除鬼影干扰;判断人车位置关系,并提取人在上车过程中的多姿态特征,送入SVM分类器进行训练,实现对人体行为的分类。实验结果表明:该方法能够适应复杂环境,抗干扰能力较强,可实时检测私揽行为是否发生。     

基于HOG－PCA和SVM的人行横道信号灯识别方法

视频电子交通警察系统中,常见的人行横道灯识别方法易受光线变化等干扰影响其正确率。提出一种基于分类器的识别方法,首先利用颜色信息和几何约束粗过滤,再提取HOG特征,对PCA降维后的HOG特征训练SVM分类器进行分类。实验表明,该方法检测效果较好。     

视角和旋转角变化时梯度方向直方图的转换

使用梯度方向直方图(HOG)来检测目标,需要大量的,有代表性的样本来训练分类器.一个目标的HOG,其特征在不同的摄像机视角和不同的光轴旋转角下,并不相同.因此,使用不同视角下的混合样本集来训练分类器时,目标检测的准确率受到样本噪声的影响将会降低.基于摄像机成像的基本原理,提出了一种转换算法,可以把一个样本在某个视角下的HOG特征转换成另一个视角下的HOG特征.这样既降低了分类器训练时需要采集的正负样本数量,又提高了支持向量机(SVM)分类的准确性,从而提高了目标检测的准确性.大量目标检测实验结果表明本文提出的算法是有效的.     

半监督SVM分类算法的交通视频车辆检测方法

针对交通场景运动车辆检测中车辆数目统计准确率不高、自适应性不强等问题,提出了一种基于半监督支持向量机(SVM)分类算法的交通视频车辆检测方法。利用人工标记的少量样本,分别训练2个基于方向梯度直方图(HOG)特征与基于局部二值模式(LBP)特征的不同核函数的SVM分类器;结合半监督算法的思想,构建SVM的半监督分类方法(SEMI-SVM),标记未知样本并加入到原样本库中,该方法支持样本库动态更新,避免了繁重的人工标记样本的工作,提高了自适应性;最后,通过三帧差分法提取运动区域,加载分类器在该区域进行多尺度检测,标记检测出来的运动车辆,统计车辆数目。实验结果表明:该方法在具有一定的自适应性的同时,有较高的车辆检测准确率,即使在复杂交通情况下,对运动车辆依然有很好的检测效果。     

基于PCA降维的多特征级联的行人检测

在行人检测中,针对梯度方向直方图(HOG)冗余信息过多、检测速度慢等不足,提出了运用PCA降维的多特征级联的行人检测。首先利用PCA对HOG特征进行降维,其次将HOG特征和Gabor特征、颜色特征级联作为行人检测的特征,最后使用SVM的径向基(RBF)核函数进行分类。在INRIA行人库上的实验表明,该方法不但提高了分类的速度,而且提高了检测的准确率。     

基于HOG和E-SVM的服装图像联合分割算法

针对目前服装图像分割准确率低的问题,提出一种基于HOG特征和E-SVM分类器的服装图像联合分割算法。该算法具体可分为三个迭代的步骤：超像素组合、E-SVM分类器训练、分割传播,并用到辅助数据集。将用户输入的图像结合辅助服装集进行超像素分割,并利用分割传播方法将超像素组合成多个区域。利用分割效果积极的区域的HOG信息训练E-SVM分类器。通过E-SVM分类器以及分割传播方法将输入的图像中的服装分割出来。实验结果表明,该方法能够高准确率地分割出服装图像。     

基于多特征的行人检测算法

针对单特征辨识度较低的问题,提出一种基于多特征的行人检测方法.首先构造二维对数Gabor函数,利用此函数提取样本的相位一致性特征,将样本的相位一致性特征和样本的局部二值模式算子(LBP)特征相结合,得到新的行人检测方法.使用支持向量机(SVM)进行分类,并与基于HOG特征的检测方法进行比较,在INRIA行人数据库上的实验证明,基于多特征的检测方法提高了行人检测精度、降低了误检率,检测率高达99.4824％.     

Gabor特征结合快速HOG特征的行人检测

针对行人检测中HOG特征提取速度慢且易忽视细节特征的问题,提出了一种Gabor特征结合快速HOG特征的行人检测算法.首先对输入图像进行小波变换,并引入积分图思想和主成分分析算法快速提取图像HOG特征;其次融合Gabor小波变换得到的Gabor特征,最后采用混合特征训练分类器,实现行人的有效检测.测试集上的实验结果表明,在使用相同分类器的情况下,该混合特征提取方法比单一特征提取方法的检测正确率最多可提高7.37％,因此所提出的算法可以有效地提高行人检测的精度.     

Hadoop云平台下基于HOG特征和Adaboost分类器的快速行人检测算法

行人检测在安保领域、无人驾驶领域、机器视觉领域以及多媒体分析领域等具有广泛的应用。针对目前行人检测技术运算量大、实时性差等不足, 提出了一种Hadoop云平台下基于梯度直方图(HOG)特征和Adaboost算法的快速行人检测方法。该方法首先利用云计算模式提取图片的HOG特征, 然后利用PCA方法对提取特征降维, 最后使用Adaboost算法构建分类器对降维特征进行分类。利用不同场景照片对本文方法进行实验, 仿真结果表明, 在保持较高检测准确度前提下, 采用Hadoop云计算的检测速度比传统的基于HOG特征行人检测算法提高将近五倍, 有效提高检测算法的实时性。     

多方向线积分的梯度特征

典型的梯度特征包括HOG(梯度方向直方图)、Shapelet及Edgelet等,这些特征被广泛用于目标检测、目标识别、图像检索及场景分类等领域。针对HOG特征运算复杂度高的问题,提出了一种新的多方向线积分的梯度特征(MDIG)。通过避免计算梯度方向并利用积分图,该特征简化了计算过程,提高了计算速度,因而便于在DSP等硬件上实现。实验中新特征被应用于人体头肩检测。实验结果表明当使用AdaBoost算法训练分类器时,该特征的描述能力与HOG相当,同时其计算时间仅为HOG的1/3,整体性能优于HOG。最后,针对梯度特征的适用范围对其未来应用的发展方向进行了讨论。     

基于联合HOG特征的车牌识别算法

为解决车牌中汉字识别未考虑汉字结构特征的问题,提出联合方向梯度直方图特征(HOG)结合支持向量机(SVM)的车牌识别算法。将灰度图、二值图、16值图的HOG特征在一定的权重下融合为联合HOG特征,使用核主成分分析法(KPCA)对联合HOG特征进行降维;对汉字和数字字母分别利用支持向量机进行分类,利用交叉验证方法对参数进行优化,得到最优预测模型;利用预测模型预测识别结果。实验结果表明,相对于传统车牌识别算法,该算法可以应用于复杂环境下的车牌字符识别,车牌识别率提高了10%左右,鲁棒性强且便于硬件实现。     

特征级联在车辆检测中的应用与研究

对现有的采用机器学习算法检测车辆进行研究,分析其存在的不足;表现在特征或者算法单一,对光照等条件变化鲁棒性不够;针对这些问题,提出一种融合LBP特征与HOG特征,并结合Adaboost与SVM的车辆检测算法;借鉴级联的思想,首先采用AdaBoost对训练样本提取LBP特征进行训练,得到的分类器用于初步筛选并将其分类结果作为下一层分类器的输入;然后采用SVM算法对训练样本提取HOG特征进行训练,得到的分类器用于二次筛选上一层分类器的分类结果;实验结果证明Adaboost-SVM相结合的办法检测结果精度高,准确率和召回率均达到95%以上,FPPW与FPPI的值均在5%左右;同时由于算法采用的特征对光照条件具有较强的鲁棒性,因此光照条件的变化对算法的识别结果影响较低;实时性方面,每帧图像的处理时间为75 ms,满足实时性要求。     

基于改进梯度方向直方图的多尺度的行人检测

行人检测是计算机视觉中重要而有挑战的研究方向。为了提高识别精度,提出了一种更有效的特征提取方法,这个方法的特点是提取梯度方向直方图(HOG)特征时能够获得更多的梯度信息,从而更好地生成表征在更大范围内的图像中或者检测窗口中人体细节的特征描述算子;利用线性核函数(LINEAR)的支持向量机(SVM)和HOG训练得到的行人检测分类器,再采取多尺度检测技术和非极大值抑制能够精确定位行人在图像中的位置。实验结果表明,该行人检测系统检测精度较高。     

基于 HOG 特征提取与 SVM 驾驶员注意力分散行为检测方法研究

驾驶员注意力分散是导致交通事故的主要原因,该文以驾驶员注意力分散行为图像为分类 目标,提出了一种基于方向梯度直方图(Histogram of Oriented Gradient,HOG)与支持向量机(Support Vector Machine,SVM)的行为检测方法。首先,获取图像中的感兴趣区域,并对图像进行增强、去噪及归一化处理;然后,提取图像 HOG 特征,进而采用交叉验证法对 SVM 分类器中的参数进行优化;最后,对视频图像中驾驶员的不同行为进行分类识别。实验中,通过与传统 SVM 算法以及基于局部二值模式的 SVM 算法进行对比,验证了所提方法具有更好的识别准确率。     

基于特征融合的人体行为识别算法

针对HOG特征在人体行为识别中仅仅表征人体局部梯度特征的不足,提出了一种扩展HOG（ExHOG）特征与CLBP特征相融合的人体行为识别方法。用背景差分法从视频中提取出完整的人体运动序列,并提取出扩展梯度方向直方图ExHOG及完备局部二值模式CLBP两种互补特征;利用K-L变换将这两种互补特征融合生成一个分类能力更强的行为特征;采用径向基函数神经网络RBFNN对行为特征进行识别分类。在KTH和Weizman行为公共数据库上进行了多组实验,结果表明提出的方法能够有效地识别人体运动类别。     

基于稀疏表达和机器学习的行人检测技术研究

针对行人检测技术在智能交通系统中的应用,为了提高行人检测方法的有效性、实时性和准确性,将稀疏表达应用到图像的特征压缩中,提出一种基于HOG和LTP特征训练SVM分类器进行行人检测的方法。基于HOG和LTP特征训练SVM分类器进行行人检测的方法有效地结合了图像的梯度特征和纹理特征,利用稀疏表达进行特征数据的压缩可以有效地加速算法。实验结果表明,提出的算法具有精度高、速度快等优点。