基于视觉压缩感知的传感网络行人目标辨识方法

行人目标辨识是指在视觉传感网络中识别检测到的目标,对智能安防具有重要意义。对行人目标辨识所需数据进行压缩可提高视觉传感网络行人目标辨识的实时性。提出了一种基于视觉压缩感知的传感网络行人目标辨识方法。无线视觉节点获取行人目标图像后,首先提取图像中行人脸部的尺度不变特征,并采用特征字典对目标进行稀疏表示,得到目标特征直方图。然后视觉节点应用压缩感知方法对特征直方图进行数据压缩,并传输至中心节点。最后,中心节点应用非负正交匹配追踪算法重构特征直方图,并采用支持向量机对特征直方图进行分类辨识。实验表明,该方法能够在不影响行人目标辨识准确率的前提下,有效减少在视觉传感网络中进行行人目标辨识时所需传输的数据量。     

基于双相关滤波器的多通道尺度自适应目标跟踪

针对目标跟踪中尺度变化和表观剧烈变化导致的目标跟踪不稳定问题,设计了多通道特征融合的尺度估计策略,提出了基于双相关滤波器的多通道尺度自适应目标跟踪算法。考虑到CN特征对姿态及尺度不敏感,以及HOG特征对光照变化和目标移动都有着较好稳定性,将CN、HOG以及灰度特征进行了特征融合,提升了对于目标表观变化的跟踪鲁棒性。在保证误差风险最小的前提下使用岭回归进行滤波器求解,同时建立了尺度滤波器实现了目标的多尺度判断,使得目标发生尺度变化时能保持稳定的跟踪。使用TB-100数据集在多场景下对算法进行性能测试,证明该算法在目标表观变化、尺度变换、背景干扰等情况下有良好的跟踪效果。     

采用响应图置信区域自适应特征融合的相关滤波跟踪

针对固定特征融合权重的相关滤波跟踪算法在光照变化、目标形变下跟踪失败的问题,提出了采用响应图置信区域自适应特征融合的相关滤波跟踪算法以提高算法鲁棒性。首先,将响应图中高于响应图期望值的区域作为响应图置信区域,然后,根据HOG特征响应图置信区域计算出HOG特征响应图和颜色直方图特征响应图的融合权重,实现HOG和颜色直方图特征的自适应融合。仿真实验采用跟踪基准数据库(OTB-2015)中的100组视频序列进行实验,对比了5种流行的相关滤波跟踪算法。实验结果表明,本文算法的综合AUC和精度分别为0.609和0.814,尤其在光照环境下AUC和精度分别为0.655和0.847,相比Staple分别提升5.7%和5.6%。本文算法在光照和形变交叉环境下AUC达到0.681。在光照变化、目标形变、背景混乱、尺度变化等场景下,本文算法具备更优的跟踪性能。     

机器人视觉中行人和车辆检测算法的研究

对车辆和行人进行快速且准确的检测是机器人视觉和自动驾驶领域的一个难题，为了解决这个难题，提出一种基于深度学习网络的行人车辆检测算法，这是一种端到端的单阶段检测方法。主要使用多级跳跃连接网络和多级特征融合网络。多级跳跃链接网络在特征提取阶段避免了反向传播过程中的梯度消失、爆炸和退化等优化问题，从而提高检测精度和模型的收敛速度。多级特征融合网络对来自不同层次的多尺度特征变化尺度后进行特征信息融合，可以提取到比较低层的信息以提高算法的精度。这里的算法在多个公开的数据集上进行实验，实验结果表明，与目前的一些主流算法相比，行人和车辆的平均检测精度大幅提高，在精度提高的情况下，具有更快的检测速度，有较高的应用潜力。     

基于改进多尺度分形特征的红外图像弱小目标检测

为提高红外图像弱小目标检测的准确率和实时性,在分析用于红外图像增强的分形参数K相关的多尺度分形特征(MFFK)基础上,提出了一种基于改进多尺度分形特征(IMFFK)的红外图像弱小目标检测算法。首先,将基于地毯覆盖法的分形维数计算公式代入MFFK计算公式,提出了一种改进多尺度分形特征(IMFFK)用于图像增强。其次,对IMFFK特征计算进行简化,采用自适应阈值分割得到感兴趣目标区域,提出了一种具有较高计算效率的红外图像弱小目标检测算法。最后,通过仿真图像分析了主要参数对图像增强和算法耗时的影响,采用红外真实图像进行了算法检测性能测试,并与当前基于局部对比度测度的目标检测算法进行了对比。实验结果表明,提出的算法虽然在一些检测场景具有较多虚警,但能同时适用于弱小目标和较大目标检测,且无论目标为亮目标或暗目标。提出算法对于低分辨率红外图像(320×240)检测接近30 frame/s。提出算法具有较强的适用性,能够检测出红外图像中具有较高局部对比度的目标。     

红外偏振舰船目标自适应尺度局部对比度检测

针对海天场景复杂干扰情况下多尺度检测红外偏振图像中舰船目标困难的问题,本文提出一种基于引导滤波和自适应尺度局部对比度的舰船目标检测方法。首先将强度信息作为引导信息对红外偏振图像利用引导滤波,得到目标背景对比度、局部信噪比更高的融合图像;然后基于融合图像显著的海天线垂直梯度特征,提出一种检测海天线方法,再对融合图像进行海天线加权抑制海杂波干扰;最后基于单尺度局部对比度算法与舰船目标比例特征,提出自适应尺度局部对比度方法,当尺度与目标匹配时响应最大,通过不同尺度对目标的响应结果确定最大尺度,得到舰船目标检测结果。实验结果表明,引导滤波融合方法的提高图像的目标背景对比度和局部信杂比,与典型检测方法对比,本文方法能够有效抑制干扰并能够检测海天场景不同尺度舰船目标,具有较高的鲁棒性和准确性,检测率、虚警率分别为95.0%,3.5%,为红外偏振图像目标检测提供了新的方法。     

结合相位一致性的行人检测

针对行人检测中利用方向梯度直方图(Histogram of Oriented Gradient,HOG)特征进行训练时耗时长,检测速度慢的问题,提出一种改良算法。该算法结合相位一致性(phase congruency,PC),利用局部能量与Log-Gabor滤波器,计算提取行人正样本图像的边缘,以边缘像素点处的局部能量值最大值与对应的相位值做为特征,以HOG滑动块形式生成特征描述子,此文称之为PC-HOG特征,利用AdaBoost级联分类器算法训练学习此特征,并在INRIA数据库中测试此算法分类效果。测试结果表明该算法明显减少了训练时间,提升了行人检测速度,较HOG+SVM速度提升40%以上,较HOG+AdaBoost提高了8%左右,也改善了检测准确性。     

一种多尺度时频纹理特征融合的场景分类算法

场景分类目前是机器视觉领域的一个研究热点,为了解决该研究领域中分类特征的提取问题,提出了一种多尺度纹理描述子(MSTD)特征。首先,采用小波变换,获得图像在时频域上的多尺度纹理视觉全局特征信息,之后提取反映局部细节的局部二值模式(LBP)特征,在时频域上进行融合,生成多尺度纹理描述子特征,以此作为图像分类的依据,最后采用支持向量机(SVM)作为分类器进行场景分类。在4个标准数据集上进行测试,实验结果表明,该方法具有较高的分类正确率,对室外场景的分类正确率都在84%以上。所提出的分类方法充分考虑了全局特征和尺度信息,增强了单层特征的区分度,有效地改善了分类的精度。     

小波分析理论在图像目标检测中的应用

根据小波分析理论,提出了能量特征图和基于多尺度分析的边缘特征图相融合的特征融合方法,使得目标检测在考虑了图像局部信息的同时又考虑了图像的整体信息,同传统的单一分辨率下的目标检测方法比较,有效地提高了目标检测算法的效能.实验验证了该方法对复杂自然背景和不同类型的人造目标具有较强的自适应性,检测性能不受目标运动状态的影响.     

基于改进亮度变化函数实现红外图像中行人跟踪

由于基于亮度变化函数(IVF)的跟踪算法能高效跟踪前视红外图像中刚性目标但无法满足行人跟踪鲁棒性要求,提出了一种新的基于多热点亮度变化函数的红外图像中行人跟踪算法。分析了分区域、多热点描述行人目标热信号的必要性,利用改进的亮度变化函数在帧间目标窗口内定位热点,建立目标窗口自适应更新机制解决尺度变化问题,最后基于热点的运动特征描述子剔除定位于背景的野值点。对复杂红外场景的跟踪实验结果表明,由于在原始算法的基础上省去了模板匹配步骤及缩小了搜索对象的矩阵维数,该算法获得了最优的实时性;且多热点机制使该算法的鲁棒性优于多种其他视觉跟踪算法,能够胜任存在遮挡、尺度变化、低对比度等干扰因素的前视红外图像中行人目标的跟踪。     

混合特征行人检测算法

为了提高行人检测方法的效果,提出了一种基于混合特征提取的行人检测方法。首先,提取一幅目标图像中的梯度方向直方图和局部二元模式特征。然后,利用一种自适应系统将HOG和LBP特征间的最优权重自动分配给每个特征。并且,通过难例挖掘的方法获取困难的负样本。最后,采用支持向量机对行人和背景进行分类。实验结果表明,这种新的方法优于其他仅使用单一特征或没有分配最优权重的混合特征的方法。     

一种远距离行人小目标检测方法

远距离行人小目标成像像素少、缺乏纹理信息,深度卷积神经网络难以提取小目标细粒度特征,难以准确识别与检测。本文提出一种远距离行人小目标检测方法。首先,在YOLOv4的基础上引入浅层特征改进特征金字塔,提取行人小目标细粒度特征,提出引力模型特征自适应融合方法,增加多层次语义信息之间的关联度,防止小目标特征信息流失。然后,采用增强型超分辨率生成对抗网络增加行人小目标特征数量,提高行人小目标检测准确率。最后,选取图像像素中占比范围为0.004%～0.026%的行人小目标建立试验数据集,通过与Faster RCNN、ION、YOLOv4对比实验验证。结果表明,本文方法mAP_0.5提高了25.2%、26.3%、11.9%,FPS达到24,研究成果在远距离安防监测监控领域具有重要应用价值。     

基于HOG和SVM的公交乘客人流量统计算法

针对公交乘客人流量统计准确度不高的问题,提出一种基于HOG和SVM的人流量统计算法。首先采用机器学习的方法,提取人头部的HOG特征,将SVM作为学习训练方法,得到关于人头的线性目标分类模型的分类器,成功检测出人头;其次通过数据关联,将Camshift算法作为人头目标跟踪算法,并利用tracking-by-detection机制,实现多目标跟踪,稳定地捕获人头目标的运动轨迹;最后对轨迹分析,判断目标是否越过设定的计数线,从而完成对公交乘客人流量的自动计数。实验表明该算法统计准确率有明显提高,且误检率较低,特别是在白天光照条件较好时,能够实现人流量的有效计数。     

基于SVM-AdaBoost算法的行人检测方法

提出了一种基于SVM-AdaBoost算法的行人检测方法。该方法是通过改进和扩展Haar-like特征值,对AdaBoost级联分类器的算法加以改进,使用SVM作为AdaBoost的弱分类器,通过选择确定合适的核函数参数,提高分类精度,减少训练时间。实验结果表明,这种行人检测方法性能稳定,实时性和鲁棒性均优于传统的行人检测方法。     

利用姿势估计实现人体异常行为识别

异常行为识别是近年来计算机视觉领域的研究热点。为了实现对多人体异常行为精确识别的目标,提出了一种基于人体姿势估计的异常行为识别算法。首先采用基于滤波通道特征的行人检测算法对各个目标人体进行定位;然后对每个人体构建基于图结构框架的外观模型;最终采用霍夫方向计算器算法(HOC)提取人体部件特征,从而进行行为分类。实验结果表明,该文算法可以在单帧图像上对多个人体的行为进行识别,并提供了多类别的异常行为分类,实验效果明显,准确率较高。     

基于二进制粒子群优化算法的行人检测

针对汽车前方道路上的行人安全问题,对道路行人采用二进制粒子群优化算法（BPSO）进行了检测,以确保行人的安全。首先,对随机采集的道路行人图像样本进行了二维离散余弦变换（DCT）,将行人的描述从图像空间转换为用少量数据点来表示频率域空间,再利用DCT算法的对称性,解压缩图像,获得了行人图像的特征向量;其次,应用BPSO算法对得到的特征向量进行了特征选择,从行人频域特征空间中,提取了有价值的特征子集,得到了最具代表性的行人特征,完成了行人检测。试验结果表明,在样本数量较少的情况下,无论在检测正确率还是检测实时性方面BPSO算法都优于传统的支持向量机（SVM）算法。研究结果表明,二进制粒子群优化算法能够高效快速的检测到行人,为车辆主动安全技术提供重要基础,对于减少交通事故具有重要意义。     

基于改进深度卷积网络的铁路入侵行人分类算法

异物侵入铁路限界严重影响行车安全,识别铁路限界内的人员侵入对保证铁路运营安全具有重要意义。由于既有铁路图像异物侵入检测系统只能检测报警图像,无法区分是人员侵入的正确报警还是光线干扰导致的误报警,为了降低上述误报警,本文建立了铁路异物侵限报警样本的训练集和测试集,提出了将改进的深度卷积网络提取的高层Alex特征和HOG特征相结合并用于深度卷积网络模型训练的分类算法。首先引入了改进的AlexNet深度卷积神经网络模型,提取了自动学习的Alex高层特征,然后将其与HOG特征相结合形成Alex-HOG组合特征,最后利用组合特征对分类网络进行训练。铁路异物侵限报警测试样本库的实验表明,该方法对1 498张测试样本图像的识别准确率高达98.46%,时间为3.78s,实时性和准确率均有较大提高,对降低系统误报率具有重大意义。     

基于快速视网膜局部特征的遥感图像目标识别

针对目前航天遥感图像信息复杂、数据量大,导致目标识别中特征检测准确度低、特征匹配识别时间长的问题,提出了一种基于差分加速分割角点检测算法(AGAST-Difference)和快速视网膜关键点描述算法(FREAK)相结合的目标识别方法。在特征检测阶段,建立AGAST-Difference特征检测算子,将尺度空间理论融合到加速分割角点检测算法(AGAST)中,生成具有强仿射不变性的特征点;再利用简化的FREAK采样模型描述局部特征,并构建二进制特征向量,通过计算向量间的汉明距离,完成特征匹配及目标的快速识别;最后选用美国Quick Bird卫星的遥感图片进行验证,实验结果表明,所提特征检测算子仿射不变性能较强,不仅提高了检测的可重复率,而且特征描述符区分性较强,平均匹配正确率提高了9.91%,识别用时仅为35 ms。该方法识别效率高、速度快,能够满足遥感图像实时识别的需求。     

基于行人组运动信息表达的人群异常检测

人群异常检测是智能化人群监控技术下的一个重要研究方向,在现有的方法中,异常检测的首要步骤就是获取运动信息,传统通过对视频帧均匀分块的方式并不能保证行人的完整性,提取的特征也不能准确反映行人的运动状态。本文提出了递进式人群分组的方法,先将人群运动场与帧差法结合分割图像获取人群前景,然后依据人群运动方向获取方向组,结合时空信息对方向组再聚类,得到更细致的行人组。对于每个行人组,利用人群能量特征去表征行人整体运动信息,并依据能量场构造了环块能量直方图特征来削弱行人四肢摆动的影响,最后与图像外观特征相结合用于人群异常检测。实验结果表明,本文方法在两个不同场景下帧级准确率达到83%和92%,像素级准确率达到64%和83%,与传统方法相比有较大提升。     

基于BAB策略与SVM的虹膜块状纹理检测

块状纹理是虹膜表面上一种重要的特征纹理。对于可见光虹膜图像而言,由于受眼睑、光斑及光照不均匀等因素影响,如何准确地提取出该特征纹理仍然是目前一个亟待解决的难题。提出一种基于分枝定界(BAB)策略和支持向量机(SVM)的可见光虹膜块状纹理检测方法。首先使用线性模板来提取虹膜上所有目标纹理;然后,采用BAB策略定位所有目标纹理并计算每个目标纹理的特征向量;最后,使用SVM实现对块状纹理的检测。通过实验证明,该方法对于虹膜块状纹理的检出率和检测时间均优于同类方法。