基于一种新的级联分类器的目标检测系统

在机器视觉领域中,目标检测是一个至关重要的研究问题,提出一种新的目标检测算法。该算法在MB-LBP特征级联分类器的基础上再串联两个分类器,分别为基于SIFT特征分类器和基于SURF特征分类器。首先,当测试图像通过MB-LBP特征级联分类器时,所有的目标都没漏检,但是有部分非目标被误检为目标,接着依次通过基于SIFT特征分类器和基于SURF特征分类器,检测结果只剩下目标和极少数非目标。实验结果表明,由MB-LBP特征级联分类器、基于SIFT特征分类器和基于SURF特征分类器构成的新级联分类器可以有效提高查准率。     

智能视频监控中基于肤色信息的人脸检测算法研究

针对智能视频监控中人脸检测受复杂环境以及多姿态人脸的影响,采用一种基于肤色特征与Ada Boost算法相结合的方法,提取两种算法各自优点并加以优化,其主要思想是利用肤色特征建立肤色模型,选出含有人脸预检测肤色区域,进行人脸样本训练,提取人脸样本Haar特征,进行弱分类器训练,利用迭代的方法,再将不同的弱分类器组合成强分类器,最后形成级联分类器,运用级联分类器检测含有人脸的肤色区域。实验结果表明,该方法不仅提高了智能视频监控中人脸检测的效率和准确性,而且具有较好的鲁棒性。     

基于类Haar特征和最近邻分类器的车辆检测

针对传统车辆检测方法计算复杂和误检率高的问题,提出了一种基于类Haar图像特征描述的车辆检测方法。首先,建立特征向量库,利用类Haar特征对训练样本进行特征提取。然后,提取待检测图像的子图像特征信息。最后,最近邻分类器利用特征向量库对待识别的子图像进行车辆存在性检测。利用积分图像的概念对图像进行描述,大幅度提高了特征提取速度。此外,分析了不同数量的类Haar特征对检测效果的影响。实验结果表明,该方法能大幅降低误检率,获得较高的查准率,对日间自然光条件下的车辆有较好的检测效果。     

基于多级联不对称增强和遗传算法的人脸检测

提出了一种基于多级联不对称增强和遗传算法的AdaBoost人脸检测方法。可把认假率和拒真率反馈给当前训练阶段,并通过阀值比较来控制级联层数和局部最佳弱分类器权值。用遗传算法训练选取的局部最佳弱分类器,实现用较少的弱分类器达到高检出率。仿真实验结果表明,该算法可以有效避免过拟合和特征冗余现象,获得较高的检测速度和精度。     

复杂彩色图像中的文本定位

针对复杂彩色图像中文本的特征,提出了利用一组级联弱分类器甄别文本区域的算法。首先根据文本块的边缘特征遴选出备选图像块,而后将其送入设计好的级联弱分类器,依次利用文本块特征、颜色信息、区域特征和字符笔画特征准则判断备选图像块是否包含文本。采用专用的文本定位比赛用图进行实验的结果表明,该方法运算简单,定位时间短,定位准确率可达到94.1%,召回率为85.9%。     

基于手机平台的人脸检测系统的研究

随着通信技术和图像处理技术的发展,手机不仅是一种便携的通信工具,而且能够用来拍照。针对市场上的非智能手机拍照的性能欠佳又不具备图像处理功能的缺点,选取了扩展的Haar特征,利用Intel开源的图像处理软件OpenCV在智能手机操作系统上实现了一个Adaboost人脸检测系统,描述了建立样本、图像预处理、特征提取、构造级联分类器和目标检测等过程。多次实验证明,该系统正检率高,检测时间短,具有一定的实用性。     

一种基于多级梯度能量特征的DCT 压缩域人脸检测算法

压缩域人脸检测在图像/视频信息处理中具有重要意义.本文提出了一种基于多级梯度能量特征的DCT (Discrete Cosine Transform)压缩域人脸检测算法.依据DCT压缩图像色差信号的直流系数进行肤色分割,减小检测范围.在分割为肤色的区域提取多级梯度能量特征,即利用不同大小的检测窗口提取归一化的特征向量,表示不同大小的人脸.特征向量输入到级联分类器中分类,确定是否表示人脸.级联分类器由若干简单分类器和一个神经网络分类器构成.简单分类器利用一些先验知识排除大部分明显不是人脸的特征向量,通过简单分类器的特征由神经网络最终确定是否表示人脸.多级梯度能量特征与DCT域图像缩放相结合实现了对不同大小人脸的快速检测.对多级梯度能量特征的定义,减少了检测算法中压缩域图像缩放的次数,从而大幅度减少了计算复杂度,提高了检测速度.实验结果表明提出的多级梯度能量特征可有效描述DCT域人脸模式,同时也证明了该算法的快速有效性.     

基于Adaboost算法的人脸检测技术的研究与实现

随着信息安全,人机交互等领域的发展,人脸检测作为人脸识别的一个重要前期步骤,开始作为一个独立技术越来越受到关注。根据Adaboost算法的基本原理,生成简单的矩形特征为人脸特征（Haar—like特征）,然后由多＆Harr-hke特征构成一个简单的弱分类器,由多个弱分类器级联成为一个强的分类器,并将级联分类器用于动态的人脸检测中,从截取的每一帧图像进行检测。实验证明应用本算法有良好的实时性和准确性。     

基于小波变换和规范型纹理描述子的人耳识别

 在带有角度的人耳图像上提取有效特征一直是人耳识别的难点.本文提出一种基于Haar小波变换和规范型纹理描述子的人耳识别方法,即先对人耳图像进行Haar小波变换,然后利用更加合理的规范型纹理描述子,同时结合分块与多分辨率思想,共同描述经Haar小波变换后人耳子图像的纹理特征,最后用最近邻分类器进行分类识别.实验结果表明,Haar小波变换可以有效增强图像纹理基元的有效信息;利用规范型纹理描述子提取特征不仅速度快,而且具有很强的鲁棒性,尤其与分块、多分辨率方法相结合时,效果更为显著,明显优于经典的PCA和KPCA方法.     

静态图像中基于多分类器的人体检测技术研究

首先介绍Haar特征,然后介绍用于分类器训练的Adaboost算法,该方法训练的级联分类器用于人体检测时虽然具有很高的检测率,但虚警率较高.为了保持检测率,降低虚警率,在原有分类器的基础上再训练两个分类器,一个是利用头肩样本训练的分类器,另一个是利用腿部样本训练的分类器.实验证明:该方法设计的分类器在保持较高的检测率的同时其虚警率比原方法设计的分类器降低一个数量级.     

基于Adaboost算法的人脸检测技术的研究与实现

人脸检测是人脸识别技术的基础,首先提出人脸检测系统的构成,分析Adaboost算法对图像进行人脸检测的基本原理。根据Adaboost算法形成了简单的矩形特征作为人脸特征,即Haar-like特征,然后由多个Haar-like特征相当于一个弱分类器,由多个弱分类器级联成为一个强的分类器,并将级联分类器用于动态人脸检测中,从截取的每一帧图像中进行检测。经过实验验证,采用这种方法和步骤进行人脸检测达到了比较好的精度和速度,N-I~T来的人脸识别提供了前提条件。     

采用Gentle AdaBoost和嵌套级联结构的实时人脸检测

本文提出一个基于Gentle AdaBoost和嵌套级联结构(Nesting Cascade Structure)的快速人脸检测器。采用嵌套级联结构并在训练过程中剔除前级节点分类器已使用过的特征,解决了经典的AdaBoost级联分类器因各节点分类器独立训练导致不同节点之间特征相同的弱分类器大量存在而影响检测速度的问题,提高了人脸检测速度。采用Gentle AdaBoost算法训练节点分类器以提高各节点分类器的泛化能力,进一步减少嵌套级联结构中弱分类器的个数。实验结果表明本文所提出的人脸检测算法大幅度减少了级联分类器所需的弱分类器个数,使检测的速度得到明显的提高,在CIF(352×288)格式的视频上达到每帧8毫秒的检测速度,优于现有的人脸检测算法,而且检测的准确性也比现有的人脸检测算法略有提高。      

视频图像中人脸自动检测与统计算法

针对视频中人脸检测由于成像角度、天气状况、遮挡等因素造成检测准确率偏低以及深度学习模型计算复杂度高的问题,文中提出了一种基于椭圆肤色模型与AdaBoost的人脸检测算法。算法通过选取Haar-like特征作为弱分类器,以裁剪过的CAS_PEAL数据集中的人脸图像作为训练集,利用AdaBoost算法将多个弱分类器组合成一个强分类器,最后将若干强分类器以级联的结构组成最终的分类器模型。为解决将非人脸区域检测为人脸的问题,引入椭圆肤色模型,利用椭圆肤色模型对视频帧进行处理使得图像中与肤色相似的区域进入后续的人脸检测过程以降低误检率。实验结果表明,算法能以平均26 ms(单人脸视频)和平均34 ms(多人脸视频)的检测速度进行实时的人脸检测,且达到了87.2%的检测准确率,具有较大的应用推广价值。     

基于Joint HOG特征复杂场景下的头肩检测

视频监控领域的行人检测是一项重要的研究课题,然而很多情况下行人姿态多样、相互遮挡使得检测变得困难,故采用了头肩的轮廓特征来进行检测。头肩的定位检测采用了Haar特征和HOG特征的层级分类方法,并根据头肩的对称性特点,提出了一种称为Joint HOG的组合型特征。通过Haar分类器滤除大部分负样本后,接着用HOG进行精细的验证从而得到头肩目标框。实验表明,本文的方法取得了80%~90%的准确率,并且完全可以用于实时处理。     

基于计算机视觉技术的人脸检测系统设计

通过对基于Haar-like特征的AdaBoost人脸检测算法研究,利用由该算法训练的级联分类器和计算机视觉类库OpenCV进行人脸检测系统设计,实现了基于静态图像、摄像头视频和avi视频的人脸检测与标记,以及标记后的人脸区域图像实时显示和存盘。此外,在VC＋＋6.0环境下实现了对人脸检测系统软件界面的开发。实验结果表...     

融合SVM和AdaBoost的近红外人脸识别方法

针对人脸识别算法复杂度高和误检率高的问题,提出了一种在二维主元分析(2DPCA)方法基础上,融合支持向量机(SVM)和AdaBoost训练法的近红外人脸识别新算法。该算法首先对近红外光照下的图像通过人脸检测、小波变换和二维主元分析得到"特征脸";然后,对特征数据先进行SVM分类学习,并以SVM学习结果作为初始分类器,再通过Ada-Boost方法进一步加强,形成强分类器,作用于待测样本,完成识别。实验证明,该算法不仅提高了分类器的分类能力,而且降低了计算的复杂度,在实际场景应用中有较高的识别率。     

Design and implementation of a real-time eye tracking system

Driver fatigue severely affects driver's alertness and ability to drive safely. There are vital problems related to drivers fatigue on driving of trains, vehicles and airplanes. Therefore, the driver fatigue research is important. In this paper, we first study the impact of eye locations on face recognition accuracy, with Haar-like feature and AdaBoost classifier, face and eye area can be detected quickly and accurately. In the part of eye tracking, cam-shift based mean-shift algorithm is used to track the eyes. This method could automatically adjust the size of tracking window according to the different posture of driver. The performance of our eye detection method is validated by using image database with more than 6000 pictures. In addition, our real-time eye tracking system has been tested on railway line segment (China). There are 5 train drivers involved in the experiment. The validation shows that our eye detector has an overall 93% eye detection rate.     

一种基于类Haar特征和改进AdaBoost分类器的车辆识别算法

 提出一种基于类haar特征和改进AdaBoost分类器的车辆图像识别算法,以解决当前基于SVM分类器或级联分类器存在的分类识别性能不足以及传统基于AdaBoost算法的训练所需时间过长的问题.首先,基于积分图提取图像的扩展类haar特征,然后对所提取的海量类haar特征应用改进的AdaBoost分类器训练方法进行特征选择及分类器训练,最后利用所选择的特征信息及训练得到的分类器进行两类分类识别.实验结果表明,文中方法无论是在识别性能还是训练所需时间方面均明显优于传统方法,具有较好的应用前景.     

Analysing animal behaviour in wildlife videos using face detection and tracking

An algorithm that categorises animal locomotive behaviour by combining detection and tracking of animal faces in wildlife videos is presented. As an example, the algorithm is applied to lion faces. The detection algorithm is based on a human face detection method, utilising Haar-like features and AdaBoost classifiers. The face tracking is implemented by applying a specific interest model that combines low-level feature tracking with the detection algorithm. By combining the two methods in a specific tracking model, reliable and temporally coherent detection/tracking of animal faces is achieved. The information generated by the tracker is used to automatically annotate the animal's locomotive behaviour. The annotation classes of locomotive processes for a given animal species are predefined by a large semantic taxonomy on wildlife domain. The experimental results are presented.