首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到20条相似文献,搜索用时 140 毫秒
1.
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。  相似文献   

2.
通过嵌入式设备在边缘端进行行人检测能满足实时、安全与隐私保护等方面的基本需求.由于原CenterNet检测网络模型backbone通常以DLA、Hourglass等复杂度较高的多层特征融合结构,嵌入式设备的计算能力有限难以满足实时的要求,因此基于BiFPN网络结构和加权特征融合方法,通过对backbone中的不同特征层进行加权融合,改进了原来的backbone方法,在保证检测精度的同时提升了检测速度.同时针对行人这一特定的检测类别,通过修改训练期间HeatMap上高斯核分布,增加对行人检测的适应性,进一步减少了因行人之间相互遮挡而漏检造成的精度降低.在Jetson TX2上的实验结果表明,改进后的行人检测AP为0.774,同时单张图像的推理时间为68 ms,能够满足在嵌入式设备上的实时要求.  相似文献   

3.
针对在交通场景下的行人,考虑到绝大多数交通场景中车辆与行人同时存在,提出一种在对背景图像进行初步行人检测的同时对车辆进行检测的方法,建立一种行人与车辆关系模型。以车辆位置作为辅助检测基础,引入真假阳性检验用以排除出现在不可能区域的行人并介绍了具体方法。该方法首先对行人、车辆、行人与车辆关系特征进行定义并建模形成与其有关的函数关系,然后推导得到适用于支持向量机的标准形式,最后通过支持向量机回归法训练分类器进行分类识别。现场实测结果表明,此种方法大大降低了误检率,对不同分辨率图片中的行人均有较好的识别效果。  相似文献   

4.
针对YOLOv3算法在监控视频行人检测中对遮挡目标漏检率较高的问题,文中提出改进YOLOv3网络结构的遮挡行人检测算法.首先在网络全连接层引入空间金字塔池化网络,增强网络的多尺度特征融合能力.然后采用网络剪枝的方式,精简网络冗余结构,避免网络层数加深导致的退化和过拟合问题,同时减少参数量.在走廊行人数据集上进行多尺度训练,获得最优的权重模型.实验表明,文中方法在平均准确率和检测速度上都有所提升.  相似文献   

5.
本文提出了基于半监督学习的行人检测方法,用以解决大量的无标记样本问题。在集成分类器的训练过程中,选择BP神经网络分类器、SVM分类器和KNN分类器作为3个子分类器,利用协同训练机制对各个子分类器进行协同训练。针对半监督学习中误标记样本问题,引入富信息策略和辅助学习策略消除训练过程引入的噪声,同时充分利用无标记样例,进而提高分类器的分类精度。通过对测试集和实时视频进行的行人检测实验,证明了本文方法的可行性和有效性。  相似文献   

6.
基于Gentle Adaboost的行人检测   总被引:2,自引:0,他引:2       下载免费PDF全文
行人检测是物体检测领域的一大难点。为了更加快速地检测行人,将人脸检测中Boosted Cascade算法应用到行人检测中,并对其进行了改进,即先利用加权平均矢量投影的方法将高维的梯度直方图特征化为1维,再利用lookup table进行概率密度估计,从而将Gentle Adaboost成功地应用于行人检测。实验表明,该方法不仅训练时间短、检测速度快,而且检测精度接近目前的最佳水平。  相似文献   

7.
顾会建  陈俊周 《计算机应用》2014,34(7):2033-2035
近年来多尺度行人检测在计算机视觉领域受到广泛关注。传统方法需对图像缩放,在不同尺度计算特征,大大降低了行人检测的速度。颜色自相似特征(CSSF)被提出以克服此不足。针对颜色自相似度特征具有维度高和分类器训练时间长等问题,提出一种改进的颜色自相似度特征。改进的颜色自相似度特征结合行人结构相似度,首先定义了固定尺寸的窗口,然后在不同的颜色空间滑动固定大小的窗口进行特征提取,最后结合自适应增强(AdaBoost)算法构建行人检测分类器。实验结果显示:相对于传统颜色自相似度特征的千万级维度,新的特征只有几千维,特征提取速度和分类器训练速度显著提高,检测效果略有下降;与梯度方向直方图特征(HOG)相比,特征提取速度提高5倍,检测效果基本不变,新的方法在实时行人检测和监控系统中有很好的应用价值。  相似文献   

8.
由于交通场景中的行人目标所处的背景环境复杂、目标较小等因素,使得目前的行人检测算法在实际应用中存在检测精度不高、检测速度较慢的问题。因此行人检测模块作为高级辅助驾驶系统的核心模块,一直以来都是目标检测的研究热点之一。针对交通场景中小尺度行人目标,将传统的SSD网络结构中的主干网络卷积层结合Inception模块中的稀疏连接来优化卷积结构,从而增强网络的特征提取能力。同时利用残差结构组成的预测模块代替传统的两个3×3大小的卷积核来进一步提取特征图的深层特征,提高对小尺度行人目标的检测精度。引入Focal Loss函数作为网络的分类损失函数,使得损失函数更加关注于包含更多有用信息的困难负样本,解决训练过程中正负样本不平衡的问题,加快网络的收敛和稳定。实验结果表明,对于交通场景中小尺度的行人目标改进的SSD算法在检测精度和速度上都有所提高。  相似文献   

9.
为获得最直观的行人目标检测结果,避免运动姿态不确定性对实时检测造成的影响,设计基于卷积神经网络的行人目标检测系统。以CNN计算框架作为硬件结构主体,分级连接目标传感器与神经型卷积分类器,按照并行检测原理及卷积神经架构搭建检测体系结构。建立训练文件体系,通过迎合目标训练环境的方式,配置必要的检测文件参数,完成待检测行人目标的样本训练处理。在检测节点架构中,规定与访问接口关联的配置条件,借助增设的模块复用加速结构,直接获取行人目标检测结果,实现行人目标的样本重构,完成基于卷积神经网络的行人目标检测系统设计。实验结果表明,与PCA、SVM算法相比,应用卷积神经网络型检测系统后,单位时间内的行人目标检测量达到9.6×109T,目标数据堆积速率降低至1.14×109T/s,能够直观获取行人目标检测结果,有效抑制了运动姿态不确定性对系统实时检测的影响。  相似文献   

10.
针对工业场景下对图像中机械零件的视觉检测任务引入区域块循环分解行人检测算法。根据检测精度的需要,利用Par-King图像增强算法改进目标和背景梯度方向直方图特征的可分性,自建数据集训练出SVM和频域SVR两个不同的分类器模型并利用可变性部件模型算法中图像金字塔匹配方法对测试集图像进行联合视觉检测。实验结果表明,该联合检测方法相比于区域块循环分解行人检测算法有着更好的检测精度。  相似文献   

11.
基于One-class SVM的实时入侵检测系统   总被引:1,自引:0,他引:1       下载免费PDF全文
黄谦  王震  韦韬  陈昱 《计算机工程》2006,32(16):127-129
将One-class支持向量机和Online训练算法应用于入侵检测研究中,把入侵检测看作是一种单值分类问题,能够在有噪声的数据集中进行训练,降低了对训练集的要求,提高了检测准确性。同时解决了基于SVM的入侵检测系统实时训练的问题,在实际运用中可以实时地添加新的训练样本对新出现的攻击手段进行分类。在KDD CUP’99标准入侵检测数据集上进行实验,系统缩短了训练时间并且获得了较高的检测准确率。  相似文献   

12.
入侵检测系统已经成为网络安全技术的重要组成部分。然而,传统的异常入侵检测技术需要通过对大量训练样本的学习才能达到较高的检测精度,而大量训练样本集的获取在现实网络环境中是比较困难的。本文研究在网络入侵检测中采用基于支持向量机(SVM)的主动学习算法,解决训练样本获取代价过大带来的问题。通过基于SVM的主动学习算
算法与传统的被动学习算法的对比实验说明,主动学习算法能有效地减少学习样本数及训练时间,能有效地提高入侵检测系统的分类性能。  相似文献   

13.
YOLOv3是一种单步目标检测算法,不需要产生区域候选网络(RPN)来提取目标信息,相对于双步目标检测算法具有更快的检测速度。但是,现有算法在小目标检测上存在精度不高和漏检现象的问题,为此提出了一种基于YOLOv3算法的训练集优化和图层处理的检测方法。首先在标准数据集VOC2007+2012和自建的举手行为数据集上采用K-means算法做聚类分析,以得到适应数据集训练尺寸的anchor大小;然后通过调整训练参数及选择合理的标签标注方式进行训练;最后对输入图像进行图层处理并进行目标检测。实验结果表明,聚类分析后VOC2007验证集的平均准确度(mAP)提高了1.4%,并有效解决了原算法在检测过程中较高卷积层上感受野小的问题,从而使YOLOv3算法在小目标物体的检测上精度提高,漏检率也相对下降。  相似文献   

14.
目标检测作为计算机视觉的核心,在人脸识别、人脸跟踪、大规模场景识别等方面具有广泛应用,其中One-stage领域的SSD算法检测速度和检测性能较为突出,但在环境较为复杂的多目标检测情况下仍会出现误检和漏检。针对这一问题,提出一种改进SSD算法的多目标检测方法,通过优化SSD内部网络和提高样本适用性的方式改善检测性能;其中,采用修改网络输出和添加抗旋转层ARConv来统一网络结构,降低模型训练时间,减少漏检;并提出P-NMS算法和限制函数优化训练样本,减少误检;在测试阶段,提出单张图片批量测试方法,有效提高模型召回率。实验结果表明,改进后算法具有更强的鲁棒性,并且能有效降低误检、漏检率提升网络性能。  相似文献   

15.
徐敏 《计算机工程》2012,38(6):198-200
提出一种基于人工示例训练的神经网络集成入侵检测方法。使用不同的训练数据集训练不同的成员网络,以此提高成员网络之间的差异度。在保证成员网络个数的基础上,选择差异度较大的成员网络构成集成,以提高系统的整体性能。实验结果表明,与当前流行的集成算法相比,该方法在保证较高入侵检测率的前提下,可保持较低的误检率,并对未知入侵也具有较高的检测率。  相似文献   

16.
目的 针对基于Haar-like特征的Adaboost人脸检测算法,在应用于视频流时训练的时间较长,以及检测效率较低的问题,提出了一种基于区间阈值的Adaboost人脸检测算法。方法 通过运行传统的Adaboost算法对人脸图像Haar-like特征值进行提取分析后,对人脸样本与非人脸样本特征值进行比较,发现在某一特定的特征值区间内,人脸和非人脸区域能够得到准确区分,根据此特性,进行分类器的选择,在简化弱分类器计算步骤的同时,降低训练时间,提高对人脸的识别能力。除此之外,弱分类器的增强通过Adaboost算法的放大使得强分类器分类精度提高,与级联结构的配合使用也提升了最终模型检测人脸的准确率。结果 利用MIT(Massachusetts Institute of Technology)标准人脸库对改进Adaboost算法的性能进行验证,通过实验验证结果可知,改进后的Adaboost人脸检测算法训练速度提升为原来的1.44倍,检测率上升到94.93%,虚警率下降到6.03%。并且将改进算法在ORL(Olivetti Research Laboratory)、FERET(face recognition technology)以及CMU Multi-PIE(the CMU Multi-PIE face database)这3种标准人脸库中,分别与SVM(support vector machine)、DL(deep learning)、CNN(convolutional neural networks)以及肤色模型等4种算法进行了人脸检测对比实验,实验结果显示,改进后的Adaboost算法在进行人脸检测时,检测率提升了2.66%,训练所需时间减少至624.45 s,检测效果明显提升。结论 提出的基于区间阈值的Adaboost人脸检测算法,在分类器的训练和人脸检测方面都比传统的Adaboost算法性能更高,能够更好地满足人员较密集处(如球场等地)对多人脸同时检测的实际需求。  相似文献   

17.
提出了一种新型的基于聚类算法的统计学习侧面人脸检测算法。通过对侧面人脸的各个视角建立分类器,使用新的Ad-aBoost训练策略,然后应用该聚类算法进行检测结果融合,从而有效检测出人脸。并使用该算法成功解决耳朵检测问题,取得了较好的实验结果。实验表明,该检测算法可以有效地检测出侧面人脸和耳朵,是一种普遍有效的目标检测算法。  相似文献   

18.
本文描述了一种采用人工神经网络技术的高效异常入侵检测模型,对网络流量处理、神经网络的训练及其算法、神经网络的检测及其算法进行了详细的论述,利用Levenberg-Marquardt算法对传统BP算法进行改进,改进的BP算法较传统BP算法具有收敛速度快、正确检测率高的优点。  相似文献   

19.
入侵检测领域的数据往往具有高维性及非线性特点,且其中含有大量的噪声、冗余及连续型属性,这就使得一般的模式分类方法不能对其进行有效的处理。为了进一步提高入侵检测效果,提出了基于邻域粗糙集的入侵检测集成算法。采用Bagging技术产生多个具有较大差异性的训练子集,针对入侵检测数据的连续型特点,在各训练子集上使用具有不同半径的邻域粗糙集模型进行属性约简,消除冗余与噪声,实现属性约简以提高属性子集的分类性能,同时也获得具有更大差异性的训练子集,采用SVM为分类器训练多个基分类器,以各基分类器的检测精度构造权重进行加权集成。KDD99数据集的仿真实验结果表明,该算法能有效地提高入侵检测的精度和效率,具有较高的泛化性和稳定性。  相似文献   

20.
近些年,自动驾驶开始进入人们的视线。对于自动驾驶而言,模糊光线场景下的交通标志检测是其中极其重要的一部分。目前YOLO v4算法广泛用于目标检测,虽然它的检测精度相比于其他YOLO版本有着较大的提高,但是还没有达到预期的精度。为了进一步提高检测交通标志的精度,本文在原有YOLO v4的基础上作一定的改进并与MSRCR图像增强处理相结合。首先将作为训练的图片通过MSRCR算法达到图像增强的目的,并将其作为目标检测的训练集图像。使用Darknet-53的YOLO v4网络,通过labelImg标注BelgiumTS交通信号数据集,使用改进的K-means++聚类算法确定先验框和具体参数并且改进路径聚合网络(PANet)结构和损失函数,将数据集进行训练。实验结果表明,改进后的算法与原本的YOLO v4算法相比较,平均精度提高了1.86个百分点。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号