利用腿部区域HOG特征的行人检测方法

为快速定位车辆前方的行人,提出一种基于腿部感兴趣区域梯度方向直方图（HOG）特征的行人检测方法。将可能存在行人腿部的区域作为感兴趣区域,采用Sobel算子增强腿部垂直边缘特征,并提取梯度方向直方图特征,有效地降低了特征向量的维数;在检测过程中仅扫描可能存在行人腿部的图像下半部分,并在整幅图像的块内计算HOG特征,减少了复杂背景对行人检测干扰,进一步简化了检测过程;基于垂直边缘对称性特征对检测结果进行融合。实验结果表明,该算法能在保持检测率的同时提高检测速度。     

基于感兴趣区梯度方向直方图的行人检测

针对以梯度方向直方图作为人体特征的行人检测存在向量维数较大、检测时间较长的问题,提出基于感兴趣区梯度方向直方图的行人检测方法,分别在头部及四肢等重点区域计算梯度方向直方图,有效地减少了向量维数。实验结果表明,该方法在检测率基本不变的情况下提高了检测速度。     

基于联合模型匹配的齿轮视觉检测方法

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。     

基于可变形部件模型的安全头盔佩戴检测

利用视频监控系统进行安全头盔佩戴检测,对于安全生产有着重要意义。已有的安全头盔佩戴检测算法有较多的应用场景条件限制,难以同时满足不同场景需求。针对这一问题,提出了一种应用于安全头盔佩戴检测的算法。该方法依托可变形部件模型,提出了基于块的局部二值模式直方图,与梯度方向直方图和颜色特征共同组成特征向量,使用支持向量机进行训练和检测,利用了单一使用梯度方向直方图作为特征时所损失的有效信息。实验结果表明：该方法优于原可变形部件模型,在安全头盔测试集上的平均检测率提高了7.2%,达到86.7%,已接近应用要求。     

一种基于梯度方向直方图的俯视行人的检测方法

目前已有很多关于行人检测方面的研究,这些研究基本建立在行人竖直站立或行走的平视图上,主要应用于视频监控和车载辅助驾驶等领域,但在实际应用中,有时需要从不同的视角检测行人。文中提出一种针对俯视行人检测方法,该方法将俯视行人头部的梯度方向直方图统计信息作为检测目标的特征。通过训练样本提取的特征向量在支持向量机中进行训练得到分类模型参数,然后提取检测样本的特征向量输入分类模型进行判别。与现有行人检测的梯度方向直方图算子相比,文中特征描述算子突出目标的区域与轮廓特征,在目标分块、特征计算和特征统计方法上均有变化。实验证明算法有效且处理速度明显提升。     

基于多特征与改进霍夫森林的行人检测方法

针对自然背景下的行人检测问题,提出一种多特征与霍夫森林结合的行人检测算法。在特征提取阶段,分别采用梯度方向直方图、局部二值模式和LAB颜色空间来提取行人的梯度、纹理和颜色频率特征,构成丰富的特征集来描述行人;采用霍夫森林算法来创建分类器,对其投票方式进行改进,提出一种基于高斯模板的区域加权投票方式,提高了检测精度。实验结果表明,该算法在误检率FPPW为10-4时,检测率为90.12％, ROC曲线性能上优于 HOG＋SVM 与原霍夫森林算法。     

基于稀疏表示的两级级联快速行人检测算法

针对复杂背景下的行人检测问题,提出一种两级级联的快速行人检测算法。第一级采用竖直方向的边缘对称特征和基于行人先验知识的弱分类器,排除大部分非行人区域。第二级采用梯度方向直方图特征和基于LC-KSVD字典学习的稀疏表示分类算法,对剩余区域进行精确检测。实验结果表明,该算法在保证检测精度的同时缩短了行人检测的时间,并且对遮挡情况有较好的鲁棒性。在INRIA数据库上每幅图像平均检测时间仅为69 ms,对数平均漏检率为38%,较CENTRIST+C4算法和HOG+SVM算法的漏检率有所降低,并提升了检测速度。     

基于ROI区域强分辨力HOG特征的视频行人检测

针对传统梯度方向直方图(HOG)行人检测系统中检测窗扫描区域过大、HOG特征维度大而引起的检测速度慢问题,提出了改进的视频行人检测算法.通过运动信息提取感兴趣(ROI)目标区域,利用Fisher准则和多尺度特性选取具有强分辨力的行人HOG特征从而降低特征维数,结合支持向量机(SVM)检测行人.实验结果表明,本文方法在保证视频行人检测的准确率的同时,有效地提高了行人检测的速率.     

基于ZYNQ的车载行人检测系统设计与实现

为了防止驾驶员因注意力分散而导致的行人交通事故,提出了一种基于ZYNQ的车载行人检测系统设计方案。方案在FPGA部分完成图像采集、缓存和显示,在ARM部分运行梯度方向直方图和支持向量机算法对图像进行行人检测,获取行人的位置,并根据行人位置给出相应的预警信息。该系统实现了行人检测的目的,具有准确度高、体积小、功耗低等特点。     

基于亮度信息的红外行人检测

红外图像中的行人具备边缘和亮度两个显著特征信息。为了能够充分利用这两种信息,在亮度直方图特征基础上,提出了一种不同区间大小的亮度直方图特征。通过统计分析红外图像中行人各部件对应的亮度区间信息,确定映射规则,从而构建不同区间大小的亮度直方图,然后通过与梯度方向直方图特征相结合,并用于Adaboost模型训练。该方法提高了行人检测系统的检测率。     

A novel low false alarm rate pedestrian detection framework based on single depth images

Pedestrian detection is an important image understanding problem with many potential applications. There has been little success in creating an algorithm which exhibits a high detection rate while keeping the false alarm in a relatively low rate. This paper presents a method designed to resolve this problem. The proposed method uses the Kinect or any similar type of sensors which facilitate the extraction of a distinct foreground. Then potential regions, which are candidates for the presence of human(s), are detected by employing the widely used Histogram of Oriented Gradients (HOG) technique, which performs well in terms of good detection rates but suffers from significantly high false alarm rates. Our method applies a sequence of operations to eliminate the false alarms produced by the HOG detector based on investigating the fine details of local shape information. Local shape information can be identified by efficient utilization of the edge points which, in this work, are used to formulate the so called Shape Context (SC) model. The proposed detection framework is divided in four sequential stages, with each stage aiming at refining the detection results of the previous stage. In addition, our approach employs a pre-evaluation stage to pre-screen and restrict further detection results. Extensive experimental results on the dataset created by the authors, involves 673 images collected from 11 different scenes, demonstrate that the proposed method eliminates a large percentage of the false alarms produced by the HOG pedestrian detector.     

A fast hybrid computer vision technique for real-time embedded bus passenger flow calculation through camera

Bus passenger flow calculation system is a critical part of the smart public transportation framework. Bus passenger flow information can help to make data statistics report of the passenger at a bus station which can be used by public transport operator to evaluate the quality of the transportation. Statistics report of crowded passengers in the bus station help managers to understand the bus transit operations, can provide the database for the intelligent transportation scheduling, help to provide more and better services for passengers, overall data statistics of passengers has important practical significance to improve public transport environment. This paper presents a passenger counting algorithm based on hybrid machine learning approach. In the first step, an advanced method is used to extract the Histogram of oriented gradients (HOG) feature of passenger’s heads. Classification of head features is done by using support vector machine (SVM) as a classifier for the liner model. Heads are detected successfully after performing all steps. In next step Kanade-Lucas-Tomasi (KLT) is used to reality head tracking, the multiple target tracking is achieved and the head motion trajectory of passenger target is captured stably. At last, the trajectory is analyzed and the automatic counting of bus passenger flow is realized. In the last step, the proposed algorithm is move to embedded system for practical implementation. In this paper, the algorithm intends to use ADSP-BF609 embedded platform for transplantation. The experimental results demonstrate that the statistical accuracy of the proposed algorithm is enhanced successfully; especially during the daytime with the good illustration, the effective counting of the passenger flow is achieved and the inward and outward passenger counting can be realized. In this paper three feature extraction models are used namely local binary patterns, histograms of oriented gradients and binarized statistical image in order to get accurate features. Furthermore, three common classification techniques including naïve bayes classifier, boosted tress and support vector machines are used for fine classification of extracted vectors obtained from different features extractors model. 94.50% accuracy is achieved when support vector machine (SVM) classifies the features extracted using Histogram of oriented gradients (HOG). SVM surpasses the accuracy obtained by Boosted tree namely 81.30% using Histogram of oriented gradients (HOG) features.

     

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。     

基于改进特征袋模型的奶牛识别算法

针对特征袋（BOF）模型中存在特征计算耗时、识别精度低的不足,提出一种新的改进BOF模型以提高其目标识别的精度和效率,并将其应用于奶牛个体识别。该算法首先引入优化方向梯度直方图（HOG）特征对图像进行特征提取和描述,然后利用空间金字塔匹配原理（SPM）生成图像基于视觉词典的直方图表示,最后自定义直方图交叉核作为分类器核函数。该算法在项目组自行拍摄的数据集（包含15类奶牛、共7500张奶牛头部图像）上的实验结果表明,使用基于SPM的BOF模型将算法的识别率平均提高2个百分点;使用直方图交叉核相比使用高斯核将算法的识别率平均提高2.5个百分点;使用优化HOG特征,相比使用传统HOG特征将算法识别率平均提高21.3个百分点,运算效率为其1.68倍;相比使用尺度不变特征变换（SIFT）特征,在保证平均识别精度达95.3%的基础上,运算效率为其7.10倍。分析结果可知,该算法在奶牛个体识别领域具有较好的鲁棒性和实用性。     

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。     

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。     

多特征分层融合的相关滤波鲁棒跟踪

目的 为提高目标跟踪的鲁棒性,针对相关滤波跟踪中的多特征融合问题,提出了一种多特征分层融合的相关滤波鲁棒跟踪算法。方法 采用多通道相关滤波跟踪算法进行目标跟踪时,从目标和周围背景区域分别提取HOG（histogram of oriented gradient）、CN（color names）和颜色直方图3种特征。提出的分层融合算法首先采用自适应加权融合策略进行HOG和CN特征的特征响应图融合,通过计算特征响应图的平滑约束性和峰值旁瓣比两个指标得到融合权重。将该层融合结果与基于颜色直方图特征获得的特征响应图进行第2层融合时,采用固定系数融合策略进行特征响应图的融合。最后基于融合后的响应图估计目标的位置,并采用尺度估计算法估计得到目标更准确的包围盒。结果 采用OTB-2013（object tracking benchmark 2013）和VOT-2014（visual object tracking 2014）公开测试集验证所提跟踪算法的性能,在对多特征分层融合参数进行分析的基础上,与5种主流基于相关滤波的目标跟踪算法进行了对比分析。实验结果表明,本文算法的目标跟踪精度有所提高,其跟踪精度典型值比Staple算法提高了5.9%（0.840 vs 0.781）,同时由于有效地融合了3种特征,在多种场景下目标跟踪的鲁棒性优于其他算法。结论 提出的多特征分层融合跟踪算法在保证跟踪准确率的前提下,跟踪鲁棒性优于其他算法。当相关滤波跟踪算法采用了多个不同类型特征时,本文提出的分层融合策略具有一定的借鉴性。     

基于HOG和SVM的双眼虹膜图像的人眼定位算法

针对近红外光下现有的人眼定位算法普遍存在准确性不高、泛化能力不佳等问题，提出了一种基于方向梯度直方图（HOG）和支持向量机（SVM）相结合的双眼虹膜图像的人眼定位算法。利用HOG提取虹膜图像的人眼特征，并结合SVM分类器对HOG特征进行训练从而实现人眼的精确定位。为了减少漏检和误检，进一步提高定位准确率，又提出了多级级联SVM分类器算法；另外针对近红外光线下虹膜图像独特的灰度分布特点，设计了一种图像预处理方法，能够显著提高人眼定位速度。在MIR2016和CASIA-IRIS-Distance数据集上的实验结果表明，基于HOG和SVM的双眼虹膜图像的人眼定位算法具有高准确率、强泛化能力和高实时性。     

基于MB-LBP和HOG的掌纹识别

掌纹识别是模式识别及智能信息处理领域的研究热点。针对传统掌纹识别方法易受噪声影响,且旋转鲁棒性差的问题,提出基于分区的多块局部二值模式（MB-LBP）和梯度方向直方图（HOG）的掌纹识别方法。该算法首先利用分区MB-LBP和HOG算法分别提取掌纹的纹理、边缘特征,然后将提取的两种特征通过串联的方式进行融合,最后计算测试图像与训练图像的绝对值距离并利用最近邻分类器得出分类结果。实验对比传统算法（PCA、LBP和HOG）,得到较高的掌纹识别率。因此,将基于分区多块局部二值模式与梯度方向直方图特征进行融合,可提取较完整的掌纹有效信息,对于光照不均匀和有位置变化的掌纹具有一定的健壮性,具有良好的掌纹识别性能。