一种基于HOG与LSS融合的行人检测算法

针对传统HOG特征的行人检测方法中因遮挡及复杂环境存在较高漏检误检情况,建立了一种基于HOG和局部自相似(LSS)特征融合的行人检测算法。利用LSS反映图像内在几何布局和形状属性的特性,用主成分分析(PCA)将HOG和LSS两类特征在实数域降维,再将两种特征组合成新特征,结合线性SVM分类器进行行人检测。实验采用INRIA数据库和Daimler数据库作为训练集训练SVM,用730幅监控视频帧图片作测试集,将该方法与基于传统HOG特征的行人检测方法做对比,结果表明该方法平均漏检误检率降低16%,检测效果优于基于传统HOG特征的行人检测方法。     

改进的基于增强型HOG的行人检测算法

行人检测在人工智能系统、车辆辅助驾驶系统和智能监控等领域具有重要的应用,是当前的研究热点.针对HOG特征不明显、支持向量机（SVM）分类器计算复杂度高,导致识别率低和检测速度慢的问题,本文提出了一种改进的基于增强型HOG的行人检测算法.该算法首先预处理原始图像并提取其HOG特征,然后增强该特征生成增强型HOG,经XGBoost分类器进行行人检测.在INRIA数据集上进行测试,实验结果表明所提算法识别率高达95.49%,有效地提高了行人检测性能.     

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.     

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。     

组合SVM分类器在行人检测中的研究

在基于HOG特征的SVM行人检测算法的基础上,提出了组合分类器的改进算法。该算法首先采用多尺度滑动窗口提取HOG特征,并对单个SVM分别进行训练,再将训练好的SVM分别采用串联、并联结构形成新分类器后对行人进行检测。为解决用多尺度滑动窗口提取特征时产生的目标候选区域重叠问题,采用非极大值抑制算法对重叠区域进行融合,进而得到准确候选区。实验表明,组合的SVM分类器可以有效降低误检率和漏检率。     

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BING似物性检测的行人快速检测算法*

针对传统滑动窗行人检测速度慢、实时性差的问题,提出了一种基于似物性的行人快速检测算法。首先,算法通过提取正负训练样本的规范化二进制梯度特征,训练级联SVM分类器得到行人似物检测模型。然后利用尺寸调节和聚类算法对初始候选区域进行聚类融合,进一步优化行人候选窗口区域。最后,提取各候选区域的HOG特征并利用SVM分类器对其进行进一步行人检测。实验结果表明：本算法在保证行人检测率的同时在检测实时性上有明显提高。     

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。     

局部二次加权与多特征融合的行人检测算法

针对复杂背景下采用单一特征进行行人检测时的局限性,提出了一种融合多种特征并运用模板弹性模型与局部二次加权的算法,将梯度直方图（HOG）、肤色、发色与曲率有效融合,建立了适用行人检测的各特征模型。第一级采用改进HOG特征结合模板弹性模型利用SVM分类器初次检测;第二级提取局部模板感兴趣区域（ROI）进行头部肤色、发色与腿部曲率检测。实验表明,该算法弥补了单一特征的不足,有效检测了行人整体与局部关键特征,提高了识别性能。     

基于边缘对称性和HOG的行人检测方法

传统基于HOG特征的行人检测方法存在检测速度慢的问题。为此,提出一种基于边缘对称性和HOG的行人检测方法。利用对称差分提取输入窗口的垂直边缘,根据垂直边缘的对称性快速检测出行人候选区,采用HOG特征和线性支持向量机对行人候选区进行验证。实验结果表明,该方法在保持传统方法检测率的同时,能提高检测速度。     

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.     

基于HOG和block权重的快速人体检测方法

为解决HOG行人检测过程缓慢的问题,在梯度向量直方图HOG中引入block权重的概念,通过合理筛选block,组成行人的特征向量,然后使用线性SVM作为分类器,重新进行学习,达到减少信息冗余、提高检测效率的目的。在INRIA库上进行实验,结果表明,通过合理选择block,能够在不影响检测效果的情况下,显著减少block的数目,达到提高检测速度的目的。     

视频中基于LW-PGD和SVM的头肩部检测

针对视频中的行人检测问题, 提出了LW-PGD (locating windows based on the pixel gradient direction of the top of head)快速定位头肩部和基于融合特征检测的方法。首先利用头顶像素点的梯度方向具有固定范围这一特性在前景中找出头顶候选点, 根据该点快速确定人体头肩部区域, 将其作为待测窗口; 然后提取待测窗口的方向梯度直方图 (histogram of oriented gradient, HOG)特征和HSV(hue saturation value) 颜色特征; 最后采用支持向量机(support vector machine, SVM)训练得到人体头肩部的分类器。实验表明, 与传统的滑动窗口搜索方法相比, 根据头顶点可以快速选取含有人体头肩部的待测窗口, 提高了检测的效率; HOG和HSV多特征融合提高了检测的精确性, 从而提出的算法有助于后续的行人分析。     

改进特征与GPU加速的行人检测

目的 目前行人检测存在特征维度高、检测耗时的问题,行人图像易受到光照、背景、遮挡等影响,给实际行人检测造成了一定困难。为了提高检测准确性,减少检测耗时,针对以上问题,提出一种改进特征与GPU （graphic processing unit）加速的行人检测算法。方法 首先,采用多尺度无缩放思想,通过canny算子对所有样本进行预处理,减少背景干扰与统一归格化的形变影响。然后,针对实际视频中的遮挡问题,把图像分成头部、左臂、上身、右臂、左腿、右腿6个区域。接着选取比LBP （local binary patterns）特征鲁棒性更好的SILTP （scale invariant local ternary pattern）特征作为纹理特征,在GPU空间中并行提取;同时,分别提取6个区域的HOG （histogram of oriented gradient）特征值,结合行人轮廓在6个区域上的梯度方向分布特性,对其进行加权。最后,将提取的全部特征输出到CPU （central processing unit）,利用支持向量机（SVM）分类器实现行人检测。结果 在INRIA、NICTA数据集上进行实验,INRIA数据集上检测率达到99.80%,NICTA数据集上检测率达到99.91%,并且INRIA数据集上检测时间加速比达到12.19,NICTA数据集上达到13.49,相对传统HOG、LBP算法,检测率、时间比实现提高。结论 提出的改进HOG-SILTP特征与GPU加速的行人检测算法,能够有效表达行人信息,改善传统特征提取方式带来的耗时与形变影响,对环境变化、遮挡具有较强的鲁棒性。该算法在检测率、检测时间方面均有提高,能够实现有效、快速的行人检测,具有实际意义。     

基于特征融合的行人检测技术

首先研究了三种不同的特征算子在基于图像行人检测中的应用. 他们分别是: 梯度直方图(Histogram of Oriented Gradient, HOG)、局部三值模式特征(Local Ternary Patterns, LTP)以及改进了的局部三值模式特征(Sqrt Local Ternary Patterns, S-LTP). 对以上三种特征算子进行了实验比较, 最后将HOG和S-LTP算子融合得到HOG+S-LTP的基于多特征的行人检测算子, 利用SVM分离器在INRIA人体库上进行了实验, 实验表明, 融合后的特征显著地提高了行人检测率, 同时也满足实时性要求.