共查询到16条相似文献,搜索用时 310 毫秒
1.
2.
3.
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。 相似文献
4.
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. 相似文献
5.
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。 相似文献
6.
7.
蔡益红 《计算技术与自动化》2013,(1):98-102
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。 相似文献
8.
9.
《计算机应用与软件》2013,(3)
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
10.
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。 相似文献
11.
12.
13.
14.
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。 相似文献
15.
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。 相似文献
16.
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. 相似文献