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.     

聚合支持向量机分类器的行人检测方法

针对支持向量机分类器的行人检测方法采用欠采样方法,存在正负行人比例不平衡造成的准确率不高问题,结合欠采样和EasyEnsemble方法,提出一种聚合支持向量机（Ensemble SVM）分类器的行人检测方法。随机选择负样本作为初始训练样本,并将其划分为与正样本集均衡的多个子负样本集,构建平衡子训练集,线性组合成EasyEnsemble SVM分类器;利用该分类器对负样本进行分类判断,将误判样本作为难例样本,重新划分构建新的平衡子训练集,训练子分类器,结合EasyEnsemble SVM分类器,得到Ensemble SVM分类器行人检测方法。在INRIA行人数据集上的实验表明,该方法在检测速度和检测率上都优于经典的SVM行人检测算法。     

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.     

基于改进HOG特征和SVM分类器的行人检测

本文首先研究了行人检测的方法和面临的难点,然后根据高斯平滑滤波器和双线性插值法对传统方向梯度直方图做了改进,并搭建了支持向量机模型,从而构建了基于改进HOG特征和SVM分类器的行人检测系统。实验结果显示,在明亮且无遮挡的场景下,矩形框精确地定位行人,在光照不足或存在轻微遮挡时可以大体定位到行人,表明该系统在明亮无遮挡的情况下有准确的结果,并且在昏暗和轻度遮挡下检测效果良好,最后通过对比可以得出,本文提出的方法总体效果优于传统HOG特征和SVM分类器的方法。     

基于GPU的图片特征提取与检测

针对目前高速网络中图像数目多、分辨率大、普通PC机上的检测方法对图片检测达不到实时性的问题,提出了一种基于GPU的快速图片检测方案。该方案分别采用SURF(Speed-Up Robust Features,加速鲁棒特征)算法和SVM(Support Vector Machine,支持向量机)算法对图像进行特征提取和特征分类,并利用GPU浮点运算的并行性来优化系统。最后实验证实,相对于普通PC机上实现的方案,使用GPU的检测速度提升5到9倍。     

基于HOG特征的行人视觉检测方法

行人检测是近年来计算机视觉领域中备受关注的前沿方向和研究热点.以单目视觉传感器作为外界环境信息获取的主要手段,建立了一个包含行人分割、识别的检测系统.根据行人特有的一些特征,提出了基于垂直边缘和边缘对称性的行人分割方法,并进行精确定位.在行人识别阶段利用HOG特征进行特征提取,然后利用线性支持向量机进行行人识别.对大量...     

基于DSP的监控视频行人检测系统优化与实现

针对行人检测系统在嵌入式平台实施时效率低、实时性差的问题,设计了一种基于数字信号处理器(DSP)的行人快速检测系统.首先通过修改解决DSP平台下OpenCV的兼容问题;然后将提出的基于Vibe背景建模结合方向梯度直方图(HOG)+支持向量机(SVM)的行人检测算法移植到嵌入式DSP平台;最后在编译平台CCS下,使用各种...     

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。     

基于HOG的行人快速检测

为了更好更快速地实现对行人的检测,提出一种基于空间梯度直方图的行人检测算法。该算法在分类识别时用Boosted Cascad算法级联结构的分类器,将那些对不包含行人信息的区域进行筛选排除,从而使信息量减少。实验结果表明,该算法在不降低检测效果的情况下明显提高了行人检测效率,具有较强的鲁棒性。     

一种改进的夜间行人检测算法

针对夜间动态背景下的行人检测中分割算法受光照条件影响大、误识别多等问题,提出双阈值分割算法和以多目标跟踪为核心的算法框架。新的分割算法解决了行人亮度分布不均时的分割问题,同时在新的框架下可以综合多帧的处理结果进行综合判断,通过将基于支持向量机的识别算法和多目标跟踪算法的融合,降低了系统的计算量,且比一般的系统具有更高的识别率。     

联合特征在行人检测中的应用

提出一种基于动态和静态联合特征的行人检测方法,用于运动背景下的行人检测。运动背景的检测难度在于背景与目标的分离,该方法采用一种改进的Nagel二阶梯度光流算法生成图像的光流场,从中提取行人运动特征(MBH)和IMH(internal motion histograms),增强特征重复性以提高鉴别能力。实验中使用Libsvm训练线性SVM(support vector machine)分类器,使用Mean Shift算法优化分类结果。实验在1 093组图像上获得98%的识别率,证明该方法可以在运动背景下的图像序列上获得较出色的检测效果。     

结合聚合通道特征和双树复小波变换的手势识别

目的 针对目前手势识别方法受环境、光线、旋转、缩放、肤色等因素的影响,导致手势识别精度下降的问题,提出一种结合聚合通道特征（ACF）的手势检测和双树复小波变换（DTCWT）的复杂背景下手势识别方法。方法 在手势图像预处理过程中引入聚合通道特征,采用Adaboost分类器和非极大值抑制算法（NMS）进行目标手势的检测;利用DTCWT对目标手势图像进行多尺度多方向分解,对高低频系数的每一块分别提取方向梯度直方图（HOG）和局部二值模式（LBP）特征;最后融合各个方向上的高低频特征并通过支持向量机（SVM）进行分类识别。结果 选取多个场景、多个对象、不同角度和距离的图像作为训练集,并标注区分前背景,对20种手势进行识别实验,并与传统的肤色检测、HOG特征手势识别、类-Hausdorff距离的手势识别算法进行了实验对比。在任意可承受范围内的光照、距离等情况下,该方法能够更准确实时地实现手势识别,平均精度达到95.1%。结论 在图像预处理的情况下,聚合通道特征的引入能够准确检测手势,同时基于DTCWT的手势图像频域特征提取和再融合的方法有效地解决了传统普通图像的单特征识别方法在光线和复杂背景下识别精度不高的问题。     

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。     

半监督SVM分类算法的交通视频车辆检测方法

针对交通场景运动车辆检测中车辆数目统计准确率不高、自适应性不强等问题,提出了一种基于半监督支持向量机(SVM)分类算法的交通视频车辆检测方法。利用人工标记的少量样本,分别训练2个基于方向梯度直方图(HOG)特征与基于局部二值模式(LBP)特征的不同核函数的SVM分类器;结合半监督算法的思想,构建SVM的半监督分类方法(SEMI-SVM),标记未知样本并加入到原样本库中,该方法支持样本库动态更新,避免了繁重的人工标记样本的工作,提高了自适应性;最后,通过三帧差分法提取运动区域,加载分类器在该区域进行多尺度检测,标记检测出来的运动车辆,统计车辆数目。实验结果表明:该方法在具有一定的自适应性的同时,有较高的车辆检测准确率,即使在复杂交通情况下,对运动车辆依然有很好的检测效果。     

低维度特征的行人检测方法

针对梯度方向直方图(HOG)算法采用网格密集的大小统一的细胞单元提取行人特征,导致大量高维度的冗余特征问题,提出了低维度特征进行行人检测的算法,建立了以空间金字塔为核心的低维度特征目标模型.该模型通过角点检测算法获取目标轮廓信息,以角点为参考点取16* 16像素区域内的梯度方向直方图作为行人特征,利用空间金字塔模型对图像进行分决,按块提取维数统一的特征向量并串联起来形成最终的特征向量.实验结果表明了该方法的准确性和有效性.     

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。     

基于人流量检测的改进CN算法

为实现在行人严重遮挡时人流量的精确统计,研究一种基于人流量检测的改进CN算法。结合背景差分与三帧差分提取运动目标前景;通过梯度方向直方图与支持向量机判断头肩特征;在Kalman滤波器预测下一帧图像中目标位置的周围选取检测窗口,利用融合HOG与CN (颜色名)特征的改进CN算法实现目标跟踪;以感兴趣区域计数线为准,结合目标运动轨迹实现人流量统计。实验结果表明,该算法在有行人严重遮挡的情况下具有较高的检测效率。     

视觉注意原理局部特征的行人检测

在复杂背景下检测行人,具有重要的理论和应用价值。为了适应此类场景中光照的变化和行人姿态的多样性,依据人眼视觉注意原理,提出基于视觉注意的局部特征。该特征具有光照和旋转不变性,并能用于多尺度分析。采用基于特征块的行人表示模型,行人被表示为特征块的集合。每一个特征块用基于视觉注意局部特征的统计直方图和位置关系表示。用聚类的方法得到基于特征块的行人模型。依据每一个特征块在检测窗口中的最大响应训练AdBoost检测分类器,并用困难负样本和可信样本提高检测分类器的性能。用滑动窗口方法在图像和尺度空间中找到检测分类器的局部最大响应,以确定行人位置。实验结果表明,与现有方法相比,本文方法对竖直边缘不敏感,可以处理一定程度的遮挡以及姿态变化。     

基于Codebook背景建模的视频行人检测

针对视频序列,Codebook背景建模算法能检测出其中的运动物体,但却无法识别行人.而大部分基于支持向量机(SVM)训练的行人分类器,需要通过滑动窗口遍历图像检测行人.为加快行人检测的速度,提出将传统的行人分类器融入到Codebook背景建模算法中,通过背景建模算法为行人检测提供候选区域,减少搜索范围,降低了行人误检率;并根据行人的特点,构建临时块模型定期将满足条件的前景区域更新到背景模型中,解决了Codebook背景建模算法不能应对光照突变的问题.实验结果表明:所提算法能应对光照突变所带来的干扰,实现视频行人实时检测.