基于AdaBoost-SVM级联分类器的行人检测

针对实时行人检测中AdaBoost级联分类算法存在的问题,改进AdaBoost级联分类器的训练算法,提出了Ada-Boost-SVM级联分类算法,它结合了AdaBoost和SVM两种算法的优点.对自定义样本集和PET图像库进行行人检测实验,实验中选择固定大小的窗口作为候选区域并利用类Haar矩形特征进行特征提取,通过AdaBoost-SVM级联分类器进行分类.实验结果表明AdaBoost-SVM级联分类器的分类器准确率达到99.5％,误报率低于0.05％,优于AdaBoost级联分类器,训练时间要远远小于SVM分类器.     

基于快速级联分类器的行人检测方法研究

行人检测是图像处理、计算机视觉等方面研究的重要环节,通常用于视频监控和智能车辆等领域。行人检测图像易受到背景的影响,常用的帧差法及单纯训练分类器法在行人检测中存在着准确率低、分类训练算法复杂、实时性差等问题。首先采用改进型帧差法获取行人运动信息,然后利用直方图坐标对应划分出运动区域,最后通过训练双特征级联分类器对运动区域进行检测识别。实验结果表明,本方法可以有效减少误检和漏检现象,检测时间平均减少了32.77ms,检测准确率平均提高了10%以上,因此本方法有效提高了识别准确率和识别速度。     

基于肤色及AdaBoost算法的改进的人脸检测方法

提出一种结合肤色检测及AdaBoost算法的改进的人脸检测方法。首先利用肤色检测得出可疑的人脸区域,然后由改进的AdaBoost算法检测出人脸并标示,应用于智能监控系统中,并设置报警模块,可将可疑人脸信息记录入视频服务器。实验证明,肤色检测可以检测出复杂背景中的肤色区域,可以减少AdaBoost算法的扫描区域,进而减少检测时间;改进的AdaBoost算法在强分类器训练阶段加入判决函数,提高了人脸检测的准确性。     

基于多特征级联的视频监控中行人检测

针对基于机器学习的常规行人检测方法无法适应行人目标尺寸缩放、姿态多变及干扰噪声较大等问题,提出了一种级联LBP、SPHOG和SURF特征的自适应行人检测算法。该算法首先采用基于LBP特征的行人分类器去除大量非行人区域,在剩余区域用基于SPHOG特征行人分类器再次缩小区域,最后用基于SURF特征行人分类器检测并标记出行人目标。实验结果表明,该算法有效解决了行人尺度缩放、行人姿态多变和背景区域干扰噪声大问题,算法的准确度和实时性均取得了较大的改进。     

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。     

基于Surendra背景减除法和四帧差分法的目标检测算法

研究监控环境下的运动目标检测算法,提出一种新的运动目标检测算法。利用四帧差分算法将连续四帧两两差分得到运动区域,与Surendra背景减除法确定的运动目标相结合,采用动态阈值以适应光线突变,通过连通性检测和孔洞填充进行后处理,综合得到运动区域图像。实验结果表明,该算法有效地去除了噪声、空洞及双影等现象,具有较好的实时性和鲁棒性。既能精确地检测出运动目标,又能迅速响应实际场景的变化。     

复杂场景中运动目标的检测

由于检测场景的复杂性,传统的运动目标的提取常常采用自适应背景更新及自适应阈值分割方法,以去除噪声干扰,提高检测准确性。针对这种情况,提出在背景减除法的基础上通过改进的背景掩膜算法进行背景更新,利用场景的复杂性及系统中运动目标出现在障碍物边缘的特点,进行检测区域及非检测区域的划分,并采用阈值伪图的方法对整个视频序列图像进行自适应阈值分割。实验结果表明,该方法能够有效去除由于光线变化产生的噪声,以及由于相机抖动引起的背景与当前检测帧之间由位置偏差而产生的噪声,并避免了阈值分割时运动目标本身会出现空洞的问题,为后续运动目标的识别与跟踪奠定基础。     

基于AdaBoost算法和模板匹配的人眼定位

以驾驶员疲劳检测为背景,针对人眼的定位问题,提出一种基于AdaBoost算法和模板匹配的人眼定位的方法;该方法首先使用3×3中值滤波去除噪声和光照对图像的影响,然后通过对AdaBoost算法的强分类器训练算法改进、级联分类器优化实现人脸的快速检测,最后在检测到的人脸区域,通过从粗到细改进的模板匹配方法对人眼进行准确定位;实验结果表明,该方法在保证定位准确的情况下,大幅的提高了人眼定位时间;该方法兼具了良好的实时性和鲁棒性。     

基于肤色分割和AdaBoost算法的彩色图像的人脸检测

文章提出了肤色分割和AdaBoost算法结合的人脸检测算法。首先,对彩色图像进行肤色分割,通过人脸肤色的统计特征得到候选人脸区域：然后,基于AdaBoost算法,使用由强分类器组成的级联分类器对候选人脸区域进行扫描,最终得到精确定位的人脸。实验证明,该方法具有肤色检测快速和AdaBoost算法误检率低的优点,可以有效的运用于多姿态、多人脸和复杂背景的情况。     

基于帧间差分法和 AdaBoost 算法的人脸跟踪

对于人脸在复杂背景下的检测与跟踪问题,采用帧间差分法和形态学分割出运动区域,再使用 AdaBoost 级联分类器对运动区域扫描,以精确定位人脸。人脸检测成功后,通过保留和及时更新地成功检测到人脸的区域,使得当人脸运动较慢时候,或人脸静止时仍然能检测跟踪成功,利用 OpenCV 开源库和 Visual Studio 2005进行仿真,实验结果表明,在复杂的背景下,无论在人体处于移动正常、缓慢或静止的情况下,该方法都能实现单人脸检测跟踪,且跟踪速度较快。     

基于边缘帧差和高斯混合模型的行人目标检测*

针对高斯混合模型存在背景更新收敛性差,易受环境噪声和光照突变影响,易产生虚假目标等问题,提出一种基于高斯混合模型的改进算法,用于视频中行人目标检测。通过将帧差法引入高斯混合模型,快速区分背景区域和运动目标区域,从而提取前景中完整的行人目标。结合视频帧边缘和边缘帧差信息,采用多种模型更新率,提高高斯混合模型对复杂背景的自适应性和快速收敛性,从而消除环境噪声和光照突变的影响,避免检测出虚假目标。实验结果表明,相比较传统高斯混合模型,该方法可以有效去除噪声和光照的干扰,收敛性更佳,行人检测效果更鲁棒。     

基于区域特征的顶视运动行人快速检测

针对视频中运动行人遮挡问题,提出了一种基于区域特征的顶视运动行人检测算法.首先结合三帧差分和背景减除算法检测出所有可能的行人运动区域,然后找出运动区域的轮廓以及区域的外接矩形,并计算运动区域的面积,最后根据外接矩形的长宽比以及运动区域面积进行区域筛选,找出有效的运动区域,从而检测出行人.实验结果表明,该方法能够快速准确地检测出视频中的行人.     

一种新的AdaBoost视频跟踪算法

针对复杂场景中运动目标较难定位的问题,提出一种结合纹理和颜色特征的AdaBoost目标跟踪算法.首先在线训练一个弱分类器的集合区分目标和背景;然后,通过AdaBoost将集合中的各弱分类器组合成一个强分类器,用于标定下一帧中各像素的类别属性,并生成置信图;最后,在置信图中用Mean Shift算法定位目标的中心.实验结果表明,该算法在光照变化、目标自身发生形变和遮挡的情况下,能准确地对目标进行跟踪.     

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。     

面向航拍图像多运动目标的实时检测与识别

为了实现无人机(UAV)航拍图像中多运动目标的实时检测与识别,将静止目标和运动目标分别定义为背景和前景,利用图像稳化技术将航拍图像序列中的每帧与相邻帧对齐,克服UAV飞行动作对摄像机转动拍摄图像的影响;选取图像中的行人和车辆作为前景,分别使用哈尔(Haar-like)特征和级联分类器对图像中的目标进行检测和识别;利用密集光流计算两幅连续图像的运动矢量,从而区分静止目标(背景)和运动目标(前景),最终图像结果仅保留运动目标所在区域;将文章方法用于DroneVehicl航拍数据集实验,每秒平均帧数达到47.08 fps,检测精度为94%,并且表现出较高的召回率和F统计量,可达到实时检测与识别效果。     

基于背景减除法的视频序列运动目标检测

视频序列中运动目标的检测是目标识别、标记和追踪的重要组成部分,背景减除法是运动目标检测中被广泛应用的算法。针对光线变化、噪声和局部运动等影响运动目标检测效果的问题,提出一种基于背景减除法的视频序列运动目标检测算法。该算法结合背景减除法和帧间差分法,对当前帧像素点的运动状态进行判断,分别对静止和运动的像素点进行替换和更新,采用最大类间方差（Otsu）法对差分图像进行目标提取,并使用数学形态学运算去除目标中的噪声和冗余信息。实验结果表明,所提算法对于视频序列中运动目标的检测具有较好的视觉效果和较高的准确度,能够克服局部运动以及噪声等缺陷。     

Pedestrian detection for intelligent transportation systems combining AdaBoost algorithm and support vector machine

Pedestrians are the vulnerable participants in transportation system when crashes happen. It is important to detect pedestrian efficiently and accurately in many computer vision applications, such as intelligent transportation systems (ITSs) and safety driving assistant systems (SDASs). This paper proposes a two-stage pedestrian detection method based on machine vision. In the first stage, AdaBoost algorithm and cascading method are adopted to segment pedestrian candidates from image. To confirm whether each candidate is pedestrian or not, a second stage is needed to eliminate some false positives. In this stage, a pedestrian recognizing classifier is trained with support vector machine (SVM). The input features used for SVM training are extracted from both the sample gray images and edge images. Finally, the performance of the proposed pedestrian detection method is tested with real-world data. Results show that the performance is better than conventional single-stage classifier, such as AdaBoost based or SVM based classifier.     

结合分块的改进三帧差和背景差的运动目标检测

针对运动目标检测易受背景影响及帧间差分易产生空洞的问题, 提出了一种基于分块的改进三帧差分和背景差分相结合的运动目标检测算法. 该算法利用边缘检测法和均值法建立初始背景模型, 将视频图像划分成多个子块, 对利用改进的三帧差分和背景差分获取的图像的各个子块进行自适应阈值检测, 获取图像中的运动前景目标, 背景图像采取自适应更新方法. 实验结果表明, 该算法能完整的提取运动目标, 背景适应性强, 具有较高的准确性和效率.     

一种改进的基于混合高斯模型的运动目标检测算法

运动目标检测是实现目标跟踪和行为分析等任务的基础。在运动目标检测中,消除背景与噪声的干扰,从而将运动目标从图像中分离出来一直是研究的重点。混合高斯模型法被广泛地应用于运动目标检测,对存在小幅度运动的背景有较好的抗干扰能力,并且能提取出较完整的运动目标,但是同时存在噪声干扰,且对阴影抑制效果较差。针对传统混合高斯模型法的不足,提出一种改进的基于混合高斯模型的运动目标检测算法,利用帧差法对光照突变适应性较好和算法简单的特点,将传统混合高斯模型法与和四帧差法结合。实验结果表明,该方法能够有效地消除复杂环境中的噪声,并对阴影有一定的抑制作用,提高了运动目标检测的准确性和完整性。