基于俯仰角修正的HOG特征快速行人检测算法

传统的HOG特征对正视或侧视行人有较好的识别率,但是对俯视行人的识别率仍有所欠缺。对检测图像的HOG特征根据不同的俯仰角进行了转换,同时优化了SVM分类器训练过程,提出了一种改进的快速行人检测算法。测试结果表明,该算法优于基于传统HOG特征的检测方法,有效提高了不同俯仰角视频中行人检测的准确性。     

基于时空视觉显著性特征的行人检测

在分析现有的行人检测算法的基础上,针对前景提取不完整及检测误差较大等不足,提出了一种基于时空视觉显著性特征的行人检测改进算法.在具有代表性的Itti模型的基础上,使用更接近于人类视觉的Lab颜色空间对其颜色空间进行改进,并将运动特征及基于轮廓搜索的内部空洞填充法引入其中,生成总显著图.提取ROI,采用HOG特征结合SVM分类器对ROI进行行人检测.实验结果表明,该算法在一定程度上避免了误检和漏检的发生,相比较HOG算法具有较好的检效果.     

基于GPU的高清视频图像行人检测方法研究

对视频或图像中的行人进行检测使用HOG特征与支持向量机SVM相结合的方法,取得了良好的效果,但是由于HOG特征的计算量非常大,难以满足实时检测的需要,文章针对这一情况提出并实现一种在GPU环境下使用并行加速策略的高效行人检测方法。实验证明这种方法快速有效,大大地提高了行人检测的效率。     

实时行人检测算法的研究与应用

为了提高实时行人检测结果的准确性,避免出现较大的漏检率,分析了现阶段使用较广泛的实时行人检测算法:经典AdaBoost算法和非对称的GentleBoost算法.通过对比分析发现,非对称的GentleBoost算法能够针对实时行人检测筛选出特定的区域,降低训练样本的总数.同时,经过与传统的行人检测算法进行对比试验发现,所...     

基于HOG和肤色特征的快速行人检测

为了解决单一HOG特征的行人检测方法容易造成的误检和漏检,进一步提高行人检测算法的准确率和速度,本文提出了基于多特征的行人检测算法,将HOG特征和人体重要的肤色特征相结合,使用adaboost算法进行特征学习。在INRIA行人数据集上进行测试,实验表明将HOG和肤色相结合将行人检测的识别率提高了8%,检测速度提高了近30%。     

基于PCA降维的HOG与LBP融合的行人检测

行人检测是计算机视觉中十分重要而又有挑战的研究方向。针对梯度方向直方图(HOG)特征描述子的局限性,如冗余信息多、容易造成误检和漏检等,为了进一步提高行人检测的准确率和速度,提出多特征融合的行人检测算法,利用主成分分析(PCA)对HOG进行降维再与局部二值模式(LBP)特征进行融合,使用支持向量机(SVM)进行分类。在INRIA行人数据库上进行测试,实验表明该算法提高了识别率,加快了训练和检测的速度。     

基于AdaBoost算法的快速人脸检测方法

文章基于当今最为流行的AdaBoost算法,训练出自己的人脸检测级联分类器,通过对人脸图像方差特点的统计分析,确定了人脸方差的阈值,增加了方差预处理.增加方差预处理后训练出的级联分类器在人脸检出率相对较高的前提实现了检测速度的提升,增强了人脸检测的实时应用性.     

基于共生概率特征量的行人检测

人体目标检测研究是近年来计算机视觉领域的研究热点。针对行人检测中出现的检测精度较低的问题,文中提出了一种有效的行人检测算法。具体而言,选取不同类型的局部特征量HOG与LBP,通过第一段的Real AdaBoost算法进行特征的筛选,筛选后的特征通过两两配对计算共生概率特征量;最终通过第二段的Real AdaBoost 算法将弱识别器转化为强识别器来进行行人检测。实验以OpenCV和VS2010为测试环境,通过与OpenCV自带的算法程序比较得出该算法能更好的检测行人,从而提高了行人检测的准确率与鲁棒性。     

基于视频的行人闯红灯检测方法

针对行人闯红灯的研究,固定在交通路口的单目摄像机拍摄的视频图像背景基本不发生变化,但是室外环境下受光照、温度、天气以及其他原因造成摄像机自身抖动的影响,背景会随着时间发生一定的变化,需要采用自适应的背景建模方法。现采用了混合高斯背景建模的方法提取运动目标。在梯度方向直方图特征(HOG)基础上,运用MIT行人和汽车数据库通过SVM分类器训练,运用训练结果对视频图像当中运动目标进行分类,识别出视频图像当中的行人,运用颜色直方图、位置和轨迹特征对运动行人进行跟踪,结合交通信号和可行区域判断行人是否构成了闯红灯的行为。对视频图像的处理用于行人闯红灯研究,经实验论证切实可行。     

基于LARK特征提取的AdaBoost人脸检测系统

由于图像易受到外部条件及图像背景的影响,AdaBoost人脸检测方法在特征分类的过程中,单个分类器存在将人脸图像误判为非人脸图像的情况,致使分类器在检测过程中存在误差。文中通过研究AdaBoost人脸检测方法,并将LARK特征提取方法应用到特征分类当中,使原有的方法上得到改进,从而有效提高了人脸检测的准确度。     

基于后验HOG特征的多姿态行人检测

行人检测是当前计算机视觉领域的挑战性课题之一.本文提出一种基于后验HOG特征的多姿态行人检测方法.首先,统计全部行人样本的梯度特征能量共性信息,对单个行人样本的HOG特征进行加权获得能够表现行人边缘轮廓的后验HOG特征,有效减少复杂背景的影响.其次,利用S-Isomap特征降维方法和K-means聚类方法对不同姿态和视角的行人做子类划分,并针对每一个子类训练子类分类器.最后,根据多个不同姿态的子类分类器输出值,训练等权重加和方式的多姿态-视角集成分类器.不同数据集上的测试结果表明,本文所提利用共性信息获得的后验特征超过了经典HOG和其它典型特征的描述能力.与现有方法相比,通过将所提出的特征与多姿态-视角集成分类器结合,有效地提高了检测精度.     

基于AdaBoost算法和人眼定位的动态人脸检测

在快速人脸检测算法中,基于AdaBoost算法的人脸检测算法得到越来越多的认可。然而,该算法在复杂环境下常有误检的情况。为了既快速又能提高检测的准确率,提出了以人眼定位的算法作为辅助的人脸检测算法。首先应用AdaBoost算法检测人脸的位置,然后再利用改进的模板匹配算法对人眼进行快速识别与定位。在人眼检测方面,利用金字塔算法加快了检测速度。实验表明,该方法可减少AdaBoost算法的误检率。     

基于肤色及AdaBoost算法的自动调焦人脸检测

提出一种结合肤色检测和AdaBoost算法的自动调焦实时人脸检测方法。采用肤色信息定位皮肤区域,针对AdaBoost算法对待检人脸尺寸小于训练样本人脸尺寸时检测率低的缺陷,并采用自动调焦算法调整图像大小后再利用AdaBoost算法进行人脸检测。实验结果表明,结合肤色信息和自动调焦后的AdaBoost算法性能较传统AdaBoost算法有明显提高,同时对小人脸图像也有更好的检测效果。     

基于局部特征的车载红外行人检测方法研究

车载红外行人检测在准确率和实时性方面存在多方挑战.文中基于行人头部、躯干成像与背景之间存在灰度分布差异,构建行人头部模型和躯干模型作为前端分类器,后端采用支持向量机(Support Vector Machine,SVM)进行分类;结合多帧校验和最近邻匹配跟踪行人.实验结果表明,检测时间基本持平,提高了检测准确率.     

行人检测技术研究综述

行人检测是计算机视觉领域极具挑战性的研究热点,它在智能交通、机器人开发和视频监控等领域具有重要应用。从行人检测所采用的特征着手,对现有的行人检测方法进行了分类和评述,分析了各类方法的优缺点,同时,介绍了常用的行人检测数据库的特点,最后分析了行人检测研究中存在的难题并对未来的发展做出展望。     

基于YOLO算法的行人检测方法

针对复杂道路交通环境,选择YOLO(You Only Look Once)实时目标检测算法,对行人目标进行检测识别的研究。YOLO算法在目标检测的速度和精度上都取得过良好效果。首先在YOLO网络模型的基础上针对行人单类检测问题,修改分类器,并通过卷积操作改变网络最后的输出维度;其次通过对道路交通场景下采集到的样本图片进行标注,得到行人数据集;然后采用相同预训练模型在YOLOv2和YOLOv3上训练,通过优化网络参数,加速模型收敛。实验结果分析可知,基于改进的YOLOv3的行人目标检测方法更能满足实时性的要求。