基于线性SVM的车辆前方行人检测方法

采用基于线性SVM方法检测复杂交通背景下车辆前方行人.该方法根据行人非刚性的特点,利用三线性插值法提取图像的梯度方向直方图特征,采用线性支持向量机对视频中的图像进行多尺度融合检测,以适应复杂交通背景的行人检测需求,有效提高检测准确性.实验表明,该算法能够对混合交通视频中的不同尺度和姿态的行人进行有效识别.     

基于视频处理的行人检测系统

该系统选取OpenCV作为主要开发工具,通过提取图像序列中行人运动信息、形状特征、HOG特征,实现了对智能监控系统中的行人进行自动检测的功能。同时,通过对提取的高维度HOG特征进行降维处理,得到一个低维度SVM分类器,使得在不影响行人检测精度的前提下,进一步提高了系统的实时性。     

基于改进HOG LBP特征的行人检测

针对梯度方向直方图(histogram of oriented gradient, HOG)和局部二值模式(local binary pattern, LBP)特征维数高、冗余信息多、影响视频图像中行人检测速度的问题,提出一种基于改进HOGLBP特征的行人检测方法。通过对原有HOG特征进行统计平均,结合单独最优特征组合和巴氏距离(Bhattacharyya)可分性判据选出最优特征,并与LBP特征融合得到改进的HOGLBP特征,然后利用支持向量机(support vector machine, SVM)对样本特征进行训练获得分类器,最后对测试样本进行分类。实验结果表明,该方法使得行人检测的准确率和实时性都有一定的提高,并用自行拍摄的视频验证了该方法的有效性。     

城市复杂环境下基于三维激光雷达实时车辆检测

针对目前车辆检测准确性不高的问题,提出一种在城市复杂环境下单帧准确实时检测静止或运动车辆的算法.车辆检测系统采用三维激光雷达点云和二维栅格相结合,其中障碍聚类和障碍块轮廓在二维栅格地图上提取,而障碍检测和车辆检测在三维点云数据上处理.检测准确性的高低主要取决于所选的特征是否具有很好的区分性.针对几何形状相似难以区分和物体遮挡等问题,采用3种特征描述:反射强度概率分布、纵向高度轮廓分布和位置姿态相关特征,并利用支持向量机(SVM)训练分类器实现车辆的实时检测.实验中比较和分析了不同单特征和综合特征的检测性能,结果表明:自主车在城市环境下能以每帧200ms实时准确地检测环境中的车辆.     

基于助老机器人的行人检测与跟踪算法研究

行人检测与跟踪是助老机器人的基本功能之一。针对行人检测中目标需人工标定图像初始帧、目标检测准确性差、行人丢失较难重新跟踪的问题,提出一种基于行人检测和核相关滤波器(KCF)的跟踪算法。通过Kinect2摄像头获取环境视觉信息,采用方向梯度直方图(HOG)提取行人特征,使用支持向量机(SVM)的方法训练模型实现自动检测,应用KCF跟踪算法跟踪行人,并结合深度数据,计算其世界坐标,驱动机器人实现行人稳定跟踪。在Ubuntu16.04系统和ROS平台下搭建软件系统,并在实验Turtlebot移动平台进行实验测试。结果表明,该算法可自动检测行人并在复杂环境中对行人进行稳定跟踪,有效提高了助老机器人的移动、感知性能。     

一种改进的行人检测方法

针对AdaBoost（Adaptive Boosting）算法耗时长,检测精度低的问题,提出一种将支持向量机（Support Vector Machine,SVM）与AdaBoost算法相结合的方法,采用多尺度（Histogram of Oriented Gradient,HOG）特征描述行人不同尺寸区域的特点,在样本权重更新过程中引入非行人样本的误检率,训练了一个级联结构的行人分类器.结果表明：选择特征数目为5个时,改进后的AdaBoost算法检测率和计算时间分别为99.8%和577.66s.在INRIA行人数据库上训练了一个六层结构级联分类器,使用特征数目为46个时,检测率达到96.74%,而误检率仅有3.26‰.     

Fisher准则挑选特征的快速行人检测算法

为了提高窗口遍历行人检测算法的分类准确率及其窗口遍历速度,提出了Fisher准则挑选特征块的行人检测算法.定尺寸梯度方向直方图特征（Histogram of Oriented Gradi-ent,HOG）块的尺寸过小,只能描述细节特征,使用变尺寸的HOG特征来描述整体与局部特征.利用Fisher准则挑选出区分能力强的特征块最终作为样本的表述符,在窗口遍历检测中利用积分图加速HOG特征的求取,使用支持向量机作为窗口分类器.实验结果表明：行人检测准确率为94%,检测时间为197 ms.     

基于改进的AdaBoost和支持向量机的行人检测

针对AdaBoost算法在训练样本和特征较多时训练时间过长的问题,提出了一种改进的AdaBoot算法与支持向量机组合的分类器.对多重分类器的输出结果以非线性的方式组合,采用交替的方式轮流对不同的特征进行学习,将多重分类器处理完后的结果作为另一种输入样本,再以一个分类器做一次分类.实验表明该算法用于行人检测可行、性能稳定.     

可检测数十米远行人的车载激光雷达

丰田中央研究所开发成功使用近红外线车载激光雷达，在行驶中检测距离车辆数十米远的行人的新技术。     

一种基于时空兴趣点和光流法的行人检测方法

为解决视频监控系统中帧差光流法在光照变化大时对目标检测存在误差大的问题,提出一种基于时空兴趣点的目标检测算法。从光流的行人目标提取着手,首先对图像序列进行高斯滤波、Gabor滤波,提取到兴趣点集,然后对兴趣点集提取运动目标区域,接着在一定区域进行光流计算,识别并跟踪目标。实验结果表明,该方法的准确率比传统的帧差光流法的准确率高,且在简单的实际场景中更有效。     

基于HOG特征与SVM的视频车辆检测系统设计

为增强车辆预警,解决行车状态下前方车辆实时检测问题,构建了一种基于方向梯度直方图(HOG)特征与支持向量机(SVM)的视频车辆检测系统.首先对提取HOG特征的步骤及SVM算法基本原理进行研究,用拍摄的实际道路视频对系统进行测试;分别提取出正、负样本集的HOG特征,用于SVM分类器模板的训练;再计算待测视频图像HOG特征...     

一种非限制性条件下人脸识别的方法

针对非限制性条件下人脸识别准确率较低的问题,提出了一种基于方向梯度直方图特征提取和快速主成分分析算法的人脸识别方法。首先,利用Haar特征分类器对原始数据进行人脸的检测与提取,并进行有序化保存;然后,对有序数据进行方向梯度直方图特征提取,再使用快速主成分分析算法进行降维处理,并对其进行归一化处理;最后,采用支持向量机算法(SVM)对所得到的实验数据进行最终的分类与识别。实验结果表明,与单一的支持向量机算法、主成分分析算法以及方向梯度直方图算法相比,本文方法能有效地提高非限制性条件下人脸识别的准确率,且耗时较短。     

不同光照和姿态下的航拍车辆检测方法

为了解决在不同光照和姿态下的航拍车辆检测准确度低的问题,基于Fourier-HOG算法提出了一种航拍车辆检测方法。该方法是基于滑动窗口的检测方法。首先,在处理过程中引入图像预处理,可以将背景区域进行有选择的剔除,大大节省检测时间和降低虚警率;其次,提取航拍图像基于局部敏感直方图的光照不变性特征;然后,再提取旋转不变的Fourier-HOG特征。将此特征在线性支持向量机中对车辆目标与非车辆目标进行分类。在后续处理阶段,引入非极大值抑制来降低误检目标。实验结果表明：所提出的车辆检测方法在谷歌地图数据集上进行测试,其检测准确度较高,且时间消耗低于原始的Fourier-HOG检测方法,该方法是一种较为有效的航拍车辆检测方法。     

基于F-Faster-RCNN算法的摔倒检测研究

提出一种基于特征金字塔(FPN)结构的快速卷积神经网络(F-Faster-RCNN)的摔倒检测模型，采用F-Faster-RCNN目标检测网络结合多目标跟踪算法Deepsort实现运动目标跟踪；采用3D卷积神经网络和支持向量机(SVM)分类算法实现老人摔倒行为的判别。F-Faster-RCNN算法以残差网络为主干网络，加深了网络层次；以FPN结构逐层提取特征，实现深浅层特征的融合；结合遗传算法改进SVM的参数调优过程，避免了局部最优解。经仿真验证，基于F-Faster-RCNN目标检测模型损失率可降低到2.2%,摔倒检测平均准确率达到84.4%。     

基于HOG和颜色特征的行人检测

基于梯度方向直方图(HOG)特征的行人检测是目前检测精度较高的主流方法。针对基于梯度直方图特征的行人检测存在检测精度还有待提高、向量维数大的问题,提出使用梯度直方图统计特征加颜色频率和肤色特征描述行人,选取一些分类能力较强的block作为最后的特征,使用线性SVM分类。在INRIA库上的实验证明,该方法能有效地提高检测精度。     

一种基于SVM的P2P流量检测方法研究

提出了一种基于SVM的P2P流量识别模型,选取P2P流量的上/下行流量比,平均流速率、流持续时间、传输字节数、平均数据包长度等5个特征,对网络流量的P2P流量进行识别.实验结果表明,该方法能够有效地检测网络流量中的P2P流量,准确率达到96%.     

基于TBGC的航拍视频车辆检测算法

针对移动航拍视频中车辆检测准确度低的问题,提出一种基于三邻域点二值梯度轮廓(Three-neighbor-point Binary Gradient Contour,TBGC)特征的航拍车辆检测算法。对相邻帧图像进行SURF(speeded-up robust features)特征点提取匹配,利用角度判别剔除错误匹配点完成图像配准,采用帧间差分获得运动目标的候选区域。由于传统二值梯度轮廓(Binary Gradient Contours,BGC)特征忽略中心像素特性,提出基于3×3邻域相邻像素点量化操作的TBGC特征。提取候选区域的TBGC特征,并利用支持向量机(Support Vector Machine, SVM)完成最终的航拍视频车辆检测。实验中利用提出的TBGC特征在8个数据集上分别与BGC1、LBP、HOG特征进行对比实验,实验结果表明TBGC算法的检测率明显优于传统经典算法,平均检测率为93.09%,并且具有较好的鲁棒性。     

一种基于支持向量机的目标定位方法

为了提高声纳在浅水域的性能，提出了一种基于统计学习理论的目标识别器的目标定位方法.该方法选择支持向量机（SVM）作为学习算法的核心.从已知训练样本得到多通道数据的协方差矩阵，将得到的矩阵转化为SVM的输入多维特征向量，并训练SVM而获得权向量.利用此权向量和SVM输出估计，可以得到目标位置信息.理论推导和仿真结果表明，与多重信号分类（MUSIC）算法相比较，该方法具有高的定位精度和快的收敛速度.该方法能有效地对在平面波模型下的目标进行测向，并具有鲁棒性.     

网络入侵异常检测的实时方法

目前市面上的入侵检测系统一般都是基于特征匹配,不能对未知入侵进行有效检测,异常检测可以较好地检测未知入侵.MIT林肯实验室提出了一种离线的异常入侵检测方法,但不能据此建立实际的入侵检测系统,为此,提出一种能实时检测网络异常的入侵检测方法.该方法可以实时重建网络连接,提取每一连接的31个与入侵有关的特征,运用支持向量机进行在线检测,实验结果表明,该方法是有效的,检测精度在95%以上.为缩短入侵检测时间,对最短检测时间进行了研究,提出了最优入侵检测时间算法,根据此算法得出局域网内的异常连接在250ms内即可较准确地检测出.     

基于多尺度分形特征的海面目标检测方法

为提高海面目标检测性能,提出了基于多尺度分形特征的检测方法。该方法采用了模糊C均值聚类确定潜在目标点数,根据多尺度分形特征,利用支持向量机方法对像素点进行分类,实现目标检测。实验结果表明,该方法能更好地消除海空背景对目标检测的干扰,准确有效的检测出目标。