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Joint HOG特征复杂场景下的头肩检测

视频监控领域的行人检测是一项重要的研究课题,然而很多情况下行人姿态多样、相互遮挡使得检测变得困难,故采用了头肩的轮廓特征来进行检测。头肩的定位检测采用了Haar特征和HOG特征的层级分类方法,并根据头肩的对称性特点,提出了一种称为Joint HOG的组合型特征。通过Haar分类器滤除大部分负样本后,接着用HOG进行精细的验证从而得到头肩目标框。实验表明,本文的方法取得了80%~90%的准确率,并且完全可以用于实时处理。     

Gabor小波与HOG特征融合的行人识别算法

针对传统HOG特征行人检测方法中,当目标存在遮挡以及面对复杂环境条件下,行人识别存在较高漏检率和误检率的问题,提出一种基于Gabor小波与HOG特征融合(G-HOG)的行人识别算法。利用Gabor小波对样本图像进行特征变换并在尺度和方向上融合,获取Gabor特征图像,利用HOG算子在特征图像上提取目标特征,进行样本分类,获取行人目标的疑似区域;对行人样本进行HOG特征提取与训练,实现对疑似区域的目标识别。实验结果表明,基于G-HOG特征的行人识别算法在INRIA、MIT与Daimler数据库上性能表现良好,能够获取较高的查全率和识别率。     

HOG特征及其应用研究

图像特征在目标检测及识别中扮演着重要的角色。基于方向梯度直方图(Histograms of Oriented Gradient,HOG)特征的目标检测方法以其良好的检测效果得到很多研究者的广泛关注。文章重点研究HOG特征及其应用,详细分析了HOG特征的提取过程,并引入积分直方图对其计算进行加速处理。在基于HOG特征提取算法的基础上,重点探讨了基于HOG特征的行人检测,并简要介绍其在车辆检测以及目标跟踪方面的应用。     

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.     

基于多特征融合的红外图像行人检测研究

当前红外图像行人检测方法存在误差大,对外界环境变化鲁棒性差,为了获得理想的红外图像行人检测结果,提出了多特征组合的红外图像行人检测方法.首先对当前红外图像行人检测进展进行分析,找到引起红外图像行人检测效果不佳的因素,然后提取红外图像行人检测的HOG特征和ISS特征,并采用支持向量机进行红外图像行人检测,最后引入证据理论...     

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。     

一种基于计算机视觉的行人流量统计方法

提出了一种统计监控视频中行人流量的方法。文中方法利用背景差法提取运动物体,并对运动物体进行跟踪。提取物体的HOG特征,并利用线性SVM判决提取的HOG特征是否符合行人要求,以达到统计视频中行人流量的目的。实验表明在人流量不是特别密集的场景,可以准确地统计视频中的行人数量。     

基于局部显著性特征的人体检测方法

通过分析人体轮廓的性质,结合Sobel算子、HOG和LBP算子,提出一种基于脊模型的局部显著性特征提取方法,该特征将人体轮廓的方向特性和结构特性有机结合,属于一种多属性融合的人体描述方法。在人体梯度空间中,通过使用改进的LBP算子和简化的梯度方向直方图进行特征的提取、训练和识别。实验表明,使用该特征可有效的减少计算复杂度,提高行人检测速度;但与HOG相比,由于描述人体的特征维数较少,因此人体识别的检测率还有待提高。     

基于IKSVM的多特征行人检测算法

针对如何协调行人检测精度和检测速度的问题,采用基于IKSVM的多特征行人检测方法。将梯度直方图特征（HOG）、局部二值模式特征（LBP）和Gabor特征融合成含轮廓、纹理、灰度信息的新特征向量集,引入偏最小二乘法（PLS）进行特征降维,运用加性交叉核支持向量机（IKSVM）训练行人样本形成行人分类器,实现视频序列中的行人检测。实验结果表明,改进后的行人检测算法优化了系统结构,在提高检测精度的同时,保证了检测速度。     

基于候选区域定位与HOG-CLBP特征组合的行人检测

基于方向梯度直方图(HOG)特征和局部二值模式(LBP)算子的行人检测算法采用滑动窗口搜索策略存在扫描区域过大和计算复杂的问题,存在的这些问题会导致检测速度慢.鉴于此,提出一种行人检测算法.首先,采用选择性搜索算法对目标区域进行定位,并将候选区域的高宽比限制在一定范围内以筛选无效窗口.然后,为了弥补LBP算子在纹理表达...     

多特征级联的低能见度环境红外行人检测方法

针对低能见度环境中人员的监测和保护问题,提出了一种基于多特征级联的红外行人检测方法,利用感兴趣区域长宽比特征和头部Haar特征组成初级分类器,改进的HOG-SVM完成最终行人识别。所提出的改进的HOG特征提取算法和自适应缩放因子获取算法,在保证检测率的基础上,有效地减少了帧间处理时间,针对目标被遮挡情况,提出了遮挡情况判断和局部特征识别功能,由此进一步提高了算法应用于复杂工况下的鲁棒性。实验表明:该检测方法能够达到91%的检测率,较现有算法性能得到提升,同时也满足了系统实时监测要求,适用于低能见度、粉尘的工况作业环境。     

基于偏最小二乘与改进中心对称CENTRIST的快速行人检测算法

针对复杂背景下的快速行人检测问题,从行人边缘信息的角度,该文提出了一种改进的中心对称统计变换(ICS_CENTRIST)特征,该特征只有32维,计算简单,描述能力强,可以很好地表达行人的边缘轮廓。行人检测时采用3级级联分类方法：第1级采用基于辅助积分图的线性支持向量机(SVM),快速排除大部分非行人区域;第2级,第3级分别使用偏最小二乘法(PLS)选出区分能力最强的前12和21个块(block),提取ICS_CENTRIST特征,采用直方图交叉核支持向量机(HIK-SVM)进行精确检测。实验结果表明,该文算法在复杂背景下可取得较好的检测效果,检测速度在447358大小的图像上达到平均50 ms,与基于CENTRIST特征的快速检测方法和梯度方向直方图(HOG)算法相比分别提高了50%和90%,满足实时性要求。     

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。     

基于路面约束的行人检测感兴趣区域提取

针对行人检测存在识别精度不高,实时性较差等问题进行相关研究.分析了基于多尺度滑动窗口法提取行人检测窗口的缺点,为解决行人检测中检测窗口数量过多的问题,提出在图像分割和路面提取的基础上实现对行人检测窗口的提取.先利用FCM聚类算法训练得到分割阈值,其次提取路面区域,根据路面区域筛选可能存在的行人位置,进而提取感兴趣区域,并对相应的感兴趣区域提取HOG特征进行进一步精确分类.实验结果表明,采用基于路面约束的图像分割方法来提取感兴趣区域,有效减少了遍历窗口的数量,从而提高了行人检测速度和检测精度.