基于分割集成的行人检测方法

为提高行人检测的准确率,提出基于分割集成的方法用于静态图片中的行人检测。先将每个训练样本均匀分割成若干区域,提取特征后利用AdaBoost算法对每个区域建立一个局部分类器,这些局部分类器加权组成一个全局分类器。采用不同的分割方法重复上述过程,得到多个全局分类器。为进一步提高检测效果,得到更好的平均性能,对每种分割方法分别使用方向梯度直方图、多尺度方向梯度直方图特征建立2个全局分类器。当检测新的窗口时,集成上述全局分类器,通过加权投票的方式决定最终的检测结果。在INRIA公共测试集上的实验表明,文中方法有效提高检测效果。     

结合对象分割的运动行人检测

目标检测大量应用于监控系统的行人检测以及人脸识别,是当前深度学习的研究热点.监督学习利用人工标注大量数据集训练出针对特定场景的行人检测器.但是人工标注方法费时费力,本文针对监督学习需要人工标注数据集的缺点,研究了一种半自动标注行人的方法.针对静止的单目摄像机拍摄的监控视频,利用光流信息提供的初始前景可能性,以及跨越时间的视觉相似性来迭代地更新初始的前景可能性,分割出运动的行人,根据分割的前景对象,提出了一种半自动标注行人的方法.实验结果显示,本文的方法可以为行人检测系统提供大量数据集,且效率上明显优于传统人工标注的方法.     

复杂背景下的多人脸检测方法

复杂背景下采用肤色进行人脸检测具有较高的检测率,但同时也具有较高的误检率,而采用AdaBoost算法进行人脸检测从根本上解决了实时性问题,但是检测率不理想。基于上述原因,采用肤色分割与AdaBoost相结合的方法对人脸进行检测：首先采用肤色分割进行人脸粗定位,然后将粗定位后的人脸候选区域作为AdaBoost检测的输入子窗口进行人脸检测。在预处理过程中,采用可调节结构元素,解决了对于不同图像中大小不一的人脸采用固定的结构元素造成的人脸丢失问题。实验结果表明该方法在提高检测率的同时,也降低了误检率。     

汽车客运站出入口监控系统中行人检测与跟踪方法

准确检测并跟踪行人目标是进行人流量统计和行为分析的基础。在汽车客运站出入口监控系统中,多个行人一起行走的情况较多。针对这种情况,本文提出一种能分割多人的行人检测与跟踪方法。首先通过背景差法提取运动行人,并对多人融合的情况下进行行人分割;然后结合卡尔曼滤波原理跟踪行人,并输出其运动轨迹。实验结果表明,该方法能清楚地绘出行人的运动轨迹,具有很好的鲁棒性。     

复杂热红外监控场景下行人检测

目的 复杂热红外监控场景中的行人检测问题是计算机视觉领域的重要研究内容之一,是公共安全、灾难救援以及智慧城市等实际应用中的重要基础任务。现今的热红外行人检测算法大多依据图像中人体目标的灰度值高于场景环境这一假设,导致当环境温度升高热红外图像发生灰度值反转时行人检测率较低。为提高行人检测系统在不同场景中的鲁棒性以及行人目标检测率,提出一种面向热红外监控场景的基于频域显著性检测的全卷积网络行人目标检测算法。方法 该算法首先对热红外图像进行基于频域的显著性检测,生成对行人目标全覆盖的显著图;然后结合热红外原图像生成感兴趣区域图作为输入,以行人目标概率图为输出,搭建全卷积网络;最后,对热红外行人检测系统进行端对端训练,获取网络输出的行人目标概率图,进而实现行人目标检测。结果 论文使用俄亥俄州立大学建立的红外视频数据集OTCBVS中的OSU热红外行人数据库对算法进行验证,与目前5种较为成熟的算法进行对比。实验结果表明,本文算法可以在各种场景中准确检测出行人目标,以MR-FP（丢失率—假阳率）为对比依据,本文算法7%的平均丢失率低于其他算法,具有更高的检测率,对热红外图像中的灰度值反转问题具有更好的鲁棒性。结论 本文提出一种面向热红外监控场景的基于频域显著性检测的全卷积网络行人目标检测算法,在实现检测算法端对端训练的同时,提高了其对各种复杂场景的鲁棒性以及行人目标检测率,提升热红外监控系统中行人目标检测性能。     

基于肤色分割的复杂背景图像的人脸检测

提出了一种基于肤色分割和KL变换相结合的检测人脸的方法。首先利用肤色模型将彩色图像分割成肤色区域和非肤色区域，然后对肤色区域进行预处理，剔除一些不包含人脸的区域，最后对肤色区域进行KL变换，通过椭圆面积；位则．确认人脸区域。实验结果表明这种方法能较好地在复杂背景中检测出人脸。     

复杂背景下远距离及小尺寸行人检测改进算法

针对远距离及小尺寸行人难以检测,极易受到复杂背景的干扰,且分辨率低、有效信息少等问题,提出一种在复杂背景下结合Faster R-CNN检测远距离及小尺寸行人的改进算法.运用混合高斯模型,解决复杂背景干扰的问题,及时去除视频的背景信息,提取视频图像的前景.为进一步解决分辨率低且有效信息少的问题,采用双线性二次插值方法增强...     

复杂场景下的行人跌倒检测算法

随着人口老龄化程度的不断深化,跌倒检测成为医疗与健康领域的一个关键问题。针对复杂场景下跌倒检测算法准确率偏低的问题,提出一种改进的跌倒检测模型——PDD-FCOS(PVT DRFPN DIoU-Fully Convolutional One-Stage object detection)。在基准FCOS算法的骨干网络中引入金字塔视觉转换器（PVT）,以不增加计算量为前提提取更丰富的语义信息;在特征信息融合阶段插入双重细化特征金字塔网络（DRFPN）,更加准确地学习特征图之间采样点的位置和其他信息,并通过上下文信息捕获特征通道之间更准确的语义关系,从而提升检测性能;训练阶段采用距离交并比（DIoU）损失进行边界框回归,通过优化预测框与目标框中心点的距离,使回归框收敛得更快更准确,从而有效提高跌倒检测算法的准确率。实验结果表明,所提模型在开源数据集Fall detection Database上平均精确度均值（mAP）达到82.2%,与基准FCOS算法相比,所提算法的mAP提升了6.4个百分点,且相较于其他主流目标检测算法有精度上的提升以及更好的泛化能力。     

室内视频监控中行人目标检测与跟踪方法

为了有效检测和跟踪室内环境下视频监控中的行人目标,本文提出了一种新的行人检测与跟踪算法。检测阶段采用隔帧差分图像法以及自适应闽值分割技术快速检测运动行人;跟踪阶段采用卡尔曼滤波对目标位置进行预测,并利用最小外接矩形框优化匹配搜索。实现运动行人连续跟踪。通过单人、多人交互两组视频序列对算法进行了验证,试验结果表明。本文算法能够较好地处理室内静止背景下单人、多人跟踪,并对目标遮挡有一定的鲁棒性。     

复杂背景下的号码定位与分割

提出一种综合边缘检测、号码分布特点的号码定位方法和基于投影及最大连通区域的字符分割方法。采用改进的数学形态学方法提取灰度图像边缘,用最小二乘法对边缘进行直线拟合得到图像的倾斜角,进而对倾斜的图像进行校正,再利用号码的位置信息来定位号码区域。采用最大连通区域算法过滤块状噪声,通过投影和字符的宽度特点确定字符的分割结果,有效地解决了由复杂背景、油墨的深浅、污迹、磨损带来的干扰。     

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.     

一种复杂背景下的人脸检测方法

针对在复杂背景下现有人脸检测算法存在检测率低和误检率高等问题,提出了一种基于改进AdaBoost算法和肤色校验相结合的彩色图像人脸检测方法.首先对传统AdaBoost算法进行了改进,通过改进样本权值参数和弱分类器加权参数,有效地抑制了困难样本权值的过分增大,加强了分类器对样本的识别能力,并提高了系统的检测率;然后将Ad...     

结合形状约束的Graph Cut行人分割

传统的Graph Cut算法没有对目标的形状予以限制,很难得到语义化的分割结果,即无法保证分割出来的是“行人”。针对该问题提出一种结合形状和底层特征的Graph Cut算法。对于行人分割,用大量真实行人轮廓来表达“行人”的先验形状,对Graph Cut分割算法予以约束,同时构建一个行人模板的层次树以减少匹配时间;并且提出一种区分性的外观模型来替换原来的外观模型。实验结果证明,该算法的分割结果明显优于传统Graph Cut算法的分割结果,所得到的轮廓与真实的行人轮廓比较吻合。     

基于激光雷达数据的行人检测

在自动驾驶领域涉及的众多任务中,行人识别是必不可少的技术之一。针对基于图像数据的行人检测算法无法获得行人深度的问题,提出了基于激光雷达数据的行人检测算法。该算法结合传统基于激光雷达数据的运动目标识别算法和基于深度学习的点云识别算法,可以在不依赖图像数据的条件下感知和检测行人,进而获取行人的准确三维位置,辅助自动驾驶控制系统作出合理决策。该算法在KITTI三维目标检测任务数据集上进行性能测试,中等难度测试达到33.37%的平均准确度,其表现领先于其他基于激光雷达的算法,充分证明了该方法的有效性。     

基于角点的蛇模型在图像分割中的研究

主要应用基于MIC角点检测的snake模型进行图像分割研究。传统的snake算法只考虑曲线本身的特征,并没有充分的利用被拟合图像本身的特征,而此算法首先检测被拟和目标的角点,然后以这些角点为基准进行曲线初始化,最后根据snake算法进行目标拟和;较好地解决了传统snake模型对初始化位置敏感、对有角点和凹陷的图像收敛效果差的缺点。实验表明此算法达到了很好的效果。     

融合显著性因子的行人纹理提取

针对基于纹理信息的行人特征提取算法中存在特征信息冗余度大,无法刻画人眼视觉敏感性的不足,提出一种融合人类视觉感知特性的基于显著性局部二值模式(SF-LBP)的行人纹理特征提取算法.该算法首先采用显著性计算方法提取感兴趣区域得到各部分的显著性因子;然后将显著性因子权值与行人纹理特征根据核函数相融合,生成基于SF-LBP算子的特征向量;接着统计不同区域的特征向量,形成特征直方图;最后结合自适应AdaBoost分类器构建实验平台进行实验.INRIA数据集中的实验结果显示,SF-LBP特征在检测准确率上比梯度直方图(HOG)特征、Haar特征高出2%~3%,达到97%,召回率达到90%,提高了2%左右,表明SF-LBP算子能够准确描述行人的纹理特征,提高行人检测系统的准确率.     

复杂背景下圆形物体分割算法

对如何从复杂的工业图像中准确提取圆形目标进行了研究。阐述了传统分割方法应用于复杂图像中提取圆形目标的局限性,提出了基于双阈值结合数学形态学运算的分割算法。首先分别根据两个阈值进行分割得到两幅二值图像,然后根据目标是圆形以及其大致位置等先验知识分别对两幅图进行腐蚀,开启,闭合等数学形态学运算,将高阈值分割得到的图像中的边界信息叠加到低阈值分割得到的图像中,实现对复杂背景图像中圆形物体的准确分割与提取,解决了复杂背景图像中物体识别率低的问题。实验结果表明本方法对复杂背景的图像预处理是有效的。     

基于时频分析的海杂波背景下舰船目标检测

为了克服基于小波尺度谱重排的时频分析方法中时、频分辨率不佳及时频分布可读性较差等问题,本文提出了一种基于参数优化Morlet小波变换和奇异值分解的海杂波背景下舰船目标检测算法。算法首先利用Shannon小波熵作为目标函数,根据高频地波雷达信号的特点自适应地优化Morlet小波变换的时间带宽积参数,使得后续重排尺度谱的时、频分辨率同时达到最佳。然后再对重排小波尺度谱进行基于奇异值分解的降噪处理,以抑制环境噪声的影响,进一步提高时频分布的可读性。实验结果表明：与传统的时频分析算法相比,本文提出的算法具有更好的时频聚集性和较强的噪声抑制能力,能有效地检测海杂波背景下缓慢运动的匀速和匀加速舰船目标。