一种基于HOG与LSS融合的行人检测算法

针对传统HOG特征的行人检测方法中因遮挡及复杂环境存在较高漏检误检情况,建立了一种基于HOG和局部自相似(LSS)特征融合的行人检测算法。利用LSS反映图像内在几何布局和形状属性的特性,用主成分分析(PCA)将HOG和LSS两类特征在实数域降维,再将两种特征组合成新特征,结合线性SVM分类器进行行人检测。实验采用INRIA数据库和Daimler数据库作为训练集训练SVM,用730幅监控视频帧图片作测试集,将该方法与基于传统HOG特征的行人检测方法做对比,结果表明该方法平均漏检误检率降低16%,检测效果优于基于传统HOG特征的行人检测方法。     

改进的基于增强型HOG的行人检测算法

行人检测在人工智能系统、车辆辅助驾驶系统和智能监控等领域具有重要的应用,是当前的研究热点.针对HOG特征不明显、支持向量机(SVM)分类器计算复杂度高,导致识别率低和检测速度慢的问题,本文提出了一种改进的基于增强型HOG的行人检测算法.该算法首先预处理原始图像并提取其HOG特征,然后增强该特征生成增强型HOG,经XGBoost分类器进行行人检测.在INRIA数据集上进行测试,实验结果表明所提算法识别率高达95.49%,有效地提高了行人检测性能.     

基于特征融合的行人检测技术

首先研究了三种不同的特征算子在基于图像行人检测中的应用. 他们分别是: 梯度直方图(Histogram of Oriented Gradient, HOG)、局部三值模式特征(Local Ternary Patterns, LTP)以及改进了的局部三值模式特征(Sqrt Local Ternary Patterns, S-LTP). 对以上三种特征算子进行了实验比较, 最后将HOG和S-LTP算子融合得到HOG+S-LTP的基于多特征的行人检测算子, 利用SVM分离器在INRIA人体库上进行了实验, 实验表明, 融合后的特征显著地提高了行人检测率, 同时也满足实时性要求.     

多尺度级联行人检测算法的研究与实现

行人检测算法是利用行人的特征结合分类器对图片中是否有行人进行判断的方法。文中基于传统的HOG行人特征检测方法以及Adaboost分类器思想,改进了行人检测算法。使用多尺度的HOG特征对图片的检测区域进行特征提取,并采用级联的Adaboost分类器结合对应尺度的特征进行分类判断,将判断结果输入下一级分类器中继续进行分类判断,最终实现区域内有无人的检测。实验结果表明多尺度下的级联分类器能够更加有效地筛选出行人区域,在计算时间小幅增加的情况下,很大地提高了检测精度。     

利用腿部区域HOG特征的行人检测方法

为快速定位车辆前方的行人,提出一种基于腿部感兴趣区域梯度方向直方图（HOG）特征的行人检测方法。将可能存在行人腿部的区域作为感兴趣区域,采用Sobel算子增强腿部垂直边缘特征,并提取梯度方向直方图特征,有效地降低了特征向量的维数;在检测过程中仅扫描可能存在行人腿部的图像下半部分,并在整幅图像的块内计算HOG特征,减少了复杂背景对行人检测干扰,进一步简化了检测过程;基于垂直边缘对称性特征对检测结果进行融合。实验结果表明,该算法能在保持检测率的同时提高检测速度。     

视频中基于LW-PGD和SVM的头肩部检测

针对视频中的行人检测问题, 提出了LW-PGD (locating windows based on the pixel gradient direction of the top of head)快速定位头肩部和基于融合特征检测的方法。首先利用头顶像素点的梯度方向具有固定范围这一特性在前景中找出头顶候选点, 根据该点快速确定人体头肩部区域, 将其作为待测窗口; 然后提取待测窗口的方向梯度直方图 (histogram of oriented gradient, HOG)特征和HSV(hue saturation value) 颜色特征; 最后采用支持向量机(support vector machine, SVM)训练得到人体头肩部的分类器。实验表明, 与传统的滑动窗口搜索方法相比, 根据头顶点可以快速选取含有人体头肩部的待测窗口, 提高了检测的效率; HOG和HSV多特征融合提高了检测的精确性, 从而提出的算法有助于后续的行人分析。     

基于PCA降维的多特征级联的行人检测

在行人检测中,针对梯度方向直方图(HOG)冗余信息过多、检测速度慢等不足,提出了运用PCA降维的多特征级联的行人检测。首先利用PCA对HOG特征进行降维,其次将HOG特征和Gabor特征、颜色特征级联作为行人检测的特征,最后使用SVM的径向基(RBF)核函数进行分类。在INRIA行人库上的实验表明,该方法不但提高了分类的速度,而且提高了检测的准确率。     

基于SVM-LeNet模型融合的行人检测算法

在方向梯度直方图(HOG)联合支持向量机(SVM)算法(HOG-SVM)和Le Net网络模型基础上,提出了HOG与卷积神经网络(CNN)融合的行人检测算法(SVM-Le Net)。采用多尺度滑动窗口提取HOG特征并送入SVM分类器,根据后验概率判断候选区,随后运用CNN算法剔除误检窗口。为解决单个目标被多个候选区域框定的问题,使用非极大值抑制算法(NMS)进行多矩形融合,保留检测区域中后验概率最大的窗口抑制与其重叠的检测窗口。分类过程中,以候选区域在SVM和Le Net中后验概率为依据判断行人区域。实验结果表明,与HOGSVM和Le Net行人检测算法相比,该算法在准确率和召回率上有明显优势。     

基于分块特征收缩的行人检测方法

针对基于梯度方向直方图(Histogram of Oriented Gradient,HOG)特征和局部二值模式(Local Binary Patterns,LBP)特征的行人检测存在特征向量维度大、检测精度有待提高的问题,提出了一种分块特征收缩的行人检测方法。首先将样本图像划分成多个大小相同的重叠分块;然后提取各分块的HOG和LBP特征,并将两种特征融合作为分块的特征,通过该特征来训练分块分类器,根据分块分类器的行人检测精度对分块进行排序,选取检测精度较高的分块进行特征收缩;最后将特征收缩后的分块特征向量连接在一起作为最终用于行人检测的特征。在INRIA公共测试集合上的实验结果表明,该方法在降低了特征向量维度的同时提高了行人检测精度。     

Hadoop云平台下基于HOG特征和Adaboost分类器的快速行人检测算法

行人检测在安保领域、无人驾驶领域、机器视觉领域以及多媒体分析领域等具有广泛的应用。针对目前行人检测技术运算量大、实时性差等不足, 提出了一种Hadoop云平台下基于梯度直方图(HOG)特征和Adaboost算法的快速行人检测方法。该方法首先利用云计算模式提取图片的HOG特征, 然后利用PCA方法对提取特征降维, 最后使用Adaboost算法构建分类器对降维特征进行分类。利用不同场景照片对本文方法进行实验, 仿真结果表明, 在保持较高检测准确度前提下, 采用Hadoop云计算的检测速度比传统的基于HOG特征行人检测算法提高将近五倍, 有效提高检测算法的实时性。