改进的快速行人检测方法

行人检测在视频监控以及智能车系统中有着广泛的应用前景,为了能够更有效地检测行人,将人脸检测中级联检测框架引入行人检测中,并对其进行改进,采用Gentle AdaBoost算法进行分类器训练,以提高训练效率,同时在训练前引入了特征预筛选,以减少训练时间和系统开销。实验表明,改进后的方法训练时间短,检测精度高,同时具有较快的检测速度。     

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.     

基于快速级联分类器的行人检测方法研究

行人检测是图像处理、计算机视觉等方面研究的重要环节,通常用于视频监控和智能车辆等领域。行人检测图像易受到背景的影响,常用的帧差法及单纯训练分类器法在行人检测中存在着准确率低、分类训练算法复杂、实时性差等问题。首先采用改进型帧差法获取行人运动信息,然后利用直方图坐标对应划分出运动区域,最后通过训练双特征级联分类器对运动区域进行检测识别。实验结果表明,本方法可以有效减少误检和漏检现象,检测时间平均减少了32.77ms,检测准确率平均提高了10%以上,因此本方法有效提高了识别准确率和识别速度。     

基于稀疏表示的两级级联快速行人检测算法

针对复杂背景下的行人检测问题,提出一种两级级联的快速行人检测算法。第一级采用竖直方向的边缘对称特征和基于行人先验知识的弱分类器,排除大部分非行人区域。第二级采用梯度方向直方图特征和基于LC-KSVD字典学习的稀疏表示分类算法,对剩余区域进行精确检测。实验结果表明,该算法在保证检测精度的同时缩短了行人检测的时间,并且对遮挡情况有较好的鲁棒性。在INRIA数据库上每幅图像平均检测时间仅为69 ms,对数平均漏检率为38%,较CENTRIST+C4算法和HOG+SVM算法的漏检率有所降低,并提升了检测速度。     

一种基于三角特征的行人检测算法

基于视频的行人检测技术是计算机视觉领域的重要问题,特征提取是行人检测技术的关键,大量的特征提取方法是基于Papageorgiou提出的矩形特征,但对于行人的边缘特性描述并不准确。针对adaboost算法,分析行人姿态的边缘特性,提出了四种较为有效的三角特征描述人体的外形局部特征,并推导了三角特征计算量与计算耗时的关系。与传统的矩形特征、非对称特征相比,三角特征能更有效的描述行人姿态,提高了行人检测的鲁棒性。     

街景图像中基于级联特征的行人检测方法

针对街景中的行人检测问题,提出了一种基于级联特征的行人检测方法.首先采用简单特征提取可能包含行人的潜在区域;然后采用基于概率接受的方法,结合方向梯度直方图(HOC)特征进行密集扫描分类;最后用非最大化抑制(NMS)过程聚合分类结果.实验结果表明一方面这种基于级联特征的方法使两类特征互补提高了检测精度;另一方面基于概率接受的方法进行密集扫描分类使得检测时间显著缩短.     

基于快速边缘检测和Real Adaboost的行人检测

针对聚合通道特征(ACF)算法中行人外观轮廓不稳定导致检测率下降的问题,使用快速边缘检测检测出待检测图像的边缘图;用边缘图代替ACF算法图像通道中的梯度幅值通道,获取较稳定的行人轮廓信息;采用准确率较高的Real Adaboost分类器提高分类准确性.仿真实验结果表明:算法相对于原ACF算法误检窗口减少,检测精度提升,漏检率在INRIA,Caltech数据库上分别降低了5.1%和14.8%.     

基于级联支持向量机融合多特征的人脸检测

人脸图像中包含丰富的特征信息,不同特征具有其各自的优势。基于此,提出一种基于级联支持向量机有效融合多种特征的人脸检测算法。该算法首先利用肤色模型对待检图像进行预处理,筛选出疑似人脸区域。然后在疑似区域中提取图像的HOG(Histogram of Oriented Gradients)和LBP(Local Binary Patterns)特征,并分别对这两种特征集进行特征选择,训练两个SVM(Support Vector Machine)分类器,最后将两个SVM分类器级联起来实现人脸检测。在多个人脸图像数据库上的实验结果表明,该人脸检测算法提高了人脸检测率,降低了误检率,并且对多种光照条件、姿态、表情以及部分遮挡的情况都具有较好的鲁棒性。     

基于局部特征级联分类器和模板匹配的行人检测

在智能视频监控领域,行人检测正受到广泛关注。为了提高检测率,将基于局部特征的Adaboost级联分类器和模板匹配相结合。首先通过分析和比较提出了一种行人局部特征的选取方法,然后对人体局部进行建模,将模板匹配的思想融入行人检测。最后通过实验证明,该方法在行人检测上可以取得较好的效果。     

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.     

改进的Cascade RCNN行人检测算法研究

在复杂路况下的行人检测中,行人尺寸变化大,导致小尺寸行人漏检率高,增加了行人检测的难度.为了降低行人检测漏检率,提高行人检测精度,在级联区域卷积神经网络(cascade regional convolutional neural network,Cascade RCNN)的基础上,将浅层特征与深层特征融合,进行深层特征...     

基于级联框架下的多特征融合人脸检测算法

针对AdaBoost人脸检测方法在高分辨率彩色图像上定位速度慢和误检率高的问题,提出一种多特征融合的人脸检测方法。该方法使用级联策略将多种特征分类器有效地组合起来,高效地利用各种特征之间的互补性,形成一种新型的高性能分类器。实验结果显示,该方法提高了检测速度、降低了误检率。     

Gabor特征结合快速HOG特征的行人检测

针对行人检测中HOG特征提取速度慢且易忽视细节特征的问题,提出了一种Gabor特征结合快速HOG特征的行人检测算法.首先对输入图像进行小波变换,并引入积分图思想和主成分分析算法快速提取图像HOG特征;其次融合Gabor小波变换得到的Gabor特征,最后采用混合特征训练分类器,实现行人的有效检测.测试集上的实验结果表明,在使用相同分类器的情况下,该混合特征提取方法比单一特征提取方法的检测正确率最多可提高7.37％,因此所提出的算法可以有效地提高行人检测的精度.     

特征金字塔融合的多模态行人检测算法

针对单模态行人检测在光照条件较差、目标部分遮挡、目标多尺度时检测效果较差的问题，提出了一种基于可见和红外双模态特征金字塔融合的行人检测算法。使用深度卷积神经网络代替传统的手工设计特征方式分别自动从可见模态及红外热模态的图片中提取单模态特征，根据ResNet（Residual Net）的阶段性特征图谱搭建特征金字塔网络，生成每个模态的特征金字塔，并将两个模态的特征金字塔进行逐层融合。选择深度学习通用目标检测算法--Faster R-CNN作为后续的目标定位与分类算法来解决多模态行人检测问题。在特征金字塔融合阶段，针对级联融合和较大值融合容易忽略弱特征，无法有效融合互补特征的问题，提出了一种锐化特征的特征金字塔融合方法，根据阈值强化突出强特征，互补叠加弱特征，有效利用每个模态的特征，进一步提高模型的检测效果。实验结果表明，特征金字塔聚合的多模态行人检测算法可以有效解决多模态行人检测问题，在KAIST数据集上的检测效果超过了目前该数据集上的最佳模型。     

基于稳定区域梯度方向直方图的行人检测方法

针对HOG算法采用简单均匀分布的块提取行人特征,导致过多冗余特征和检测效率较低问题,提出一种启发式的块生成算法.首先将待检测窗口划分成多个大小不一且交叉重叠的块,然后根据各个块的梯度方向直方图特征的稳定性对各个块进行排序,最后选取稳定性最高的多个块作为最终HOG算法的特征提取块.实验结果表明,该算法可取得较好的检测效果,并且检测速度得到了进一步的提高.     

基于HOG的行人快速检测

为了更好更快速地实现对行人的检测,提出一种基于空间梯度直方图的行人检测算法。该算法在分类识别时用Boosted Cascad算法级联结构的分类器,将那些对不包含行人信息的区域进行筛选排除,从而使信息量减少。实验结果表明,该算法在不降低检测效果的情况下明显提高了行人检测效率,具有较强的鲁棒性。