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。     

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.     

基于边缘对称性和IULBP的行人检测方法

针对现有行人检测方法速度慢、无法满足实时性检测需求的缺点,提出一种基于边缘对称性和改进的等价局部二值模式的行人检测方法 ES-IULBP(Edge Symmetry and Improved Uniform Local Binary Patterns)。该方法首先对输入的图像进行垂直边缘提取并计算对称性,完成行人的初检测,确定行人候选区;然后引入等价局部二值模式,并对其改进,进行行人的纹理特征提取;最后结合线性支持向量机进行行人验证。实验结果表明,与基于梯度方向直方图特征的行人检测方法相比,ES-IULBP检测速度快、准确率高,并具有较强的鲁棒性。     

基于多特征的行人检测算法

针对单特征辨识度较低的问题,提出一种基于多特征的行人检测方法.首先构造二维对数Gabor函数,利用此函数提取样本的相位一致性特征,将样本的相位一致性特征和样本的局部二值模式算子(LBP)特征相结合,得到新的行人检测方法.使用支持向量机(SVM)进行分类,并与基于HOG特征的检测方法进行比较,在INRIA行人数据库上的实验证明,基于多特征的检测方法提高了行人检测精度、降低了误检率,检测率高达99.4824％.     

基于MBLBPV算法的布匹瑕疵检测方法

针对布匹瑕疵检测,在传统局部二值模式(Local Binary Pattern, LBP)与局部二值模式方差(LBP Variance,LBPV)的基础上,提出一种基于多尺度分块局部二值模式方差(Multi-Scale Block Local Binary Patterns Variance, MBLBPV)的检测算法。首先,采用适当尺度大小的子区域灰度均值代替单像素灰度值,提取LB P特征,以降低噪声影响;然后,融合图像区域对比度信息,并将其作为编码值的权重,提取图像MBLBPV特征,并基于该特征实现瑕疵的检测。实验结果表明,相对于传统方法,MBLBPV抗噪力强、检测正确率更高。     

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。     

基于局部二元模式特征的行人检测

针对复杂背景下的行人检测问题,从纹理信息的角度,提出了基于分块的局部二元模式(LBP)算法。利用局部二元模式均匀模式算子提取小块图像的特征直方图后,并进行归一化,最后将所有的小块特征级联起来形成最终的局部二元模式特征。为了便于比较,采用了支持向量机(SVM)算法分别对梯度方向直方图(HOG)特征和局部二元模式特征训练了相应的分类器。实验结果表明,基于分块的局部二元模式特征在公开的INRIA数据集上能得到较好的检测效果。     

基于多特征融合的行人检测

研究了3 种不同类型的特征算子：梯度直方图（HOG）,基于Gabor 变 换的局部二值特征直方图（LGBPHS）和基于剪切波变换的直方图（HSC）在基于图像的 行人检测中的应用。提出了基于多特征融合的检测算子,对单一特征进行L1 范式规格化 之后,将3 个特征融合为一个高维的拥有大量信息的新特征,之后引入偏最小二乘法（PLS） 进行特征降维,得到最终的人体特征。利用线性SVM 作为分类器,在INRIA 人体库上进 行了实验,结果表明,融合后的特征极大的提高了检测率,在FPPW=10-5 时,检测率达到 了95.6%。     

基于MB-LBP和Fishefaces的人脸识别

针对不可控条件对人脸识别的影响,提出一种基于多尺度分块局部二值模式（Multi-scale Block Local Binary Patterns,MB-LBP）和Fisherfaces融合的人脸识别算法。采用适当模块大小的MB-LBP算子提取图像的纹理结构信息,得到相应的特征直方图;通过Fisherfaces方法对MB-LBP提取的特征进行降维和分类;经由最近邻方法进行匹配识别。在ORL和Yale人脸库上进行实验,分别与其他基于LBP和MB-LBP算法的识别效果进行比对。实验结果表明,识别效率显著提高,鲁棒性更好。     

离散小波变换Haar-LL的行人检测研究

提出一种基于二维离散Haar小波变换的局部二值模式(LBP)与局部梯度模式(LGP)的特征融合方法。对图像进行二维离散Haar小波变换,得到4个不同频率的子图像,对低频部分子图像提取LBP特征,对3个高频部分子图像提取LGP特征,将3个LGP特征并接融合后与LBP特征串接融合进行行人检测。在Matlab环境下利用支持向量机(SVM)对INRIA数据集进行5组实验,分别将该方法与梯度方向直方图(HOG)、金字塔梯度方向直方图(PHOG)、LBP、LGP进行检测率、检测时间、光照鲁棒性以及噪声鲁棒性对比。综合各项实验数据表明,该方法在光照鲁棒性以及噪声鲁棒性方面都能取得更好的效果。     

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.     

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.     

浅层特征融合引导的深层网络行人检测

行人检测是目标检测中的一个重要研究方向。针对行人检测算法在复杂场景和目标太小情况下漏检的问题,在Faster R-CNN检测算法的基础上,提出一种基于浅层特征融合引导的深层网络行人检测。通过HOG特征、改进的LBP特征与深度网络特征融合获得准确的行人特征,在国际上广泛使用的行人数据集上进行一系列实验。结果表明,所提出的改进方法在检测准确率和速率方面都有所提高。     

基于改进HOG特征值的行人检测

摘要：针对目前梯度方向直方图HOG作为描述符应用于行人检测时,会自动忽略梯度方向相反方向的差异,导致HOG的表达能力较弱等不足,本文提出基于改进HOG特征值的行人检测机制。在分析HOG描述符基础上,串联直方图,设计改进的HOG描述符;并提出一种新的归一化技术,嵌入改进的HOG描述符中,增强其表达能力。在多个数据库上的实验结果表明：与传统HOG特征方法相比,本文方法具有更高的准确率和更低的漏检率。     

基于改进WLD描述子的行人检测方法研究

近年来,行人检测研究受到越来越多的关注。提出一种使用改进的Weber局部描述子（IWLD）实现行人检测的方法,该方法有效地吸取HOG和Weber局部描述子方法的优势。将提出的IWLD用来刻画滑动窗口,从而实现行人检测。在INRIA行人数据库上的实验结果验证提出的IWLD检测子的有效性,与传统的行人检测方法（HOG和HOG—LBP）比较,该方法更优。     

基于边缘对称性和HOG的行人检测方法

传统基于HOG特征的行人检测方法存在检测速度慢的问题。为此,提出一种基于边缘对称性和HOG的行人检测方法。利用对称差分提取输入窗口的垂直边缘,根据垂直边缘的对称性快速检测出行人候选区,采用HOG特征和线性支持向量机对行人候选区进行验证。实验结果表明,该方法在保持传统方法检测率的同时,能提高检测速度。     

基于稀疏表达和机器学习的行人检测技术研究

针对行人检测技术在智能交通系统中的应用,为了提高行人检测方法的有效性、实时性和准确性,将稀疏表达应用到图像的特征压缩中,提出一种基于HOG和LTP特征训练SVM分类器进行行人检测的方法。基于HOG和LTP特征训练SVM分类器进行行人检测的方法有效地结合了图像的梯度特征和纹理特征,利用稀疏表达进行特征数据的压缩可以有效地加速算法。实验结果表明,提出的算法具有精度高、速度快等优点。