基于序列图像的实时人流检测与识别算法研究

针对可见光下人流检测、识别算法中存在的运动目标分割准确率低、识别效果差等问题,提出一种新的跟踪与识别方法.首先利用序列图像中运动目标时空一致性,将帧间二阶差分(SODP)与边缘检测相结合进行运动目标分割;再根据行人运动模型和运动目标局部性特征,通过粗采样方法快速提取跟踪特征向量;利用运动目标轮廓投影比、形状因子等特征分量,并构造基于人工神经网络的运动目标分类器进行识别.通过对大型商场进行的实际测试表明:该方法在运行效率、识别准确率方面均取得满意结果.同时,算法对于光线、阴影和人流变化等外界因素的影响,具有较强适应性.     

基于计算机视觉的行人检测技术综述

行人检测是使用计算机视觉技术来判断图像或序列当中有没有行人经过,并同时对行人进行定位的技术,这项技术是无人驾驶领域中至关重要的一个研究方向.受行人个体差异、尺度姿态变化大、鲁棒性要求高等影响,使其具有挑战性,并得到了广泛关注.通过对建立在电脑视觉中的行人检测提箱进行目标分辨和分割的研究情况进行梳理和总结.首先,从阈值法、边缘检测法以及语义分割三个方面,对图像分割技术进行阐述,然后将特征提取的方法分为底层特征和机器学习的两种不同类别作出介绍,之后对分类器的构造方法进行归纳,最后通过目前存在的问题对未来的行人检测技术研究进行展望.     

基于OTSU分割和HOG特征的行人检测与跟踪方法

传统的HOG算法针对整幅图像进行行人特征提取,大量的非人窗口计算必然降低检测的准确率和效率。为此,提出一种基于OTSU分割和HOG特征的行人检测与跟踪方法。利用OTSU算法以最佳阈值分割图像,在分割区域的基础上进行Canny边缘检测,通过边缘的对称性计算确定行人候选区,继而采用经PCA方法降维后的HOG特征和隐马尔可夫模型对行人候选区进行检测验证。最后,以确定的行人区域为跟踪窗口,利用CamShift算法跟踪行人。多组实验结果证明,本文方法的行人检测效率和精度均有所提高,跟踪性能稳定、可靠。     

大张钞票离线检测系统的研制与开发

介绍了一种基于机器视觉的大张钞票离线检测系统.分析了系统原理,点阵字符分割算法及识别方法.提出了利用图形边缘模板匹配搜寻特征点自动提取ROI区域,通过计算连通区域包含像素进一步去除噪声的方法.系统实现了大张钞票的实时检测标废.试验表明识别速度为15张/秒,废品指示准确率为100%.     

大张钞票离线检测系统的研制与开发

介绍了一种基于机器视觉的大张钞票离线检测系统.分析了系统原理,点阵字符分割算法及识别方法.提出了利用图形边缘模板匹配搜寻特征点自动提取ROI区域,通过计算连通区域包含像素进一步去除噪声的方法.系统实现了大张钞票的实时检测标废.试验表明识别速度为15张/秒,废品指示准确率为100%.     

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。     

基于数学形态学的道路提取

利用遥感图像进行道路提取已经有了一些研究,如图像分割,基于知识的道路特征识别和数学形态学等,但尚有许多问题需要解决,设计了一种基于数学形态学的遥感图像道路提取算法。该算法首先将遥感图像二值化,然后进行噪声滤除、形态学边缘检测与边缘连接。通过采用ETM+遥感图像进行实验表明,该算法与传统的边缘检测与边缘闭合的算法相比,具有更好的抗噪能力,且精度较高,具有一定的现实意义。     

基于Sobel算子数字图像的边缘检测

数字图像的边缘检测是图像分割、目标区域识别、区域形状提取等图像分析领域中十分重要的基础.图像理解和分析的第一步往往就是边缘检测,目前它已成为机器视觉研究领域最活跃的课题之一,在工程应用中占有十分重要的地位.文中用已在VC中实现图像的边缘检测方法来对其加以分析.目的是在给出图像的边缘检测实现的基础上,提高图像边缘检测的效果,试验表明此方法能有效地提高图像的边缘检测效果.     

车辆辅助驾驶系统中基于计算机视觉的行人检测研究综述

基于计算机视觉的行人检测由于其在车辆辅助驾驶系统中的重要应用价值成为当前计算机视觉和智能车辆领域最为活跃的研究课题之一. 其核心是利用安装在运动车辆上的摄像机检测行人，从而估计出潜在的危险以便采取策略保护行人.本文在对这一问题存在的困难进行分析的基础上，对相关文献进行综述. 基于视觉的行人检测系统一般包括两个模块:感兴趣区分割和目标识别，本文介绍了这两个模块所采用的一些典型方法，分析了每种方法的原理和优缺点. 最后对性能评估和未来的研究方向等一系列关键问题给予了介绍.     

蝶类昆虫识别算法的研究与分析

提出利用边缘检测及角点提取来识别蝶类昆虫的方法.通过用四种边缘检测算子对鳞翅目蝴蝶进行边缘检测并作比较分析,从中找出鳞翅目昆虫边缘检测的最佳边缘检测算子,然后对边缘检测后的图像进行了角点提取特征信息,通过实验能够得到蝶类图像的特征,为下一步蝶类识别奠定了基础.     

Pedestrian detection for intelligent transportation systems combining AdaBoost algorithm and support vector machine

Pedestrians are the vulnerable participants in transportation system when crashes happen. It is important to detect pedestrian efficiently and accurately in many computer vision applications, such as intelligent transportation systems (ITSs) and safety driving assistant systems (SDASs). This paper proposes a two-stage pedestrian detection method based on machine vision. In the first stage, AdaBoost algorithm and cascading method are adopted to segment pedestrian candidates from image. To confirm whether each candidate is pedestrian or not, a second stage is needed to eliminate some false positives. In this stage, a pedestrian recognizing classifier is trained with support vector machine (SVM). The input features used for SVM training are extracted from both the sample gray images and edge images. Finally, the performance of the proposed pedestrian detection method is tested with real-world data. Results show that the performance is better than conventional single-stage classifier, such as AdaBoost based or SVM based classifier.     

基于外耳轮廓边缘信息的人耳识别

提出一种用Hausdorff距离表示入耳边缘特征的人耳识别方法.首先对原始人耳图像进行预处理,用基于灰度形态学梯度和局部阈值分割的边缘检测方法提取外耳轮廓边缘;然后用标准方差和边缘线段间长度差改进的Hausdorff距离表示人耳特征向量;最后采用支持向量机算法完成人耳识别.实验结果证明,该方法能获得更高的人耳识别率.     

基于车载视频的行人预警系统

行车安全一直是社会生活中的研究热点问题之一,本文设计实现一种基于聚合通道特征的实时行人预警系统。系统包括行人检测模块、区域划分模块、单目测距模块和预警模块,其中行人检测模块使用聚合通道特征和级联Adaboost分类器相结合的方法构造通道金字塔,对车载视频中行人进行快速检测并获取目标关键信息和运动属性;单目测距模块利用检测时获取的信息估测人车距离;预警模块利用得到的运动信息判断前方行人的危险程度并给出相应的响应类型。通过使用城市道路条件下的实录视频进行实验,验证了系统的实时性与准确性。      

基于最佳阈值和轮廓提取的边缘检测方法

边缘检测是图像处理、图像分析、模式识别、计算机视觉以及人类视觉的基本步骤之一,其结果的正确性和可靠性直接影响到机器视觉系统对客观世界的理解.本文分析了传统边缘检测算法的性能,提出了一种基于最佳阈值和轮廓提取相结合的方法,实验表明,该方法简单实用,抗噪性能强且定位准确.     

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。     

一种改进聚合通道特征的行人检测方法

行人检测是计算机视觉和模式识别领域的研究热点与难点,针对聚合通道特征（Aggregate channel feature,ACF）算法应用于行人检测时,出现检测精度较低、平均对数漏检率（Log-average miss rate,LAMR）较高的情况,提出一种改进的ACF行人检测算法。首先结合objectness方法对ACF算法低得分区域进行进一步验证,可以在一定程度上减少算法的误检数;其次结合检测窗口的得分及位置信息,对非极大值抑制算法（Non-maximum suppression,Nms）进行改进,平均精度（Average precision,AP）提升了0.41%,LAMR降低了1.49%;最后采用星型可形变部件模型（Star-cascade DPM,casDPM）对一定阈值下的得分检测窗口进行级联检测,AP提升了0.65%,LAMR降低了2.06%。在INRIA数据集上实验表明,满足实时检测的条件下,极大地降低了误检数,具有较好的行人检测效果。     

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。     

煤矿井下行人检测算法

针对井下光照不均匀、行人特征与背景的相似度高等导致基于计算机视觉的行人检测技术在井下应用面临很大挑战的问题,提出采用Faster区域卷积神经网络(RCNN)进行煤矿井下行人检测。Faster RCNN行人检测算法采用区域建议网络(RPN)生成候选区域,RPN与Fast RCNN共享卷积层,以提高网络训练和检测速度;在图像特征提取过程中采用动态自适应池化方法对不同池化域进行自适应池化操作,提高了检测准确性。实验结果表明,该算法对于不同环境下图像中的行人均具有较好的检测效果。