基于机器学习的NAO机器人检测跟踪

为了解决对人形NAO机器人的检测跟踪问题,提出了一种机器学习与特征匹配相结合的方法.向梯度直方图(Histogram of Oriented Gradient)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子,在行人检测中取得了较好的效果.将其应用于人形NAO机器人的检测跟踪,并结合AdaBoost算法通过机器学习的方法,从大量的训练样本中自动抽取HOG特征并建立级联分类器,利用分类器找出视频帧中含有机器人目标的区域,并在此基础上利用SURF(Speed Up Robust Features)特征匹配方法与模板图像进行特征匹配,以提高目标识别的正确率.实验结果表明,该方法对NAO机器人在室内光线无遮挡的情况下取得了稳定的跟踪效果.     

基于HOG特征的优化区域模板匹配检测

针对HOG算法滑动窗口检测效率低和目标特征描述不精确的问题,提出了一种基于HOG的改进算法,提高了滑动窗口的检测效率并减少了目标模板相似性对结果带来的影响.该算法利用HOG特征来描述目标的整体和各个部件,优先检测图像中目标出现概率较大的区域.对于检测评分比较接近阈值的区域使用可变形部件模型进行精确检测,从而可以避免具有轮廓相似性的模板检测结果的不准确.结果表明,该算法对于静态图片有较高的准确率,且对于很多相似度不高的分类具有较快的检测速度.     

改进的人脸检测训练方法

针对AdaBoost存在的诸如分类器的级联结构会导致系统拒真率与认假率的失衡,单调性前提的不成立容易直接造成训练过程的失败等缺陷,对人脸检测训练方法进行研究,提出了一种改进算法——neighbor-eliminated boosting（NEB）算法。此算法通过构建一种新的基于双表链接结构的特征描述子存储结构,引入特征相关信息,简化了训练过程。实验结果表明,以NEB算法为基础实现的人脸检测系统,在训练速度上具有明显的优越性。     

BOW-HOG特征图像分类

为了减少图像尺寸对提取特征的影响,同时移除特征向量中的冗余信息,将词汇袋模型(BOW)与梯度方向直方图(HOG)特征相结合,提出一种基于BOW-HOG的特征描述子用于图像分类.将图像划分为不同的子区域,对梯度幅值较大的子区域提取HOG特征.用BOW模型对子区域HOG特征编码,构建原始图像上维度一致的特征向量.将特征向量输入训练好的分类器,完成图像分类任务.将BOW-HOG特征描述子在不同的图像分类任务上进行试验,包括图像文本分类、图像场景分类.本实验的文本分类正确率为0.813,场景分类正确率为0.826,优于传统基于HOG特征的方法,表明了基于BOW-HOG特征图像分类方法的可行性、有效性.     

基于HOG金字塔人脸识别方法

为了提取人脸的全局和局部特征,以实现复杂环境下的人脸特征有效表达,提出一种基于梯度方向直方图(HOG)金字塔人脸识别方法.该方法通过多尺度分析、HOG特征谱提取来构建人脸图像的HOG金字塔,对HOG金字塔各层特征谱划分为非重叠小块来构建统计直方图,并将各层的统计直方图连接起形成特征向量来实现整个人脸的特征表达,计算不同序列特征的相似度并采用最近邻分类器来进行人脸识别.在光照和时间环境等复杂变化的人脸识别技术(FERET)库中进行人脸识别实验,结果表明:该方法具有较强的人脸特征鉴别能力,方法的鲁棒性也较好.     

应用PCA理论进行多人脸姿态估计的方法

多人脸姿态估计是多姿态人脸识别的关键问题,至今尚未很好地解决。本文提出了一种基于PCA(Principal Component Analysis)算法的多人脸姿态估计方法,以获得人脸姿态与人脸图像在特征空间投影间的对应关系。算法首先利用PCA理论构建训练样本集的姿态子空间与特征向量,然后利用欧氏投影距离进行姿态估计,最后对方差贡献率与姿态估计准确率间的关系进行了研究。为了验证算法的有效性,利用23类姿态,共690个样本进行了实验,实验结果表明,该方法的姿态估计准确率为84%。说明将该方法应用与多姿态人脸估计是有效的,可行的。     

一种梯度方向直方图的人耳识别方法

为了提高多姿态人耳的识别准确率,提出了一种结合梯度方向直方图（H（）G）特征和监督保局投影的人耳识别方法．人耳图像被划分成重叠的子区域,在每个子区域中计算局部HOG特征．所有的局部HOG特征构造成包含丰富信息的高维向量,高维向量映射到流形空间利用监督保局投影进行鉴别分析,获得强鉴别力的特征．利用最小欧氏分类器进行分类识别．结果表明,本文方法提高了大姿态人耳的识别率．稀疏的子区域表示和局部HOG特征能在一定程度上克服姿态变化造成的对齐误差,对角度变化有很好的鲁棒性．     

高效和鲁棒行人检测与跟踪算法研究

针对行人目标过小出现漏检和很难对具有多模态行人进行稳定跟踪等问题,提出一种高效和鲁棒的行人检测与跟踪方法。对于行人检测,设计了具有自适应调整滑动搜索窗口尺寸的梯度方向直方图(HOG)行人检测器搜索前景区域。在跟踪过程中,对每个行人建立基于前景区域的混合加权直方图模型,使用卡尔曼滤波对行人进行跟踪,获得候选区域并计算行人混合模型与候选搜索区域的匹配程度,同时根据匹配程度,给出一种混合模型在线更新策略,以确保跟踪的鲁棒性。实验结果表明,该方法提高了行人检测与跟踪的效率和准确率,解决了2人交叉导致跟踪失败的问题。     

聚类与跟踪相结合的人脸数据集生成方法研究

为提高人脸数据集生成的准确率和效率,提出了一种将人脸跟踪与人脸聚类相结合的人脸数据集生成方法.首先,对KCF算法进行改进,并将改进的KCF算法用于人脸跟踪,得到不同时间片段的人脸图像集; 其次,从每个人脸图像集中通过人脸图像优选算法选出高质量的人脸图像; 再次,将优选出来的人脸图像进行人脸聚类,以完成视频中每个人的人脸数据集的生成; 最后,通过实验对比基于人脸跟踪、基于人脸聚类和基于本文方法的人脸数据集生成效果.实验结果表明,本文方法与基于人脸跟踪的人脸数据集生成方法相比,纯度提升约15%; 与基于人脸聚类的人脸数据集生成方法相比,效率提升约50%.     

基于非抽样Contourlet域的局部特征描述子

为了得到鲁棒性较强的局部特征描述子,提出一种基于非抽样Contourlet (NSCT)域的局部特征描述子,该局部特征描述子在构造的过程中不需要估计主方向.首先,利用Hessian-Affine算子进行区域检测并进行规范化处理;其次,对规范化处理后的区域进行NSCT分解,得到不同尺度、不同分辨率的多个支持区域;然后,利用亮度序对支持区域进行划分;最后,对每个子区域进行描述并将每个区域的描述向量串联在一起,得到最终的特征描述子.大量的实验结果表明,提出的描述子在图像模糊变换、视角变换、仿射变换、线性亮度变化和JPEG压缩变换下具有良好的性能.     

基于机器视觉的驾驶人使用手持电话行为检测

为了对驾驶过程中使用手持电话行为实施监控和预警,提出了一种基于机器视觉的驾驶人使用手持电话行为检测方法。该方法使用ASM算法分割出面部肤色区域,并运用F-B Error算法在头部发生偏转时对肤色区域进行跟踪。在此基础上,提出用自适应肤色范围提取算法进行肤色检测,并确定手部图像候选区域。提出了CMOG特征描述手部图像,并综合使用CMOG特征与HOG特征在手部图像候选区域中确定驾驶人的手部图像。最后,运用三模式逻辑判别方法判别驾驶人使用手持电话的行为。实验结果表明:该方法能够有效检测出驾驶人在驾驶过程中使用手持电话的行为。     

基于优化M-S模型的多目标鲁棒跟踪

针对光照变化情况下多遮挡目标的跟踪准确率差的问题,提出了一种基于优化M-S模型的鲁棒多目标跟踪算法.利用抗噪声性能高的优化M-S模型实现复杂环境下多目标精确识别与提取,降低模糊边缘、噪声的影响;利用区域像素标记方法建立目标和背景的边缘特征,在目标发生相互遮挡情况下也能够提取各个目标独立、完备的边缘特征.为了降低联合粒子滤波的计算复杂度,提高跟踪实时性,提出了简化联合滤波跟踪模型.仿真实验证明了该算法的正确性和有效性,与经典的差分跟踪算法、基于颜色特征的跟踪算法比较,对噪声边缘和变化光照环境敏感性降低,跟踪有效率统计分析表明鲁棒性提高1.82%,准确率提高1.36%.     

基于混合RGB和HSV方法的人脸检测

采用一种简单而强大的基于肤色的人脸检测技术,将基于RGB和基于HSV的色彩模型组合来进行肤色分割,以提高检测的准确率．实验结果显示,本文描述的算法在识别一张人脸和多张人脸的情况下可以达到90％以上的准确率．     

基于模板匹配的人脸识别跟踪方法研究

在对运动物体的实际追踪过程中,由于目标运动方向不确定、背景环境复杂多变等因素,增加了动态目标跟踪的难度,所以用普通识别方法较难提取出目标特征,从而无法准确跟踪动态目标。提出了基于模板匹配的人脸识别算法,分析了基于方向梯度直方图(HOG)的人脸特征提取算法和基于欧氏距离的人脸识别算法,设计出了人脸识别跟踪系统。实验结果表明通过动态目标视觉检测以及PID控制的角度输出,该系统实现了对特定目标的人脸识别和跟踪。     

SIFT算法的相似性度量优化

针对人脸姿势变化对人脸识别的影响,采用具有良好的尺度、旋转、光照等不变特性的SIFT算法.在分析SIFT特征向量生成过程的基础上,提出一种降低SIFT匹配过程中相似性度量计算代价的方法以提高SIFT特征匹配效率.该方法以绝对值距离和棋盘距离的线性组合距离代替欧式距离作为特征描述子之间的相似性度量.实验结果表明:该方法在保持鲁棒性的同时,可以降低时间复杂度,提高图像匹配的效率.     

基于多点对齐的年龄估计方法

针对两眼对齐的人脸图像归一化只能做到不同图像的两眼位置对齐,而其他特征点如鼻子、嘴巴、下巴等的位置不同,提出一种基于多点对齐的人脸图像归一化算法.该算法首先标注或检测人脸图像中眼睛、鼻子、嘴巴等附近的一些特征点,利用双眼位置进行归一化操作;然后计算图像各个特征点的平均位置进行Delaunay三角剖分得到平均形状;对于双眼对齐的每幅图像,将特征点按照平均形状的连接关系连接成三角形,再通过仿射变换将每个三角形中的图像映射到平均形状对应的三角形中,即得到多点对齐的人脸图像.将该方法与基于两眼对齐的支持向量机回归年龄估计方法在FG-NET数据库上进行实验,对于常用的一些人脸特征,包括BIF,Gabor,HOG,LPQ,平均绝对误差分别降低了0.52,0.66,0.16,0.12.实验结果表明,基于多点对齐的年龄估计方法均优于基于双眼对齐的年龄估计方法.     

基于二维图像的人脸面部特征点定位与提取

提出了一种人脸面部特征点定位与提取的方法.利用该方法,在人脸预处理基础上,通过人脸分割、基于水平方向Prewitt算子模版的边缘检测和积分投影技术,可以快速有效地提取眼睛、鼻子和嘴巴等特征点信息.实验表明,该方法可以校正人脸倾斜并具有较高的准确率.     

基于均值平移的自动人脸检测与跟踪算法

针对彩色图像序列的人脸跟踪问题,提出了一种基于均值平移的自动人脸检测与跟踪算法.对每帧图像采用基于肤色和支持向量机的算法检测人脸,可以减少计算量.对于检测到的人脸,判断是否含有新增人脸,有则将新的人脸加入跟踪序列,否则继续跟踪原有人脸序列.然后采用均值平移算法对人脸序列进行跟踪,其计算量小,跟踪稳定可靠,从而实现自动的人脸检测与跟踪.实验结果表明,该算法可以很好地进行人脸的自动检测跟踪.     

基于特征组合的多人脸跟踪算法

提出了一种融合肤色特征、ORB特征和运动状态估计的多人脸跟踪算法.该算法以多线程跟踪为基础,根据不同跟踪算法的适用特点,在未受肤色干扰时依靠基于分块加权的改进Camshift算法跟踪,在受干扰时则结合包含尺度变化的ORB特征匹配算法进行跟踪.算法同时利用Kalman滤波器修正跟踪误差,以提高跟踪效果.实验表明,基于特征组合的多人脸跟踪算法具有较好的跟踪准确性和实时性.     

基于HOG-SIFT融合优化的多人脸特征提取方法

针对昏暗光线及复杂背景下人脸特征提取效果易受环境因素干扰影响的问题,在进行人脸图像预处理过程中引入双边滤波处理,进一步研究基于自商图像理论的人脸图像光照干扰抑制方法; 结合HOG特征较好的全局性以及SIFT特征对复杂背景影响较好的适应性,提出一种基于HOG-SIFT融合优化的多人脸特征提取方法. 试验结果表明,该方法可有效实现昏暗光线环境及复杂背景下多人脸特征提取功能.