基于支持向量机的行人检测研究

随着现代交通发达程度的不断提高,同时随着我国现代居民人均收入水平的不断提高,私家车的数量也在不断的上升,由此引发的交通事故率同样在不断上升。行人检测智能系统是被用于汽车前部的检测系统,其能够对前方出现的行人进行检测,并以此预先提醒机动车驾驶者,避免出现交通事故。本文即是对基于支持向量机的行人检测系统进行的研究,分析了行人检测的方法,并探讨了支持向量机的相关概念,最后分别针对于图像和视频的行人检测模式进行了研究,以期能为相关工作提供参考。     

改进型Cascada R-CNN的行人检测算法的研究

智能交通的中重要一点就是对行人的检测跟踪用以规避行人实现自动驾驶。在神经网络运用的目标检测之前,常见的行人检测方法有梯度直方图特征（Histogram of oriented gradient,HOG）与支持向量机（Support vector machine,SVM）相结合的方法,但是此方法的弊端较为突出,在检测准确率远远达不到目前主流的几种深度学习算法检测,其应用场景受到很大的限制。而目前在深度学习中,行人检测应用比较广泛的模型有Faster R-CNN、YOLOv3等,而论文将采用改进Cascada R-CNN模型,其比Faster R-CNN具有更好的抗干扰能力,在昏暗、光线不均匀等条件下具有较好的行人检测效果,同时使其能过更好的识别小样本行人,实验在INRIA数据集中完成训练与并在自制的测试集检测,取得了不错的效果。     

基于卷积神经网络及改进支持向量机的行人检测

针对自动驾驶实际道路场景复杂导致行人误检率高的问题,提出一种基于卷积神经网络及改进支持向量机的行人检测方法。利用聚合通道特征快速获取图像候选区域,将归一化后的候选区域图像输入卷积神经网络对其进行深度特征提取;利用主成分分析法将卷积神经网络末端所得到的特征向量进行降维处理,减少其冗余特征信息以获得精确的行人特征描述;将行人特征送至优化后的支持向量机完成分类。考虑支持向量机在分类过程中存在核函数参数选择困难的问题,利用改进后的蚁群算法对其进行优化选择,获得最优支持向量机参数以提高分类精度。实验结果表明,不同场景下的行人平均检测精确度达到92%,误检率大幅下降且具有较好的实时性。     

基于改进的CNN多级分类的行人检测算法研究

针对监控场景的行人检测应用,提出一种结合改进的支持向量机和卷积神经网络的行人检测方法。首先,通过运动检测初步定位感兴趣的可疑目标区域;然后,计算这些区域图像块的灰度共生矩阵,并采用主成分分析方法提取纹理特征向量,采用支持向量机进行纹理分类,滤除干扰区域;最后,对余下区域构建多尺度图像子块,采用LeNet5卷积神经网络架构进行行人分类。在Caltech数据集上的测试结果表明,该方法的真正率指标高,假正率指标低。     

激光雷达引导下的红外图像中行人检测

研究了一种利用激光雷达数据引导红外图像进行行人检测与识别的方法。首先针对激光雷达数据,提出了一种利用鲁棒主成分分析进行目标感兴趣区域检测的方法,进而设计了一种窗口滤波算法对前景矩阵进行滤波处理,得到目标感兴趣区域的位置信息。在此基础上,将该位置信息投影到红外图像中获取红外图像中的目标感兴趣区域,进而在红外图像感兴趣区域内利用稀疏编码金字塔算法和支持向量机完成行人识别。实验结果表明了该算法能够有效地完成行人识别。     

基于HOG特征的行人视觉检测方法

行人检测是近年来计算机视觉领域中备受关注的前沿方向和研究热点.以单目视觉传感器作为外界环境信息获取的主要手段,建立了一个包含行人分割、识别的检测系统.根据行人特有的一些特征,提出了基于垂直边缘和边缘对称性的行人分割方法,并进行精确定位.在行人识别阶段利用HOG特征进行特征提取,然后利用线性支持向量机进行行人识别.对大量...     

一种基于局部梯度矢量的车辆检测方法

在物联网智能交通的车辆检测中,实时性极其重要。针对梯度方向直方图特征中特征矢量维数较多、计算量大的问题,分别对车辆梯度分布特点及支持向量机分类耗时与特征向量维数的关系进行分析,提出一种结合局部梯度矢量均值、散布矩阵特征和支持向量机进行车辆检测与提取的方法。首先,将样本图像均匀地分为若干小块;然后,分别计算块内的梯度矢量均值和散布矩阵作为样本的特征向量;最后,利用支持向量机进行分类训练与识别,其中又通过变步长法进一步减少计算量。实验结果表明,该方法的检测效果与基于梯度方向直方图特征的方法相当,但平均识别时间减少为51%。     

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.     

结合图模型的优化多类SVM及智能交通应用

为提高多类支持向量机分类器对多目标的分类准确度,提出一种结合无向图模型优化的多类支持向量机分类器。首先,利用余弦测度计算训练数据之间的相似度,构建包含训练数据和相似度矩阵的无向图模型,求解相似度约束矩阵。然后,将相似度约束矩阵引入多类支持向量机求解的目标函数,构建优化的多类支持向量机分类器。最后,将优化的多类支持向量机分类器用于智能交通领域,结合梯度方向直方图特征检测行人和车辆目标。实验表明,该方法检测行人和车辆目标的错误率低于经典的多类支持向量机分类器和目前主流的目标检测方法。     

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CNN-ATT-ConvLSTM的行人属性识别

针对现有行人属性识别方法忽视行人属性的互相关性和空间信息导致识别性能较低的问题,将任务视为时空序列多标签图像分类问题,提出基于卷积神经网络(CNN)和卷积长短期记忆网络(ConvLSTM)并融合通道注意力机制的模型。用CNN和通道注意力提取行人属性的显著性和相关性视觉特征;用ConvLSTM进一步提取视觉特征的空间信息和属性相关性;以优化序列对行人属性进行预测。在两个常用行人属性数据集PETA和RAP上进行大量实验,取得了最佳性能,证明了该方法的优越性和有效性。     

一种新的行人多目标跟踪算法

基于TBD(track by detection)框架,使用YOLO网络训练并优化得到了较好的行人检测器,提出一种匹配网络进行多目标的匹配,得到一个准确率较高的行人多目标跟踪框架。为解决行人多目标跟踪中误匹配、目标丢失等问题,提出对于跟踪轨迹模板更新的策略以及对于计算的优化。在MOT数据集上的实验证明,该算法在行人多目标跟踪中取得了较高的准确率,其他多项指标也都达到了较高的水平。     

基于高分辨率网络的行人重识别技术

针对行人重识别特征提取过程中特征图分辨率不断下降,丢失大量空间信息和细节信息,导致特征鲁棒性较低的问题,提出一种基于高分辨率特征提取网络的行人重识别方法.采取变换背景的方法对训练数据集进行数据扩充,提高数据样本的多样性;通过构建高分辨率特征提取网络,使得在整个特征提取过程中网络里始终拥有高分辨特征;结合三元损失函数和改...     

基于Dirichlet过程的行人检测方法

使用图像特征提取技术、特征描述技术、特征码书和Dirichlet过程,自适应地生成了一组部件来表征行人。在此基础上,结合了均值漂移算法、部件直方图和支持向量机等技术提出一种新颖的行人检测方法。实验结果表明该方法结构简单,具有较高的检测率和较低的误检率,同时还可以推广至检测其他类型的物体,具有较高的实用价值。     

混合Boost算法实现的行人检测技术

传统AdaBoost存在一定的局限,比如训练分类器时对训练样本自身所带的噪声过于敏感,产生的分类器泛化能力不强和导致分类器过拟化问题,在训练分类器时只能静态分配分类器权重而不能自适应地对每个训练样本动态调整权重等问题。提出一种基于SBoost算法和PBoost算法,引入样本权重调节器、非平衡的样本采样、误差纠偏方法来检测潜在的样本。模拟实验表明:改进后的技术有效的提高了分类器的精确度且防止过拟化问题。     

行人惯性导航系统平台设计与实现

为了满足日益迫切的个人自主导航需求,设计具有实时导航功能的行人惯性导航系统平台。系统平台由搭载低成本MEMS(Micro Electro Mechanic System)惯性器件的硬件平台和基于VC编写的上位机软件平台组成。重点研究行人导航算法、系统平台搭建、传感器在线标定和信息实时处理。多次行走实验的实时导航误差均在2%以内,证明该导航系统平台在不依赖于外界信息的情况下具有良好的实时自主导航性能。     

基于Hough森林的多特征快速行人检测

为了快速检测行人,根据人体头顶特性快速找出头顶候选点,依此为基点利用边缘检测算法提取目标轮廓,将其作为待测区域;然后利用改进的颜色自相似特征、结合区域边缘直方图和一致模式LBP26,1特征,在Hough森林分类器上进行分类检测。实验结果表明,该算法在检测正确率及速率方面都得到了提高,对于复杂动态场景、遮挡现象以及目标自身形变具有较强的鲁棒性和较高的准确性,在多种行人数据集中测试取得良好的效果。     

一种轻量级的卷积神经网络的行人检测方法

为了解决传统前端行人检测算法准确率低以及鲁棒性差的问题,提出将前端嵌入式设备与人工智能芯片搭载的轻量级神经网络相结合的方法,以实现在前端嵌入式设备中完成更加准确、稳定的行人检测.针对前端嵌入式设备性能不足的问题,提出一种轻量级卷积神经网络模型,通过对网络框架的重新设计以及使用聚类分析重新定义候选框尺寸的方法,大大减少网络权重以及计算量.实验结果表明:该方法相较于传统行人检测方法有着更高的检测精度,并在嵌入式行人检测加速方面具有显著效果,可达到每幅图片62 ms的检测速度.     

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。     

一种基于运动检测的行人多目标跟踪算法

针对固定摄像头下的行人跟踪问题,提出一种基于运动检测的多目标跟踪算法。在运动目标检测中,先利用没有目标出现的视频帧建立背景图像,然后计算背景差并计算差分图像的梯度以提高运动区域的检测能力,最后利用区域合并法得到完整的运动目标区域,并间隔一定的时间更新背景模型。在检测到运动目标后转入跟踪。在跟踪目标时,对于有遮挡和没有遮挡的情况分开处理:若目标之间未发生遮挡,基于目标的中心距和加权的颜色直方图特征进行匹配跟踪;当发生遮挡时,用卡尔曼滤波器预测目标的位置。实验证明,相对于传统的基于背景差法的多目标跟踪,该算法能提取更完整、准确的目标区域,对行人这一非刚性目标能实现较好的跟踪。