基于支持向量机的复杂背景下的人体检测

常用的人体检测方法多是基于经验风险最小化原理的传统统计理论，其性能只有在样本趋于无穷大时才有理论上的保证，而在实际应用中，学习样本通常是有限的。针对传统统计理论在人体检测中存在的不足，提出了一种基于统计学习理论——支持向量机(SVM)的人体检测方法，利用彩色空间对背景进行自适应建模提取运动目标，然后使用训练好的SVM进行验证是否是人体。为了简化SVM分类器的设计及提高机器学习的效率，提出了一种星形向量表示法用于抽取目标的特征向量，并且用实验方法得到了这种表示法的最优表示。将SVM与ANN进行比较，并且对不同内积函数的SVM的性能也进行了比较。实验结果表明，SVM的性能要优于ANN，并且采用径向基函数的SVM性能最好。该方法鲁棒性强，正确率高，解决了复杂背景下运动人体实时检测的一些关键问题。     

复杂背景下的遗弃物检测

针对目前智能视频监控中复杂背景下的遗弃物检测存在较高的误检率,在结合混合高斯模型和三帧差分前景提取的基础上,研究了在较为复杂背景中对遗弃物事件进行自动检测和报警机制.首先,采用混合高斯模型和三帧差分结合的方法获得较为清晰的前景对象;其次,采用相交面积判定的追踪算法跟踪进入监控区域后静止不动的前景;再次,根据时间指标和距离指标判定暂时静止对象是否属于遗弃物;最后,对确认为遗弃物的对象进行报警.实验结果表明,该算法能有效的检测监控范围内的遗弃物,具有较高的检测精度和鲁棒性.     

复杂背景下人体骨架的提取

在计算机视觉领域，人体运动分析的研究具有广泛的应用前景。由于人体运动的复杂性，已有的研究方法对人体和背景加上了许多限制条件。本文提出了一种新的方法在复杂背景下来获得人体的骨架。     

基于SVM算法的人体坐姿检测系统设计

为了及时监控坐姿,改善身体健康状态,采用计算机视觉的方法设计一种坐姿检测系统,通过对现有的坐姿图像数据集采样,使用OpenCV进行肤色检测等处理手段获取图像特征,将图像特征进行类别标注,生成数据集文件。坐姿检测算法使用SVM和OpenCV级联检测器结合,实现了实时坐姿显示与语音提醒的功能,能够有效的检测不良坐姿,具有一定应用价值。     

基于HOG和block权重的快速人体检测方法

为解决HOG行人检测过程缓慢的问题,在梯度向量直方图HOG中引入block权重的概念,通过合理筛选block,组成行人的特征向量,然后使用线性SVM作为分类器,重新进行学习,达到减少信息冗余、提高检测效率的目的。在INRIA库上进行实验,结果表明,通过合理选择block,能够在不影响检测效果的情况下,显著减少block的数目,达到提高检测速度的目的。     

基于多尺寸HOG的考场场景下考生目标检测方法

本文针对考场场景中考生检测问题,提出了一种以头肩肘特征作为考生识别依据的改进的HOG算法。该算法使用多尺寸的Block和Cell,对于小目标减小Cell尺寸及步长,使用2:1、1:1Block代替传统的1:1Block,使之有效检测考生目标。实验中经过基于多尺寸HOG特征的SVM分类器的精细验证,完成了考生头肩肘的检测识别,此算法准确率高于82%。     

复杂背景下维吾尔文字符的分割算法

在视频或图像中包含丰富的文字信息,这些文字信息与视频或图像的内容密切相关,因此可以作为视频片断或者图像的内容标识和索引。以视频维吾尔文为例,首先用Canny算子将彩色图像转换为灰度化的边缘图像,其次对图像中的文字进行定位,再对图像进行边缘点彩色分割,然后进行文字图像行区域和列区域的检测,最后基于候选文本区的特征从不同复杂度的彩色图像中提取文本信息,实验结果表明了算法的有效性。     

基于高斯背景模型的红外人体运动目标检测技术

针对红外监控中人体运动目标的空洞和拖尾问题,提出了一种基于高斯模型的运动目标检测方法。首先,介绍了红外图像的预处理;其次通过与其他经典的人体运动目标检测算法比较与综合,引入高斯模型,建立背景图像的自适应模型。该种模型主要使用了拟合修正的方法处理了红外监控背景图像中的差分信息,过滤图像中的噪声等相关外部环境干扰因素,从而更新红外图像中的背景信息,提高了红外监控系统图像中人体运动目标的检测清晰度,并进一步提高了红外监控图像的精度。同时,还对该方法进行了必要的仿真实验。仿真结果表明,提出的方法可以准确地检测红外监控图像中的人体运动目标,较好地避免了人体运动速度过快或过慢所产生的拖尾或空洞现象。     

一种复杂背景下双层框架背景的建模方法

提出了一种经过改进的,适用于动态变化环境的背景建模和前景检测方法。该方法把背景分为动态层和静态层。利用能量描述子来分析动态层中的运动状态。同时,使用网格滤波器来减弱由于光照突变造成的影响。实验结果显示,对于包含光照突变和复杂背景的视频序列,该方法与3种经典的算法相比,有着更好的效果。     

一种复杂背景下多尺度多视角的人体检测方法

针对复杂背景下的人体检测技术所面临的噪声干扰、背景复杂、相互遮挡等问题,设计一种多尺度多视角人体检测算法。针对传统的梯度方向直方图目标特征提取方法特征维数大、有遮挡时检测率低等缺陷,分别使用扩展多尺度方向特征和经WTA hash编码的多尺度梯度方向直方图特征提取,并使用弱分类器和贪婪算法进行特征选择以获得图像的粗特征和精特征。然后使用线性平移合成多视角样本,使用多层级联的Adaboost算法和支持向量机作为分类器进行人体目标检测,结合复杂背景处理、特征重装等方法提高检测精度。使用INRIA公共测试集的实验结果表明,该算法可精确检测出复杂背景下相互遮挡情况下多视角、多姿态的人体目标,与传统的人体检测算法相比,具有更高的检测效率和检测精度。     

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%。     

基于特征融合的行人检测技术

首先研究了三种不同的特征算子在基于图像行人检测中的应用. 他们分别是: 梯度直方图(Histogram of Oriented Gradient, HOG)、局部三值模式特征(Local Ternary Patterns, LTP)以及改进了的局部三值模式特征(Sqrt Local Ternary Patterns, S-LTP). 对以上三种特征算子进行了实验比较, 最后将HOG和S-LTP算子融合得到HOG+S-LTP的基于多特征的行人检测算子, 利用SVM分离器在INRIA人体库上进行了实验, 实验表明, 融合后的特征显著地提高了行人检测率, 同时也满足实时性要求.     

用于视频监控系统的人行为检测和运动跟踪算法研究

随着视频监控系统的普及,大量的视频数据需要进行实时的分析和处理才能发挥其最大价值。基于此,本文研究了视频监控系统中主要目标——人的行为检测和运动跟踪算法,说明了基本的检测系统框架和算法流程,并给出了实验结果,从中不但可以得到人的运动跟踪和定位,而且可以根据运动情况和姿势进行一些基本的行为事件检测。     

一种基于HOG与SVM的监控视频车辆识别方法

针对基于监控视频的车辆检测识别问题,给出了一种基于视频监控的面包车识别算法。该方法对监控视频中已跟踪的车辆,提取车辆的方向梯度直方图（HOG）特征作为支持向量机（SVM）分类检测的输入,分类识别该车辆是否为面包车;通过车辆大小的检测,增强了分类识别算法的准确性与鲁棒性。实验证明,该方法能准确进行面包车的分类识别,基于实际的标清监控视频,面包车的分类准确率达到90％左右。     

基于HOG特征和机器学习的工程车辆检测

针对智能监控在露天矿区中的应用, 提出了一种在大场景、远距离、多角度的环境下自动识别工程车辆的算法. 该算法利用梯度方向直方图特征(HOG)作为图像描述, 并结合支持向量机(SVM)训练分类器的方法, 实现图像中工程车辆的检测. 为提高检测效率和准确度, 采用Hough变换直线检测的方法提取包含目标的区域. 实验表明, 算法能够在较大分辨率的复杂图像中识别出检测目标, 有较高的准确度, 对于实验中不同的环境具有较强的鲁棒性.     

基于背景差与HOG-LBP的快速运动人体检测

针对单目静止摄像机近距离监控的情形,结合运动目标外接矩形长宽比,提出一种HOG特征联合LBP特征并通过PCA降维的快速运动人体检测算法。该方法包含两个步骤：运动目标提取和运动人体检测。使用帧差与背景差相结合的方法提取运动目标,帧差用于更新背景,背景差用于提取运动目标。运动目标判别即人体检测分为两个部分：单运动人体检测以及多运动人体检测。首先根据运动目标外接矩形的长宽比,把目标分为单目标以及多目标;然后,根据肤色的分布判断单个行人。对于多目标,提取HOG-LBP特征,用PCA降维,结合线性SVM进行群人目标判定。实验结果表明,该方法不仅提高了人体检测速度,还提高了人体检测率。     

视频监控中背景的提取和更新算法

获取高质量的背景图像是在背景消减法中决定目标提取效果的关键。针对传统方法存在的问题,从实际情况出发提出一种改进的背景提取和更新算法,并在Matlab环境下进行仿真,仿真结果显示该算法具有良好的性能,说明它对于各种外部因素的影响,如光照变化、阴影、目标遮挡等,具有很强的适应能力。     

一种改进HOG特征的行人检测算法

针对HOG特征检测准确率高、计算量大的特点,通过对HOG特征的结构进行调整,提出了使用Fisher特征挑选准则来挑选出有区别能力的行人特征块,得到MultiHOG特征。该算法结合线性SVM二值分类器,实现行人滑动窗口检测。用Inria标准数据集和自行拍摄数据集进行了测试,结果证明该算法较HOG在准确率及实时性上都有很大的提高。     

一种联合图像分割与背景建模的运动目标检测算法

介绍了在混合高斯模型的基础上,采用每一个像素点及其邻域组成的集合作为特征矢量来描述图像,对YUV格式的彩色图像的不同颜色分量分别建立混合高斯模型,从而确定是否有变化发生.为充分利用空间信息,提出将彩色图像分割与背景建模结合起来,得到具有精确边缘的运动目标.实验结果表明,即使在前景纹理、颜色比较一致且与背景对比不是很明显的情况下,本方法也能完整地检测出运动前景.