基于Co-training方法的车辆鲁棒检测算法

针对复杂交通场景车辆检测算法自适应能力差的问题,提出了基于Co-training半监督学习方法的车辆鲁棒检测算法.首先,针对手工标记的少量样本,分别训练基于Haar-like特征的AdaBoost分类器和基于HOG(histograms of oriented gradients)特征的SVM(support vector machines)分类器,使其具有一定的识别能力;然后,基于Co-training半监督学习框架,将利用2种算法进行分类得到的新样本分别加入到对方的样本库中,增加训练样本数量,再次进行分类器的训练.由于这2类特征具有冗余性,各自检测出的正负样本包含对方漏检和误检的图像.由于样本数的增加,再次训练所得到的新分类器的鲁棒性得到了很大提高,能更加准确地检测出车辆,而且由算法对未标记样本进行分类标记,不再需要人为标记,提高了车辆检测算法的自适应能力.     

基于HOG特征的InSAR矿区开采沉陷盆地检测方法

针对难以从大幅宽InSAR干涉图中自动识别与检测矿区采空区的问题,提出了一种基于方向梯度直方图(HOG)特征的InSAR矿区开采沉陷盆地检测模型,首先使用HOG算子提取样本中开采沉陷盆地和其他目标的边缘特征,用于训练支持向量机(SVM),得到用于检测InSAR开采沉陷盆地的SVM分类器,随后利用相干信息对分类器的检测结...     

扩展Haar特征检测人眼的方法

人眼检测在人脸识别中起着非常重要的作用,其检测的准确性可以有效地提高人脸识别率。该文扩展了一种Haar特征,并基于该特征运用Adaboost算法对人眼进行准确检测。首先基于扩展的Haar特征运用Adaboost算法检测到眼睛和眉毛的粗轮廓,然后将粗轮廓的灰度图像制成模板,最后与眼睛和眉毛非常相似的图像样本进行匹配,从而准确检测到人眼。该方法有效地避免该由于眼睛和眉毛非常相似而引起的误判。     

基于OpenCV和Haar特征分类器的图像人数检测

研究一种基于OpenCV和Haar特征检测固定区域图像中人数的方法。通过选取大量含有人的Haar特征的样本图片,利用OpenCV训练出分类器,并通过实验深入分析选取的样本对分类器识别性能（即检测效果）的影响,最终选取人的头肩部上半身样本训练分类器,并在1 500张640pix×480pix待检图像（共计人数17 294人）的检测实验中达到93.9%的识别准确率,平均检测时间小于323ms。     

激光雷达动态障碍物检测

为了解决在未知环境情况下障碍物运动状态的检测问题,提出一种基于激光雷达自主动态障碍物的检测方法.通过近邻域法和规则分类器算法对激光雷达检测的数据进行聚类;在此基础上分析了聚类障碍物的特征参数,利用聚类障碍物数据的置信区间关联性分析确定了障碍物的类型,对同一类型障碍物进行相对坐标转化分析确定了障碍物的速度、航向.实验结果表明;该方法能够在25ms内实现对车辆通行区域内的障碍物进行有效的聚类,从而实现对同一障碍物速度和航向的检测.     

基于Haar特征级联强分类器和肤色模型的人脸检测

提出了基于Haar特征级联强分类器和肤色模型校验的快速人脸检测算法。利用基于人脸Haar特 征的级联强分类器快速检测人脸,得到待判人脸区域,其中可能含有非人脸误检区域;利用肤色聚类模型对待判人 脸区域进行筛选,过滤误检的非人脸区域。实验结果表明,该算法误检率低,检测速度快,在实际应用中有一定的价 值。     

基于逆投影差分的移动机器人障碍物快速检测

移动机器人的障碍物快速检测是其导航、避障、轨迹跟踪的关键技术。目前多数传感器存在距离盲区以及异常尺度等问题,且现有算法大多计算复杂,难以满足实时性需求。为了改善这些问题,本文提出了一种基于环视逆投影差分的移动机器人障碍物快速检测与定位新方法。该方法以水平地面为参考平面,对移动机器人上环视系统中相邻视角相机拍摄的图像进行逆投影变换,再经图像差分得到逆投影差分图,图中像素值为零的点位于参考平面,反之则位于参考平面之外,经过阈值化、滤波后即可用来区分参考平面与非参考平面目标,实现其视场公共区域内障碍物的快速检测;同时以逆投影差分图为基础,通过像素坐标系到机器人自身坐标系的转换可获得目标相对于移动机器人精准的位置信息。在实际场景中对5 m范围内不同类型、大小、距离的障碍物进行测试,平均检测精度为97.3%,平均检测耗时为46 ms/帧,平均定位误差为1.1%。实验结果表明,本文方法能快速有效地检测和定位移动机器人附近的动、静态障碍物。     

一种改进的人眼特征检测方法

眨眼是人眼的重要特征。尝试了一种将双眼作为整体,利用Haar小波变换确定位置,然后利用人脸 模型,分割出两个单眼,最后使用PCA方法判断出眨眼的检测方法。这种方法将双眼作为整体检测克服了人眼单眼 定位的误差,并在双眼整体检测结果上运用PCA方法提取数据,检测眨眼,实验结果表明,此方法是可行和有效的。     

基于单目视觉的障碍物检测

将基于因子分解的运动估计结构（structure from motion,SFM）算法延伸至室外环境障碍物检测,提出了一种基于单相机的障碍物检测方法.通过图像序列特征点的匹配和跟踪,运用基于因子分解的运动估计结构算法得到场景的投影重建;通过满足绝对二次曲面（dual absolute quadric,DAQ）约束的自标定升级至欧式重建,同时得到相机的运动;通过将图像分割为等面积的区域,每个独立的区域通过从欧氏重建得到的深度信息来区分是障碍物还是背景.室外真实场景的实验结果表明,该方法能够在室外环境下获得比较好的障碍物检测效果.     

静态环境中基于光流的障碍物检测

针对估计相对深度的传统方法,易受噪声影响的问题,提出了一种基于光流的障碍物检测方法.基于摄像机前方局部地平面假设,通过尺度空间不变（SIFT）特征匹配得到单目图像序列前后帧的匹配点集,用随机抽样一致算法（RANSAC）鲁棒地估计出相机前方近似平面的单应性矩阵,并计算得到光流场,进而恢复出相对深度并建立障碍物图.由于避免了计算光流的一阶微分,该方法具有较好的鲁棒性.室内和室外环境的实验结果都表明,该算法能够恢复出相对深度,并对障碍物进行有效检测.     

基于小波模极大值和SVM的智能车辆障碍物检测

针对复杂交通场景中智能车辆前向障碍物检测问题,根据障碍物的后视视觉特征,提出了一种基于小波模极大值和支持向量机的障碍物检测方法.利用小波变换对奇异信号的多尺度分析,并结合障碍物先验知识的多特征组合,对候选障碍物区域进行检测;构建了一种适合于交通场景中障碍物分类的二叉树支持向量机(BT-SVM)多类分类器,对候选障碍物区域进行确认识别.将该方法应用于高速公路、城区道路等多种交通场景中,实车实验结果表明了本方法的有效性、实时性和通用性.     

基于视差空间V-截距的障碍物检测

为了更加高效地完成对基于双目立体视觉的驾驶系统的环境分析,提出新的应用于视差空间中分析障碍的"V-截距"方法.与传统在三维空间中的障碍检测方法不同,该方法直接在视差空间中进行检测,通过将障碍坡度信息转换为视差空间中V轴的截距实现检测.推导视差空间中的坡度-截距转换关系,划定合理的阈值区间.整个检测算法具有快速高效的特点,在原理上不受平面道路的假设约束,具有很强的实际应用价值.多种环境下的实验证明:该方法的障碍物检测效果可靠、稳定,检测速度是基于三维空间的方法的3.9倍.     

图像多特征融合的障碍物检测

针对室外环境中障碍物和地面图形区分不明显时,利用易受光照及噪声影响的颜色或亮度信息检测障碍物会出现误判和漏检的现象,采用多特征融合的方法对障碍物进行检测。首先使用LBP算法提取图像纹理特征,使用自适应Canny算法提取障碍物边缘信息,将纹理特征和边缘信息进行线性加权,再利用高斯建模方法更新背景信息,最后通过比较前后帧总体差异判定障碍物。与传统三帧法、平均背景建模法、高斯混合建模法的实验对比结果表明:该方法相比利用单一特征进行障碍物检测的方法具有更好的鲁棒性。     

视觉导航中分道线的二维重建与障碍物检测

针对视觉导航对道路分道线重建以及障碍物检测的功能需求,在对道路几何形态特性分析的基础上,建立了车道成像模型,对当前车道以及多车道进行了投影图像的二维重建;同时根据信息熵,引入路面单位像素灰度等级数的概念,实现了目标车辆或障碍物的初定位,利用Robinson边缘检测算子实现了对目标车辆或障碍物的精确定位。经大量实验证明,所设计的算法具有较高的实时性、准确性,满足了视觉导航对道路或分道线检测、障碍物检测的功能需求。     

应用于番茄病虫害检测的HOG特征与LBP特征的结合

植物病虫害是农业部门面临的主要挑战,准确和快速地检测植物病虫害有助于发现早期治疗方法,同时大幅减少经济损失. 基于机器学习的目标检测方法能够很大程度地提高物体检测和识别系统的准确性. 提出了一种基于机器学习的番茄病虫害检测方法,通过提取有病虫害和无病虫害的番茄样本的HOG特征和LBP特征,然后结合SVM分类器训练样本得到检测模型. HOG特征能够较好地描述番茄叶的边缘特征,LBP特征能够较好地描述番茄叶的纹理特征,两个特征在一定程度上互补. 实验结果表明,基于HOG与LBP特征结合检测有病虫害的番茄叶取得了较好的效果,该方法在全球AI挑战赛中农作物病害的番茄数据集取得了99.49%的检测率.     

基于图像多特征融合的野外水体障碍物检测

提出了一种基于图像多特征融合的方法来实现水体障碍物的检测方法.对于图像中水面的无倒影区,可以通过基于亮度和纹理特征的图像分割获得;而对于水面的倒影区,提出了基于立体视觉的方法来得到倒影区的距离和高度,并据此提取出相应的倒影区域,将所有特征进行融合获得了较完整且准确的水面区域.实验证明,该方法对野外复杂环境下的水体障碍物检测,特别是对包含有倒影的水体区域的检测有良好的效果;同时,算法简单实用,易于实时应用.     

基于小波包特征熵SVM的压缩机气阀故障诊断研究

针对气阀信号信噪比低、特征提取困难及故障样本较少、难以建立可靠的故障识别模型的问题,提出基于小波包特征熵支持向量机的气阀故障诊断方法。首先选择容错性较强的信息熵作为特征参数,通过对信号小波包分解,提取故障敏感频带的小波包特征熵作为输入向量,采用仅有的故障训练样本构建SVM分类器,建立气阀故障诊断模型。试验表明,该方法对小样本情形下气阀故障的非线性模式分类问题体现了良好的适应性,且具有特征提取工作量小的特点。     

基于颜色特征和SVM的交通标志检测

为提高道路交通标志识别系统的实时性和准确度,提出一种改进的RGB空间颜色检测和SVM相结合的交通标志检测算法。首先使用直方图均衡化和Gabor滤波相结合的方法进行图像增强,突出目标颜色;然后使用改进的RGB空间颜色检测方法初步提取并切割出候选标志区域;最后使用HOG特征训练SVM分类器,对候选标志进行精确检测并判断其形状。在检测精度和检测用时2方面进行对比试验,其结果表明,本文算法的检测用时较短,误检率和错检率都较低。该算法能对亮度较低的图像进行有效处理,对旋转、部分遮挡等多种情况也有较优的稳定性和准确性,适用于复杂背景下的标志检测。     

基于欧几里得聚类算法的三维激光雷达障碍物检测技术

利用三维激光雷达对车辆前方障碍物进行辨识过程中,车辆的运动导致点云数据出现畸变,传统欧氏聚类方法也无法同时对远处和近处的障碍物进行精确检测,从而导致错误的聚类结果,容易出现障碍物误检或漏检的情况。针对上述问题,提出了一种对三维激光雷达点云数据去畸变的方法,同时改进了欧氏聚类方法,使其能自动更正距离阈值,从而使障碍物检测更加快速准确。对本文方法进行了实车试验,试验结果表明:本方法能同时快速准确地检测出较近和较远的障碍物。