基于感兴趣区域AdaBoost分类器的视频车辆检测研究

近年来基于视频的车辆自动检测作为城市智能交通系统的一项重要技术一直受到关注.针对AdaBoost分类器目标检测所存在的漏检、误检和计算量过大等问题,提出一种基于混合高斯模型运动区域提取和Haar-like特征的AdaBoost级联分类器的交通视频车辆检测算法,首先通过建立混合高斯模型对运动目标的总体区域进行检测,进而提取基于车辆运动的感兴趣区域,再对其进行基于Haar-like特征的区域AdaBoost级联分类,实现对运动车辆的检测.由于采用了基于运动区域提取和分类相结合的检测模式,通过混合高斯背景模型较准确的提取出ROI作为车辆的候选区域,约束了每帧的搜索区域,使AdaBoost分类器的目标检测更具针对性,提高了检测的准确性,降低了漏检率;同时也减少了分类算法滑动窗口扫描所需要的时间,提高了检测速度.实验结果验证了所提出算法对复杂交通环境车辆检测的适应性和有效性.     

基于随机蕨的实时车辆匹配

基于随机蕨算法,在快速"车脸"定位的前提下对车辆实时匹配.结合车辆区域定位和车牌快速定位提出了快速车脸区域定位方法.结合车辆的特征,提出了一种快速多尺度特征点检测算法.先建立离线随机蕨分类器,在线阶段用训练好的分类器进行分类,形成初始匹配.提出了一种改进的顺序抽样一致性(PROSAC)算法,对初始匹配进行快速精确的匹配.实验结果表明,基于随机蕨的车辆匹配算法能够快速实时地进行匹配.     

基于双特征的前方车辆实时检测

提出一种在无先验知识的情况下,综合利用车辆阴影和对称性两种特征进行前方车辆检测的算法.该算法通过检测车底阴影特征生成车辆存在假设,首先,利用大津阈值分割方法(OTSU)得到车辆阴影特征,采用阴影区域融合方法解决阴影边缘的变形问题,得到可能包含车辆的区域;然后,利用车辆对称性特征对感兴趣区域进行验证,并对其中的车辆区域进行准确定位.通过对实际采集的道路图像序列进行测试,结果表明:该算法能够实时、有效地检测出前方车辆.     

自然场景多方向文本检测方法

针对自然场景下多方向、多语种文本区域提出了一种新的检测方法.该方法首先使用提出的边界提升最大稳定极值区域(MSER)算法,检测得到相比传统MSER算法更少的文本候选区域;然后依据设计的含有多个分类器的字符分拣树对候选区域进行层层分拣,剔除绝大部分非字符区域;接着使用提出的多层融合的聚合算法逐层对候选字符进行融合生成文本行;最后采用随机森林分类器对文本行进行验证.通过在ICDAR2003和MSRA-TD500数据集上的测试与比较,结果证明该方法在综合性能上要优于目前常用方法.     

基于融合特征及改进二值化规范梯度特征技术的车辆识别算法

针对高速公路视频监控中基于单一形状特征的车辆检测算法出现较多的误检,且运用支持向量机(SVM)滑动窗口检测存在耗时大的问题,提出一种基于快速提取物体目标候选窗口的融合HOG-LBP特征的车辆检测方法。首先基于二值化规范梯度特征(BING)方法及背景差分快速提取车辆候选窗口,再计算候选窗口图像的方向梯度直方图(HOG)特征和局部二值模式(LBP)特征并进行特征融合,结合SVM分类器进行车辆检测。实验结果表明,融合形状和纹理特征能够有效提高车辆检测性能,而通过快速提取候选窗口可以将SVM检测速度提升8倍左右,满足工程实时性要求。     

基于改进Faster R-CNN算法的车辆检测

基于区域的网络Faster R-CNN算法在图像的目标检测领域取得了巨大突破.相比较于传统的目标检测方法R-CNN和Fast R-CNN,Faster R-CNN提出了一种候选区域网络(RPN)有效的提升了检测候选框的生成速度.本文通过分析提出的RPN网络的实现方法,引用了K-Means++聚类算法,来对训练数据集中的目标框大小进行聚类分析,替代原本算法中的9个区域框.通过实验对比分析,通过改进的方法提高了车辆检测的精度.     

基于姿态估计的多视角人脸检测

目前,对于多视角的人脸检测仍然是一个具有挑战性的难题.为了解决这个问题,提出了一种基于姿态估计的人脸检测的方法.在训练人脸分类器时,我们将视角范围划分成几个小区间,为每一个小区间利用Adaboost算法训练相应的分类器;在对图像进行检测时,对于任何给定的一幅图像,我们首先对其进行姿态的估计,并根据估计的结果选择相应的检测器对其进行检测.实验结果表明,提出的方法能很好地检测多视角人脸图像,在检测率和检测速度上都有很好的效果.     

基于深度卷积网络的多视角人脸检测研究

针对复杂背景下多视角人脸检测的问题,提出了一种基于深度卷积网络的多视角人脸检测算法。该算法从AFLW多视角人脸库中得到了原始正负样本的数据集,利用改进的NIN_Cifar10网络结构模型来训练一个深度人脸分类器,通过非极大值抑制算法(Non-maximum suppression,NMS)使其确定为最终的人脸检测窗口进行人脸检测。在Caffe框架下的实验结果表明:本文的方法在多视角人脸检测的正确率上达到了97.3%,与Ada Boost算法相比,误检率降低了6%,检测速度提高了30%,同时对遮挡、光照也具有一定的鲁棒性。     

融合多元特征信息的前方车辆图像识别

为了进一步降低虚假目标车辆的检测风险,提出了一种基于多元特征信息匹配的前方车辆图像识别方法。首先依据路面灰度均值突变搜索车辆候选区域,然后利用双通道Gabor滤波器提取车辆样本图像的多尺度方向特征,联合AdaBoost分类器与Cascade级联分类器形成一系列强分类器,对产生的5尺度8方向高维特征向量实施降维处理,同时分类筛选特征样本,最后结合灰度信息熵对称性测度辨识目标车辆存在性,完成了前方目标车辆的检测定位。研究结果表明:所提方法的检测准确率为96.7%,比经典算法提高了1.6%;整个检测过程最长耗时35 ms,最短耗时15ms,平均耗时25ms,检测耗时主要受车辆的大小以及背景复杂程度的影响;避免了单一特征下局部有效鉴别信息的损失,具有较好的识别精度和处理速度,车辆误检率仅为3.2%,优于其他车辆识别算法的误检率,提高了虚假目标检测的辨识度。     

一种基于MRF的快速图像修复算法

基于马尔可夫随机场(MRF)的图像修复算法,在纹理和结构区域均能获得较好的修复效果.然而,基于MRF对图像进行修复,各节点存在大量近似的候选块.传统基于MRF修复算法需要对各节点的近似候选块进行多次重复计算,执行效率低、计算量较大.为克服这一缺点,在马尔可夫随机场框架下,提出了一种快速图像修复算法.在初次迭代前,首先对破损图像进行预处理,采用自适应样本块修复算法,对高斯金字塔顶层的低分辨率图像进行快速的"预修复",以粗略估计破损区域中MRF内部节点的初始值,加快后续相邻节点间的消息传递及收敛速度.其次,以"预修复"结果中的初始信息为约束条件,提出了改进的置信度计算方法.同时,将初始置信度最高的候选块设为节点的第一候选块,根据预设的相似度判别阈值,并利用破损块源区域的纹理复杂程度,对MRF节点的候选块进行筛选,以避免同一个节点具有大量相似的候选块,提高节点的交互运算效率.最后利用MRF进行迭代计算,获得各节点的最优匹配块,实现图像的自动修复.实验仿真结果表明:与传统基于MRF修复算法相比,改进后算法的平均运算时间减少了75%以上,可以获得更高的峰值信噪比(PSNR),修复效果也更为理想;在提高修复效率的同时,取得了更理想的修复效果.     

Real-Time Multi-View Face Detection and Pose Estimation Based on Cost-Sensitive AdaBoost

Locating multi-view faces in images with a complex background remains a challenging problem.In this paper, an integrated method for real-time multi-view face detection and pose estimation is presented.A simple-to-complex and coarse-to-fine view-based detector architecture has been designed to detect multiview faces and estimate their poses efficiently. Both the pose estimators and the view-based face/nonface detectors are trained by a cost-sensitive AdaBoost algorithm to improve the generalization ability. Experimental results show that the proposed multi-view face detector, which can be constructed easily, gives more robust face detection and pose estimation and has a faster real-time detection speed compared with other conventional methods.     

基于交通视频的运动车辆检测方法

为解决交通测试系统中车辆实时跟踪和分割的问题, 以数字图像处理方法为手段, 针对采集到的交通路况信息, 重点研究了背景差分算法提取运动车辆, 并提出了一种计算量较小的自适应背景更新算法; 采用一种工作在HSV(Hue, Saturation, Valve)空间非基于模型的车辆阴影检测算法, 并提出设置阈值参数的方法, 在去除车辆阴影的同时也滤除了行人、 自行车及摩托车等干扰; 针对车辆阴影检测后的二值化图像, 采用适合的形态学方法进行后期处理。对实际交通环境下的大量视频和图像进行测试的结果表明, 该方法可以有效地实现运动车辆的检测。     

基于贝叶斯统计推理的复杂场景边缘检测

复杂场景图像存在大量的噪声和纹理干扰,传统边缘算子的检测效果不理想.为此,文中提出一种基于贝叶斯统计推理理论的多信息融合边缘检测算法.该算法融合了梯度算子、拉普拉斯算子以及两级均值比率(ROA)算子的输出响应;通过最大类间属性互信息对特征属性进行最优离散化;利用非参数直方图方法估计类概率密度函数;并通过贝叶斯风险最小化原则实现边缘检测.试验中该方法的Bhattacharyya误差界为0.093,工作特性曲线下的面积(AUC)达到0.958,证明了该算法的有效性.与经典算子检测结果的比较也表明,该算法能够有效地克服图像中的噪声和纹理干扰.     

基于改进Boosting算法的夜间运动车辆检测

针对夜间交通场景中运动车辆目标提取及实时检测困难的问题,引入改进的Boosting模糊分类算法,提出了一种新的基于车头灯的夜间运动车辆检测方法.通过SIFT算法和融合多特征的方法精确提取夜间运动车辆车头灯特征,利用遗传算法优化Boosting模糊分类算法,并以加权投票方式对提取的车头灯特征进行分类判别,最后结合车头灯空间、运动信息及灯光颜色信息进行同车车头灯配对分组,实现夜间运动车辆的实时检测.实验表明,该方法在夜间交通环境中具有良好的实时检测效果和较高鲁棒性.     

基于知识和外观方法相结合的后方车辆检测

单独应用基于知识的方法或者单独应用基于外观方法检测是否存在车辆有一定的局限性,因此提出将二者结合起来用于静态图像后方车辆的检测.首先,利用分割算法获得感兴趣的区域(region of interest,ROI),利用基于知识(如车底阴影、颜色等信息)的方法,将被确认为是非车辆(背景)的ROI过滤掉,然后再对过滤后的结果应用基于外观的方法进行车辆检测.在不同的道路(高速公路、城市普通道路和城市窄道)条件以及白天不同光照条件下对车辆进行检测,结果表明,该算法的识别可靠性更高,适应性更好.     

结构化道路车道线识别的一种改进算法

基于机器视觉高速智能车辆,提出了一种改进的道路识别算法. 通过实车采集的图像进行灰度化、中值滤波、边缘增强、最优阈值二值化,获得良好的二值化图像. 根据道路特征采用一种改进的Hough变换识别出边界. 在预处理和检测时都使用感兴趣区域(AOI),减少了图像处理时间,提高了道路识别的可靠性. 实车实验表明,该算法具有良好的实时性、可靠性和鲁棒性.     

基于车辆簇的高速公路路侧单元部署研究

RSU部署受道路环境特点、车流特性和部署成本等因素影响。本文研究单向四车道高速公路道路的RSU部署策略。为了保证部署网络可靠性并降低RSU部署成本,本研究首先基于高速公路道路环境特点和车辆特性,提出了一种改进KMeans车辆聚类算法,并从网络剩余能量、存活节点数和端到端时延三个方面与经典KMeans算法进行比较,验证结果表明,提出改进算法性能更优;然后提出本研究采用的RSU均匀部署方案;最后进行RSU部署研究：通过MATLAB软件,分析车辆密度与RSU通信半径、车辆连通率和平均车辆簇长度之间的关系,确定最佳RSU部署间隔和通信半径,从而为高速公路部署RSU提供依据。     

一种基于深度学习的高速无人艇视觉检测实时算法

针对高速无人艇自主航行时对视觉检测的实时性以及由于水面场景变化和波浪反射等干扰的鲁棒性需求,提出一种基于深度学习的高速无人艇视觉检测实时算法.采用基于MobileNet的神经网络快速提取全图特征,设计SSD结构的检测网络融合各层特征图的结果以完成快速多尺度检测,并在嵌入式GPU NVIDIA Jetson TX2硬件平台上将算法实现并验证.结果表明,该算法能够实时检测多类水上特定目标,具有鲁棒性强、多尺度的特点,单帧视频的检测时间可以控制在50 ms以内.      

多车辆跟踪时目标粘连的解决方法

复杂交通中车辆间的相互遮挡会造成图像中的车辆粘连,针对这一问题,提出了一种新的基于Kalman预测模型与正交投影定位理论的多运动目标分割与跟踪方法.利用粘连车辆在时域上的历史运动信息和Kalman预测结果,在二值图像中构建特定粘连车辆的分割窗;在分割窗内利用水平-垂直正交投影和动态阈值的理论方法,确定目标最小外接矩形.设计目标分割评判函数,确定粘连车辆分割的合理性,并给出相应的处理结果.实验结果表明,该方法能够有效处理目标相互粘连的情况,实现目标的稳定准确跟踪,并且计算复杂度低,能够满足实时环境的需求.