基于改进的HOG与Sobel-LBP融合的快速行人检测

行人检测是目标识别领域的一大难题,针对行人检测存在特征维度高、检测耗时和精度低等问题,文章提出使用多尺度分块方式将样本图片在3个尺度下分别分割成5个区域,在每个区域中根据行人轮廓置信模板和梯度方向量化权值进行二次加权统计得到梯度直方图(histogram of oriented gradient,HOG),并将其与Sobel边缘局部二元模式(Sobel edge local binary pattern,Sobel-LBP)算法相融合作为特征,然后采用线性支持向量机(support vector machine,SVM)分类方法学习得到行人检测分类器,最后使用滑动窗口法检测出行人。在MIT和INRIA库上的实验证明,该特征在学习和检测速度上都比HOG等方法有明显优势,能有效、准确、快速地检测行人。     

一种基于特征金字塔的快速行人检测方法

针对由于背景变化,行人尺度的不确定性以及遮挡等因素的存在下,如何提高检测精度和速度问题。基于相邻尺度通道特征的可预测性,提出一种基于特征金字塔的快速行人检测方法。首先,计算关键尺度下的聚合通道特征,该特征由3个LUV通道特征、1个局部量纲一化的梯度幅值通道特征和6个梯度方向直方图(HOG)通道特征构成,充分反映了图像的梯度信息和颜色信息。其次,依据相邻尺度通道特征的可预测性,估算关键尺度的相邻尺度的通道特征,快速、高效地构建了多尺度聚合特征金字塔。然后,在Bootstrapping框架下,采用AdaBoost算法训练二阶决策树,构成行人分类器。最后,在进行行人检测时,按照预定的步长滑窗遍历每个尺度上的聚合通道特征,获得检测块,并将检测块作为训练好的级联分类器的输入,记录候选窗的窗口坐标及得分,利用非极大抑制对行人候选窗进行二次筛选,输出最后的行人检测框。在ETH和TUD等公开数据集进行测试,并与HOG方法、VJ方法、DPM方法相比较。研究验结果表明:DPM(形变部件模型)方法和提出的方法检测准确性高于VJ方法和HOG方法;在视角变化、行人存在遮挡的情况下,该方法在漏检、误检和窗口定位精度等方面的性能优于DPM方法,在保证较高检测精度的同时,极大地提高了检测速度,帧速率达到了29帧/s,优于其他算法,能够满足实时检测要求。     

基于梯度向量直方图的行人检测

针对Adaboost行人检测训练非常耗时的问题,在梯度方向直方图(Histograns of Oriented Gradiant,HOG)特征计算上引入积分向量图,同时对于作为AdaBoost学习过程中的分类器--线性SVM,应用序列最小优化(Seguential Minimal Optimigation,SMO)来解决其二次规划(QP)问题.实验结果表明,通过这两个方面的改进,不仅行人检测训练检测速度得到了提升,而且取得了令人满意的检测效果.     

一种局部多特征融合的行人检测算法

为快速定位车辆前方的行人,提出一种基于腿部区域多尺度的梯度方向直方图(HOG)特征与hu矩特征融合的行人检测方法,融合腿部区域的轮廓和纹理特征,有效地降低特征向量维数.实验结果表明,该算法能在保持较高的检测准确率的同时提高检测速度.     

基于自编码神经网络与AdaBoost的快速行人检测算法

针对传统基于HOG特征与Ada Boost算法分类器在目标检测中存在检测速度慢、误差率大的问题,提出了一种基于自编码神经网络与Ada Boost的快速行人检测算法.该算法首先利用基于ACF模型的目标检测算法对图像进行预处理,获得疑似目标区域;然后对获取的子区域进行尺度归一化,提取HOG特征,并输入到自编码神经网络中进行降维;最后利用Ada Boost分类器对分类检测,输出检测到的行人区域.实验结果表明:文中所提算法的行人检测性能超过现有的检测算法,其检测速度也超过大多数算法.     

采用HOG特征和机器学习的行人检测方法

针对基于方向梯度直方图(HOG)/线性支持向量机(SVM)算法的行人检测方法中存在检测速度慢的问题,提出一种将HOG特征与Adaboost-BP模型相结合的行人检测方法.利用边缘检测技术快速检测出行人候选区域,提取出多尺度多方向的HOG特征,利用Adaboost算法训练多个反向传播神经网络用于构建强分类器,实现对测试样本图像的检测识别.结果表明:文中方法具有更高的检测率、更低的误报率和漏检率,具有较好的检测效果.     

基于双目立体视觉和SVM算法行人检测方法

提出了一种基于双目立体视觉和SVM算法的行人检测方法.采用行人样本的头肩HOG特征训练分类器,通过双目视觉系统获取待检测目标左右图像,经过摄像机标定和立体匹配之后,计算图像共轭点的视差生成深度图,以基于距离的阈值分割确定运动目标所在的ROIs,有效去除背景信息;提取分割图像的HOG特征,投入SVM分类器训练得到检测子;加载分类器在前景图像中做多尺度检测,标记检测出来的运动目标.实验表明:该方法能对复杂场景下不同尺度和姿态的行人进行有效检测,具有较高的鲁棒性和检测率,且具有很好的实时性.     

基于特征融合的行人重识别算法

为解决实际行人重识别系统中识别率低、识别速度慢的问题,从创新和工程应用出发,提出了一种行人重识别算法。对行人图片进行预处理,采用色调、饱和度、亮度(hue,saturation,value,HSV)空间非线性量化的方法构建颜色命名空间,对人体分区域预识别来提高检测效率;对备选目标的整幅图像提取HSV和方向梯度直方图(histogram of oriented gradient,HOG)作为整体特征并在滑动窗口内提取颜色命名(color naming,CN)特征和2个尺度的尺度不变特征(scale invariant local pattern,SILTP),采用本文融合算法得到新的特征;在3个数据集上进行行人重识别,融合的特征在2种度量学习算法的Rank1平均提高了2.4%和3.3%。实验结果表明该算法能够提高重识别精度。     

基于支持向量机优化的行人跟踪学习检测方法

提出一种基于SVM(Support Vector Machine)优化的TLD(Track-LearningDetection)行人检测跟踪算法.将行人作为正样本,背景作为负样本,提取出行人的HOG特征并投入线性SVM中进行训练,得到行人检测分类器,并标定出目标区域,实现行人自动识别;然后在TLD算法的基础上对行人进行跟踪和在线学习,估计检测出的正负样本并实时修正检测器在当前帧中的误检,利用相邻帧间特征点配准剔除误配点,同时更新跟踪器数据,以避免后续出现类似错误.实验表明,该算法能够适应遮挡变化且自动识别并稳定跟踪目标行人,较传统跟踪算法具有更强的鲁棒性.     

基于稀疏表示分类行人检测的二级检测算法

利用快速特征金字塔的方法进行行人检测,在检测的结果中存在许多误检的窗口,降低了检测行人的精确度。为了减少误检窗口数,本文提出了一种两级级联的行人检测方法:在快速特征金字塔检测结果的基础上,利用稀疏表示分类的方法进一步地减少误检窗口的数量。在训练阶段,分别对正负样本提取改进的HOG和改进的HOG+LBP特征,建立过完备字典;在检测阶段使用带有局部区域权重的稀疏表示求解稀疏系数,分别求取正负样本稀疏系数之和,以它们的比例作为误检窗口的判别依据。实验结果表明,加入二级检测器大大减少了误检窗口的数目,降低了对数平均漏检率,提高了检测的平均精确度,在检测时间上基本满足了实时检测的要求。     

多信息融合的实时人脸检测算法

提出一种综合使用灰度、梯度和肤色信息的实时人脸检测方法,使用类Haar特征描述人脸模式的灰度差、梯度差和肤色差,构造相应的特征集．用AdaBoost算法从特征集中学习区分人脸与非人脸模式的有效规则,构成人脸检测级联分类器．实验表明,综合使用多信息的人脸检测器性能,比单独使用灰度信息的检测器有显著的提高．     

多传感器人体检测的FHOG图像特征融合

提出了一种新的基于方向梯度直方图(HOG)的图像特征融合方法. 该方法采用视觉激活度(VAM)来选择具有显著方向性的局部梯度统计值,构成融合的方向梯度直方图(FHOG),有效地解决了多分辨率(MR)图像融合存在的不足. 文中把这些融合特征输入线性支持向量机(SVM),训练得到人体/背景二元分类器用于人体检测. 实验表明,与传统多分辨率图像融合方法相比,在参考点处本文提出方法漏检率下降3～10%,虚警率平均下降20%以上.      

一种新的彩色图像边缘检测算法

传统的边缘检测方法大都基于灰度图像,不能充分利用彩色图像的全部信息。针对已有算法中存在的像素点扩散、边缘定位不准确、边缘不连续等问题,提出了一种彩色图像边缘提取算法,基于图像自身梯度方向信息和多通道信息融合技术,将灰度边缘模板算子扩展应用到彩色图像的边缘检测中,在RGB空间中对原彩色图像进行多通道边缘检测;同时采用滤波来抑制噪声,依靠边缘生长保证检出边缘的连续性,并提出了自适应确定边缘提取门限值的方法。该文提出的彩色图像边缘检测算法计算量小,实验结果表明了其能充分利用图像的颜色和梯度信息,有效地消除噪声,提高边缘检测的准确性,保证边缘的连续性。     

基于HSV和MB_LBP特征的级联Adaboost车牌检测算法

车牌检测作为车牌识别系统中的重要环节,直接影响着车牌识别的准确度.为提高车牌的检测率和检测速度,提出了一种基于HSV颜色模型和多分块局部二值模式(MB_LBP)特征的级联Adaboost车牌检测方法.首先将车牌图像由RGB颜色空间转换到HSV颜色空间,统计蓝色像素占车牌总像素的比例,来构建第一层强分类器;其次对车牌字符样本提取MB_LBP特征,利用Adaboost分类器训练方法进行特征选择及分类器训练,最后利用Cascade结构检测法形成一种新的车牌检测算法.实验表明,本文算法有效的提高了车牌检测率和检测速度.     

基于颜色特征和改进Canny算子的车牌图像定位

针对目前车牌定位算法准确率较低、 定位速度慢等问题, 提出一种基于颜色特征和改进Canny算子的车牌图像定位方法. 该方法先利用彩色图像的颜色特征对车牌图像进行初步定位, 提取该颜色特征时不包含亮度信息, 有效克服了光照变化的影响; 再对Canny边缘检测算法进行改进, 提出一种新的梯度幅值和梯度方向一阶偏
导数计算方法及高、 低双阈值自适应确定方法; 最后利用多组车牌图像对所提算法的性能进行验证, 验证结果证明了所给方法的正确性和有效性.     

基于局部色彩不变量的图像篡改检测方法

针对基于分块的图像区域复制篡改检测方法通常面临的图像特征提取计算量大、维度高、识别率低等问题,提出一种基于局部色彩不变量特征的图像区域复制篡改检测方法,将RGB彩色图像转换到对立色彩空间,通过分析和提取图像各通道上的局部密度分布特征,构建k-d树进行相似分块特征匹配以实现图像区域复制篡改检测.提出的局部色彩不变量密度特征具有维度低、计算简单等特点.实验结果表明,本文方法与其他几种典型的基于分块的方法相比,具有较低的时间复杂度和较高的检测率,且对图像篡改区域的旋转、缩放攻击具有较好的鲁棒性,特别是当图像篡改区域进行大角度旋转时与其他几种方法相比具有明显优势.     

基于图像变换的递归式行人错检校验算法

针对现有HOG特征行人检测器容易受到复杂背景环境的干扰而降低检测效率的问题,提出一种基于图像的递归式行人错检校验算法。在保持行人检测器原有结构不变的基础上,对行人检测器的检测结果进行图像变换,变换结果作为新的输入图像,将原有检测器构成一个递归式错检校验处理结构。采用尺寸归一化、均衡和锐化图像变换方法,对行人检测器检测结果不断迭代校验,以达到降低错检率的目的。同时引入模糊决策判决终止条件,实现合理的迭代退出。经INRIA数据集和实测图片的仿真分析表明,该方法能够有效去除行人检测器输出的错误检测结果,正确检测率在原有基础上提高7.6%,在复杂背景条件下仍有效。     

基于Alpha稳定分布模型的彩色图像边缘检测新算法

 在彩色图像的边缘检测中,如何去掉噪声的干扰及怎样更精确的检测出边缘是图像处理中一个非常重要的问题。本文提出了一种去除脉冲噪声干扰的彩色图像的边缘检测算法。首先,提出一种基于Alpha稳定分布模型的图像去噪算法。其次,利用改进的各向同性边缘检测器和快速熵阈值技术自动确定图像边界,并考虑了像素与其邻域像素的颜色距离进一步精确定位图像的边缘。实验证明,该算法能够克服脉冲噪声的影响,较精确的检测出彩色图像的边缘。     

基于肤色分割和神经网络确认的快速人脸检测

为了提高人脸检测速度,提出了一种基于肤色分割的快速人脸检测方法．利用颜色信息将彩色图像分割成皮肤区域和非皮肤区域,从而缩小了神经网络的检测区域,提高了人脸检测速度．     

彩色边缘模板算子检测法

将灰度边缘的模板算子扩展到彩色图像的边缘检测,并在均匀彩色空间中检测彩色边缘．这种扩展的彩色边缘检测方法计算简单,能检测出更符合视觉特性的彩色边缘来．实验结果证明了这种方法是有效的．