一种基于支持向量机的行人识别方法研究

研究了基于支持向量机的车辆前方行人识别方法.通过提取样本的类Haar特征,采用AdaBoost算法训练得到了分割行人的级联分类器,实现了行人候选区域的快速分割;提取了样本的纹理特征、对称性特征、边界矩特征以及梯度方向特征,组成表征行人的多维特征向量,采用支持向量机训练得到了识别行人的分类器.试验结果验证了所提算法的有效性,获得约75%的行人检测率.     

基于边缘分割的车载单目远红外行人检测方法

基于机器学习的车载单目远红外行人检测方法存在实时性较差和检测精度较低的问题.为此,文中提出了基于边缘分割的头部-方向梯度直方图-支持向量机(Head-HOGSVM)行人检测方法,引入加权Sobel算子强化行人的垂直边缘以分割行人候选区域;根据不同距离行人的外观模式选择行人检测方法:使用头部特征检测中、近距离行人以改善系统的实时性,使用头部识别级联基于方向梯度直方图特征的支持向量机(HOG-SVM)分类器检测成像模糊的远距离行人.在多个郊区场景视频数据集上的实验结果表明,与基于双阈值分割的HOG-SVM分类方法相比,文中方法的检测精度和检测速度分别提高了约33%和200%.     

基于颜色自相似度特征的实时行人检测

行人检测在智能监控和辅助驾驶等方面有广泛的应用。当前行人检测中主流特征是梯度方向直方图(HOG),但其计算耗时导致检测速度慢。该文提出了一种新的颜色自相似度特征(CSSF),在颜色通道上计算两个选定的矩形块的比值衡量自相似性。首先,CSSF在描述行人的结构信息的同时避免了耗时的方向梯度计算,具有速度快的优点。其次,CSSF是标量特征,能高效快速与AdaBoost级联分类器结合学习行人检测器。再次,CSSF具有尺度不变性,能快速地进行多尺度检测。针对CSSF含有的海量特征,该文提出增量AdaBoost算法有效学习CSSF特征。实验结果表明:基于CSSF的行人检测器检测精度优于传统的HOG检测器,速度提高了7倍,在640×480大小的图像上达到实时效果。     

基于人体检测理论的室内智能监控系统

智能监控已随着社会发展成为主流,但当前智能监控系统的人体检测模块尚不能满足实时检测要求。为解决这一问题,结合梯度方向直方图特征和SVM(支持向量机)级联分类器,提出室内监控系统的人体检测策略,并基于以太网平台,实现远程实时室内监控。实验结果表明,该监控系统精度较高、速度较快,能在实时人体检测的基础上进行预警,达到了智能监控的目的。     

基于多特征和级联分类器的行人检测算法

针对静态图像中的人体检测问题,文章提出一种由粗到精的级联分类器人体检测算法,并改进多尺度方向(multi-scale orientation,简称MSO)特征和多尺度梯度方向直方图(Multi-scale Histograms of Oriented Gradients,简称Multi-scale HOG)特征。粗分类器采用扩展的MSO(extended multi-scale orientation,简称EMSO)特征和Adaboost级联训练得到,精分类器采用基于WTA(winner-takes-all)hash编码的Multiscale HOG(WMHOG)特征和相交核支持向量机(intersection kernel support vector machines,简称IKSVM)级联训练得到。在法国国家信息与自动化研究所(INRIA)和TUD-Brussels公共测试集上的实验结果表明,文中所提出的方法检测速度和检测率与当前代表性人体检测算法相比均有明显提高。     

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.     

视觉显著性驱动的运动鱼体视频分割算法

针对养殖监控视频中运动鱼体目标检测问题,提出一种基于视觉显著性计算的运动鱼体视频分割算法.首先,将运动特征通道引入基于图论的显著性计算模型中,对多通道特征进行自动加权,生成全局视觉显著图.其次,利用基于方向梯度直方图的支持向量机分类器对显著区域进行目标确认,得到包含前景目标的感兴趣区域.最后,分割出运动鱼体目标,并将其标注在视频序列中.实验结果表明,所提方法在室内养殖监控数据集上能够很好地剔除水面杂波、反光等复杂背景干扰,实现运动鱼体的视频分割.     

基于点标定的行人检测准确度研究

为了提高基于特征点的行人检测方法的检测准确度,提出了一种基于局部二值模式(local binary patterns,LBP)和二进制梯度方向直方图(binary histograms of oriented gradients,BHOG)特征组合和支持向量机分类器(support vector machine,SVM)的行人检测方法。实验结果显示,采用BHOG+LBP组合特征提取方式的错误检测率为0.012,相较于采用单一BHOG特征提取方式的错误检测率降低了33.33%,相较于采用单一LBP特征提取方式的错误检测率降低了40%。     

行人交通参数提取算法改进与处理系统研发

为了解决行人交通参数获取困难、精度低等问题,需要开发出一套高精度、高效率和强抗干扰性的行人交通参数提取系统。首先,基于视频流中运动目标时空一致性的原理,采用运动目标梯度方向直方图(HOG)特征提取算法对视频流进行分割;其次,对运动目标特征进行分析并提取特征向量,建立反向传播(BP)神经网络对运动目标进行训练和分类,实现对运动目标的检测和识别;然后,利用MATLAB软件平台,开发了能够对行人流量、速度和时距等数据进行快速处理与准确分析的系统。最后,进行了实例测试。结果表明:检测系统的参数提取精度能达到90%以上,高于现有算法的提取精度。同时,系统有较强抗环境干扰性,提取效率和数据处理功能效果较理想。     

视觉和毫米波雷达信息融合行人识别算法

提出了一种在主动防碰撞系统中采用视觉和毫米波雷达数据融合来识别行人的算法.在基于单目视觉获取的图像中提取HOG特征,采用支持向量机的分类方法检测行人,获取行人信息,通过快速容差中频匹配算法快速地检测目标,并获取目标信息,将基于视觉的行人信息传递给毫米波雷达;根据视觉检测的行人信息与毫米波雷达检测的目标信息进行比对,将匹配通过的目标识别为行人;将基于视觉的行人特征信息与毫米波雷达检测的行人特征信息进行融合,得到行人目标的新特征信息.通过采集道路环境的视频和雷达数据对行人正确识别率进行验证.验证结果表明,采用所提出的算法进行行人识别,在获取更加精确的行人特征信息的前提下,正确识别率较高.     

基于BING-casDPM的快速行人检测算法

行人检测是计算机视觉技术中一个热门的研究热点,在汽车辅助驾驶和视频监控等方面具有重要作用.由于传统的可变形部件模型(deformable part model, DPM)采用滑动窗口检测方式,在背景区域花费大量检测时间会导致检测速度降低,因此提出了一种基于BING-casDPM的快速行人检测算法.首先基于二进制化梯度范数特征(binarized normed gradient, BING)训练一个二级支持向量机(support vector machine, SVM)分类器,通过该分类器快速标定出所测图像中包含各类物体的候选区域;然后根据候选区域窗口的特点进一步提取待检测框;最后将待检测框作为输入,使用级联DPM(cascade DPM, casDPM)模型进行精确检测,并将结果返回至原图.实验结果表明,该算法在基本不降低检测率的情况下,其检测速度比经典DPM模型检测速度提高了约16倍,比casDPM模型提高了约40%.     

基于加权局部梯度直方图的头部三维姿态估计

在实时估计人的头部三维姿态时,基于局部梯度方向直方图的面部特征表示方法容易受到背景和环境的影响,其检测精度无法满足实际需求。为了减少图像或视频序列中背景和环境的影响,提出了一种新的对面部特征进行描述的方法,即基于肤色权值和高斯权值加权的局部梯度方向直方图特征表示方法。在具体计算时,首先进行人脸检测并将人脸区域缩放到统一大小,然后计算人脸区域每个像素点对应的梯度方向,接着计算肤色权值并利用肤色权值和高斯权值对梯度方向进行加权得到加权局部梯度方向直方图,从而强化面部特征在直方图中的比重,有效减小背景对头部三维姿态估计的影响,最后利用非线性支持向量回归机求解加权局部梯度方向直方图与头部三维姿态之间的关系。实验结果表明:该特征表示方法具有更高的检测精度。     

星空背景下运动目标级联支持向量机高精度检测

为实现空间监视系统光学图像中目标高精度探测,提出了一种星空背景下高精度快速级联式支持向量机空间目标检测算法。通过提取空间目标不同尺度下目标二值规范化特征,训练前两级线性级联支持向量机分类器;继而提取目标的面积、周长、灰度、Hu矩特征作为组合特征,训练第三级支持向量机分类器。在目标检测过程中,采用前两级支持向量机分类器进行候选目标的窗口预测和评分,进而利用第三级支持向量机分类器进行目标确认而给出检测结果。仿真实验及结果分析表明,这种级联支持向量级目标检测方法的精度高、实时性强、适用于星空背景下的空间监视系统。     

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。     

星空背景下运动目标级联支持向量机(SVM)高精度检测

为实现空间监视系统光学图像中目标高精度探测,提出了一种星空背景下高精度快速级联式支持向量机空间目标检测算法。通过提取空间目标不同尺度下目标二值规范化特征,训练前两级线性级联支持向量机分类器;继而提取目标的面积、周长、灰度、Hu矩特征作为组合特征,训练第三级支持向量机分类器。在目标检测过程中,采用前两级支持向量机分类器进行候选目标的窗口预测和评分,进而利用第三级支持向量机分类器进行目标确认而给出检测结果。仿真实验及结果分析表明,这种级联支持向量级目标检测方法的精度高、实时性强、适用于星空背景下的空间监视系统。     

改进AdaBoost与SVM快速人脸检测

使用Ada Boost进行人脸检测,存在训练时间长以及误检率高的问题.本文提出了一种新的快速人脸检测方法.首先通过对类Haar特征约束,提高人脸特征选取的有效性,减少整体特征数;然后利用基于梯度方向直方图HOG特征的支持向量机SVM算法对改进后的Ada Boost算法出现的高误检率进行检测优化,以降低误检率,提高检测的准确度.实验结果表明,本文提出的Ada Boost改进算法可以有效地缩短训练和检测时间,结合SVM优化实验可以大大降低误检率,提高人脸检测的正检率,实现快速高效的人脸检测.     

基于多特征的快速行人检测方法及实现

针对行人检测速度与实际应用问题,本文提出一种多特征的快速行人检测方法并应用于视频监控系统中。首先通过混合高斯建模,提取图像有效的运动区域,使得检测面积缩小;接着,将提取出的图像进行边缘处理,对HOG特征与LBP特征进行融合,使用支持向量机(SVM)训练分类器;最后在Hi3516A开发板上实现行人检测算法,实现实时监控检测。本文分别在PC端和开发板上进行实验,结果表明本文方法有效地提高了速度,达到了实时行人检测要求,且系统运行稳定,可用于实际监控中。     

一种高可靠性的头部校验夜间行人快速识别方案

针对夜间行人检测成像尺度不一等因素所引起的类内方差较大、实时性不足等问题,本文在统计学习的应用原理下,设计了基于熵加权和FCSVM优化的头部校验夜间行人快速识别方案.该方案应用熵加权原理改进梯度直方图特征,引入了三分支结构的支持向量机对目标进一步识别,同时利用快速分类支持向量机(FCSVM)降低运算所需的开销,确保实时性,最后通过头部校验方法对误检目标进一步分析评估,进一步提高图像匹配的准确度.实验结果表明,该方案在夜间环境下能有效区分远红外行人目标,在充分确保行人实时性的基础上,在市区、郊区等不同应用环境中,均具有良好的实用性.