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RGB-D多通道特征的行人检测

针对行人检测易受物体遮挡以及光照变化干扰的问题,提出一种融合颜色与深度信息的多通道特征行人检测方法.首先,颜色采用Chn Ftrs方法中的通道,深度在其基础上引入法向量方向通道,并用快速图像特征金字塔来加速颜色和深度的通道特征的计算.其次,通道特征作为级联Ada Boost的候选特征点集输入,分别训练得到颜色和深度分类器,按一定比例权重融合颜色和深度信息进行检测.实验表明,该方法提高了检测精度,对光照变化、物体遮挡具有较好的鲁棒性.     

一种多尺度可变形部件模型的人脸表情识别

针对现有表情识别研究无法精确捕捉脸部关键部位特征,提出一种多尺度可变形部件模型(DPM)的人脸表情识别方法。首先构建多尺度图像的特征金字塔,然后用随机梯度下降算法训练人脸DPM模型,根据DPM模型中根滤波器与部件滤波器的响应值确定人脸关键部位位置,最后提取关键部位的HOG特征,将获得的特征输入到分类器中训练。在CK+和JAFFE表情库上的验证结果表明,该方法在不同角度和光照强弱影响下对人脸均有较好的检测和定位效果,提取的人脸关键部位特征在计算速率和识别率上优于对比算法。     

一种多尺度可变形部件模型的人脸表情识别的研究

针对现有表情识别研究无法捕捉脸部关键部位特征,提出一种多尺度可变形部件模型(DPM)的人脸表情识别方法。首先,构建多尺度图像的特征金字塔,然后,用随机梯度下降算法训练人脸DPM模型,根据DPM模型中根滤波器与部件滤波器的响应值确定人脸关键部位位置,最后,提取关键部位的HOG特征,将获得的特征输入到分类器中训练。在CK+和JAFFE表情库上的验证结果表明,该方法在不同角度和光照强弱影响下对人脸均有较好的检测和定位效果,提取的人脸关键部位特征在计算速率和识别率上优于对比算法。     

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%.     

一种基于多分类器融合的人数统计算法

基于多分类器融合,首先提取行人的运动前景,计算校正透视效应之后的前景面积,提取图像的有效Harris角点和SURF点信息,并由此得到反映行人遮挡程度的遮挡系数,从而构造特征向量,输入BP)神经网络建立回归模型;然后提取行人的HOG特征,采用Adaboost级联分类器训练出相应的行人检测器,检测每帧视频的行人并统计数量;最后基于前两个分类器,用stacking的策略构造了组合分类器,并实现分类器融合时权值的自适应调整.通过与现有算法进行对比,算法的效果优于其他算法,对复杂场景适应性强且满足实时性要求.     

基于区域候选的粗-精行人检测方法

为了解决行人检测过程中漏检的问题,提出一种将传统检测方法与区域候选网络相结合的方法。运用局部无关通道特征(LDCF)方法对图片进行粗检测,筛选出在训练集上漏检的窗口。采用k均值(k-means)算法对数据集中漏检的目标框进行聚类,得到合适的尺度与长宽比。针对相应的尺度与长宽比训练区域候选网络(RPN),提高粗检测阶段的召回率。利用改进的颜色自相似特征以及简化的卷积网络结构对窗口特征进行更为准确的描述。使用改进的深度网络提取特征,并训练级联分类器,对粗检窗口进行精细判断。在行人检测数据集TUD-Brussels和Caltech上进行实验,得到的平均对数漏检率分别为46%和9%。     

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。     

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。     

基于可变形部件模型的遥感影像船只检测方法

提出了一种基于混合可变形部件模型的船只检测方法.该方法采用基于梯度方向直方图(HOG)特征的可变形部件模型(DPM)来描述船只,在HOG特征金字塔空间通过滑窗方式检测目标.基于HOG特征的DPM不具有方向不变性,因此根据船只目标特点,分别从模型训练阶段和目标检测阶段进行改进.在模型训练阶段,为了减少模板数量,将所有船只样本旋转到相同方向进行参数学习;在目标检测阶段,将兴趣区旋转至特定方向后进行模板匹配,实现遥感影像上任意方向的船只检测.利用该方法在高分二号光学遥感影像上进行船只检测,实验结果表明此方法可以有效检测船只.     

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。     

基于混合高斯和HOG+SVM的行人检测模型

为了提高行人检测系统的检测率,提出了一种基于混合高斯背景建模结合方向梯度直方图(histogram of oriented gradient,HOG)+支持向量机(support vector machine,SVM)的行人检测模型.首先,采用混合高斯模型进行前景分割,有效提取出运动目标区域;然后,在行人识别部分通过缩小检测窗口尺寸来降低HOG特征维数;另外,利用误识别区域,对样本库的信息进行二次更新,以优化SVM分类器;最后,以随机视频帧为测试样本进行模型性能验证.结果表明,在保证检测率和检测速率的情况下,该混合高斯结合HOG+SVM模型的误检率仅为4%,说明该模型能够在复杂场景下实时准确地进行行人检测.     

一种新型粗-精表达策略行人检测方法

为了遏制行人检测过程中产生的过多的误检窗口,该文在局部无关通道特征(LDCF)方法基础上提出了一种基于粗-精表达策略的新型行人检测方法。首先运用LDCF方法对行人进行粗略检测,产生一系列高召回率的候选窗口;然后通过改进颜色自相似特征和引入简化的卷积网络结构,进一步提取这些窗口的鲁棒融合特征;最后应用级联分类器对候选窗口进行精细分类判断。在行人检测数据集INRIA和Caltech上的实验结果表明,与传统的行人检测方法LDCF相比,该文方法的平均对数漏检率分别降低2.81%和3.85%,充分验证了该文策略的有效性和特征的鲁棒性。     

基于多特征混合模型的视觉目标跟踪

用单一特征训练跟踪模型进行跟踪鲁棒性较差,为解决这一问题,提出一种多特征表示的混合模型跟踪方法,将生成跟踪模型与判别跟踪模型结合.在生成模型中,利用金字塔结构计算基于颜色的直方图特征表示并以此来计算目标和候选之间的匹配度;判别模型则采用由灰度特征,HOG特征和LBP特征融合训练得到的SVM分类器来判别候选是否为跟踪目标,接着将匹配度和分类结果结合产生对候选的评估,最终评估最高的候选作为跟踪结果同时也用来更新判别模型的训练集.在CVPR2013跟踪数据集上的实验结果表明,该方法能有效克服局部遮挡和背景干扰等问题,实现在复杂背景下的目标跟踪.     

基于尺度不变特征和位置先验的行人检测算法

基于相邻和非相邻特征(NNNF)行人检测算法,提出了一种方法来解决行人特征对尺度变化敏感的问题以及窗口误检的问题.首先,在NNNF基础上,设计了一种尺度不变的特征.由韦伯定理启发,该特征表示为两个相邻或非相邻区域的差分值与这两个区域特征和的比值.这种新的特征具有很强的尺度不变性.此外,还提出了基于行人位置先验的上下文信息,作为一种简单有效的后处理方法.在行人场景中,行人的高度与位置存在一定的映射关系.利用SVM(support vector machine)训练了行人高度关于行人位置的回归模型.该模型能有效地滤除那些行人高度与位置信息不符合回归模型的检测窗口.实验表明,相比于NNNF-L2和NNNF-L4,本文提出的方法在Caltech数据库的检测性能分别提高了2.90%,和2.28%,.同时,本文提出的方法也在所有基于非深度网络的行人检测方法中具有最好的检测性能,平均漏检率为14.56%,.     

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.     

基于自学习的行人检测方法

离线训练的分类器应用于特定场景时,其检测性能将急剧下降.手工标注虽然可以提高检测性能,但是需要耗费大量的人工成本.为此提出一种基于自学习的行人检测方法,该方法可以改变任意离线训练的分类器用于特定场景的行人检测,并且取得了较好的识别率.首先将训练级联分类器作为离线分类器,并使用任意公开的行人图片训练高斯混合模型(GMM);然后利用离线分类测器对特定场景进行行人检测并获取候选对象的置信分数;再根据置信分数的高低构建正负样本集合并使用高斯混合模型重新标识样本;最后使用SVM分类器在线训练行人分类器,对候选对象进行重新预测.在公开和自制数据集上的实验结果表明,该方法提高了通用行人检测器的准确性,并且明显优于传统方法.