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.     

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。     

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.     

基于类Haar特征和自适应提升算法的前车识别

针对汽车高级驾驶辅助系统（ADAS）中前方车辆识别率低的问题，基于机器视觉原理研究了前方道路图像中的类Haar特征，并进行积分图计算，在提取类Haar特征基础上，采用自适应提升（AdaBoost）算法进行正负样本训练并级联，得到训练好的模型，进而检测和识别汽车行驶中前方车辆。最后基于Opencv计算机视觉库在Visual Studio开发环境中进行了算法实现和测试，结果表明，每帧视频图像识别时间小于40毫秒，检测率准确可靠，满足多场景、多工况下的前方车辆实时识别。     

利用支持向量机SVM识别车辆类型

支持向量机（Support Vector Machine，SVM）分类方法在实际二类分类问题的应用中显示出良好的学习和泛化能力，已被广泛地应用于多类分类问题的研究．以车辆轮廓特征为对象，将二类分类支持向量机SVM应用于多类车辆类型的识别，并与其它分类器的分类结果进行了对比．通过9次交叉验证实验，结果表明SVM对车辆数据样本的测试准确率达到了85．59％，其分类性能优于其它分类器．     

复杂光照环境下的车辆检测方法

提出一种用于复杂光照环境下的车辆检测方法,该方法在传统的假设验证框架下充分利用了先验知识和复杂光照背景下的车辆特征. 在假设生成阶段,利用车辆边缘信息与车辆前部形状特征进行拟合来生成假设;在假设验证阶段,使用HOG特征作为描述子,结合SVM分类器完成假设车辆目标的验证识别. 实验结果表明在复杂的光照环境中,本文方法能够有效检测出传统方法无法检测的目标,是对正常光照环境下车辆检测方法的有效补充.      

基于增强SVM算法的红外舰船图像识别研究

红外偏振成像技术是针对复杂环境中识别目标的重要技术手段,是近年来国内外红外成像技术研究的重点.针对近岸复杂背景下的军用舰船红外偏振图像目标识别问题,提出了一种基于机器学习的分类算法.首先提取图像HOG特征,结合SVM分类器正确检测出舰船目标和渔船目标;然后运用基于灰度的归一化模板匹配算法实现舰船目标的识别.仿真结果表明,该算法具有良好的性能,能够有效地识别红外舰船目标.     

基于视频的车辆检测与跟踪算法综述

首先介绍了交通检测系统,指出视频交通检测技术日益成为计算机视觉领域中备受关注的前沿方向.在此基础上,分别讨论了常用的车辆检测算法,基于模型的车辆检测算法,车辆跟踪的基本类型,以及基于模板匹配、卡尔曼滤波和粒子滤波的车辆跟踪算法,同时分析比较了各种算法的优缺点.最后,展望了这一领域未来研究的热点.     

跨道监控系统设计与应用

设计了一套基于视频的机动车跨道违章监测系统,系统的硬件平台由工控机,摄像机组成.首先由平均算法得到良好的动态背景图像,并由Hough变换法提取车道线;在车辆检测过程中提出了背景差法与边缘提取法相结合,车道线辅助识别的两次目标轮廓提取算法,从而获得完整准确的运动目标轮廓;在违章判别中提出了简易准确的跨道违章判别算法;最后使用均值漂移算法对运动车辆进行跟踪,并结合卡尔曼滤波器预测车辆在下一帧的位置.通过实际道路测试,该系统具有一定的实时性、准确性和智能性,可应用于智能交通监控领域.     

基于视频图像检测的高速公路车型分道行驶监测系统

为解决交通监管部门对于高速公路客货混流问题监管效率低效果差的问题,通过视频图像检测法对高速公路进行研究和应用,构建了基于机器学习和计算机视觉的视频图像检测模式,以提高视频检测的稳定性和准确率,提出了基于尺度不变特征变换(scale invariant feature transformation,SIFT)池化的车辆特征提取模型,摒除传统视频背景建模稳定性和准确率不高的缺陷,获取车辆车型特征数据和分道行驶参数,经过试点样本训练后,实验结果表明:车型识别的准确率高达95％以上,车辆分道检测的准确率达到90％左右.     

一种基于边缘信息的改进车辆检测方法

实时获取车辆有无、车流量等交通信息,在智能交通系统中有着及其重要的作用.基于视觉的交通监视系统具有直观明了、系统使用和维护费用相对较低等优点,因而广泛应用于公路干线和交叉道口的交通监控.但是由路边建筑、树木引起的阴影,是导致车辆检测错误的一大主要因素.笔者提出了一种基于边缘信息的改进车辆检测算法,用于检测车辆,进而实现对过往车辆的正确计数.     

基于视觉的缩微智能车车道检测与控制

针对智能车辆自主驾驶行为研究,提出并实现了一种基于视觉导航的缩微智能车系统.从软硬件架构、数据通信方式上介绍了缩微智能车系统的整体设计,并针对缩微道路交通环境中传统车道线检测技术易受光照变化影响的问题,提出一种灰度形态学Top-Hat变换与亮度轮廓扫描方法相结合的车道线检测算法.为分析智能车在缩微交通环境下的自主驾驶表现,设计了一种模拟驾驶员转向行为的舵机模糊控制算法.实验结果表明,该方法可以有效模拟车辆在真实道路交通环境中的自主驾驶行为,为智能交通系统研究提供了一种新思路.     

基于智能球机的视频车辆检测系统的设计

以现有的视频检测算法为基础,根据智慧交通系统的需求设计了一套车辆检测系统.该系统包括客户端模块、命名管道通信模块、特征提取模块、轨迹数据处理模块和数据库存储模块,可以实现检测跟踪道路车辆、计算目标车辆数据、汇总道路数据和查询历史信息等功能.现场测试与运行结果表明,视频车辆检测系统检测精度高,整体性能强,系统运行稳定,能够满足路政需求.     

用于交通治安卡口的全天候视频车辆检测方法

文章针对交通治安卡口应用,提出了一种基于视频的全天候智能车辆检测方法。该方法主要特点是不考虑车辆跟踪,提高了计算速度并避免了跟踪误差,适于嵌入到监控摄像机中;而且自动区分白天/夜间场景。对于白天场景,通过背景剪除、阴影抑制、形态学计算等手段获得运动信息,然后根据车辆的尺寸、对比度与纹理特征实现车辆检测;对于夜间场景,利用车灯的高亮度与对称性特征得到车辆检测结果。该方法快速有效,在现场采集的实际路况视频数据上,白天与夜间车辆检测准确率分别为96.42%和95.96%。     

一种基于视频的交通事故检测方法

针对目前交通事故检测中存在因疲劳等原因造成交通事故漏检的现象,提出一种基于视频的交通事故检测方法。该方法包括3部分:预处理模块,检测车辆和分析车辆状态;交通事故检测模块,判断是否会发生碰撞;报警模块,主要进行事故实时报警且实时存储事发图片。以车流量较小的路口为例进行仿真实验,结果表明,该系统能准确地预测并判断交通事故的发生。     

基于投影的车辆视频检测方法

为了提高车辆视频检测的鲁棒性,提出了一种虚拟区域内邻近帧间差分和背景差分相结合的车辆视频分割方法. 采用一种新的背景模型的高效自动更新方法,确定目标区域,利用腐蚀膨胀形态学运算减少检测区域内非目标干扰,采用帧间逻辑操作和种子填充方法填充待分割区域,基于水平和垂直投影方法,对车辆进行检测. 实验结果表明,该方法对道路车流量具有较好的检测效果.