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。     

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.     

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。     

基于双目视觉的部分遮挡行人检测算法

针对行人被障碍物部分遮挡导致的检测准确率降低问题,本文提出了基于多特征融合的树形路径半全局立体匹配的部分遮挡行人检测算法。本方法使用SLIC算法进行超像素分割,提升行人的轮廓信息,并使用多特征融合的树形路径半全局立体匹配算法生成深度图;对行人信息和背景信息及障碍物信息使用自适应分割算法进行分离,获取感兴趣区域;将感兴趣区域放置在行人特征明显且稳定的头肩部,进行感兴趣区域的约束;使用降维HOG进行特征提取并生成样本集,训练SVM分类器,最终实现部分遮挡的行人检测。实验表明,本文算法与其它行人检测算法相比,在行人部分遮挡场景下,有着更高的行人检测准确率,证明本文算法的有效性。     

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.