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。     

一种基于激光雷达和视觉的行人检测方法

针对一般城市环境的道路交通安全问题,提出了一种联合激光雷达和视觉的行人检测方法.利用激光雷达和摄像头坐标之间的透视变换关系,将环境的深度信息映射到图像中,并使用航位角推算方法同步激光雷达和摄像头,然后提取兴趣区域.在激光雷达聚类过程中,提出了一种基于行人宽度信息的目标分割方法,能有效分割并排行人.在基于视觉的行人检测中,首先根据行人边缘对称性的特点,预处理兴趣区域,然后采用基于Hausdorff距离的模板匹配方法,根据激光雷达的深度信息匹配行人上半身模板.实验结果表明,该方法可以取得较理想的效果.     

基于非局部稀疏特征的行人检测方法

利用周围邻域信息约束进行加权稀疏表示以达到行人检测的目的.采用Fisher判别字典学习的方法,得到一个能够更好地提取图像的具有更强辨别性稀疏特征的字典,利用图像中周围信息约束,求得该字典表示下的稀疏特征,并根据对当前图像块的稀疏表示残差进行分类.INRIA数据库的实验表明非局部稀疏特征具有明显的区分能力.同时,对行人目标进行邻域约束,能够有效地表示出同目标区域的稀疏特征.     

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%.     

一种改进的梯度直方图远红外行人检测方法

在远红外行人检测领域,实时性以及鲁棒性如何提高,这一问题一直得不到有效的解决.笔者以感兴趣区域ROIs为切入点,在图像预处理阶段充分应用像素梯度相关知识,总结出有效的垂直投影方法.该方法原理为:搜集图像梯度信息,采用初定位方法对垂直方向上的条状区域展开处理并获取包括行人在内的图像,采取局部双阈值图像分割算法获得相对较为可靠性ROIs,避免对整幅输入图像进行搜索.检测过程中,充分发挥全局信息作用,采用以金字塔熵加权的梯度直方图方法,针对远红外行人进行描述.本方法引入了支持向量机算法的识别技术.文章最后针对该方法进行了实验检验.实验结果显示,该方法大大缩短了ROIs提取过程的搜索耗时,而且可以对一些以背景目标为主的候选区域进行抑制.     

一种基于场景规则与深度卷积神经网络的行人检测方法

深度卷积网络是解决分类问题的一种有效手段,但行人检测任务并不能通过分类来直接实现.为了在行人检测问题中进一步发挥深度卷积网络的优越分类性能,在实拍场景下,针对平直道路的情况,提出了一种基于摄像机安装位置和摄像机参数的感兴趣区域分割方法,合理利用先验知识和规则,对行人在图像当中可能出现的位置,以及不同位置上行人的尺度大小给出限制,从而系统仅对可能发生危险的区域进行搜索,避免了传统方法中多尺度遍历搜索整副图像的弊端.在此基础上,将危险区域所得的候选目标窗口作为待检测样本传送到构建好的深度卷积网络中进行分类,完成行人检测任务.实验结果表明,所研究的算法在一定距离内达到了预期的检测效果.     

基于位置特征的运动行人检测与跟踪方法

针对在静态背景视频中行人检测和跟踪时受行人运动状态影响较大,容易产生误识别,提出了一种基于位置特征的运动行人检测与跟踪方法.检测阶段得到运动行人的二值化差分图后,引入水平融合值、垂直融合值将满足融合要求的非连通区域外接矩形融合得到一个新矩形,以新矩形及其中心作为行人的位置特征,对行人进行检测与跟踪.用该方法跟踪行人视频中的两个行人,跟踪准确率分别为98%与95%.     

一种快速检测入侵的方法

研究了网络入侵检测的最优检测问题。针对攻击事件类型和规则的匹配问题,改进了限定条件下规则集的选取,通过建立凸松弛函数,确定问题的最佳解,最后通过模拟实验,验证了用最佳解匹配攻击数据包,效果明显优于BM方法。     

一种基于特征选择的入侵检测方法

针对入侵检测中网络数据高维度、 大规模所带来的问题, 基于特征选择方法Fisher在网络安全数据集中的应用, 提出一种基于特征选择的通用入侵检测框架. 该方法通过提取关键特征, 降低安全数据的维度; 采用K近邻方法作为分类器, 验证特征选择后的检测效果. 实验结果表明, 该方法能在较少特征的情况下达到较高的检测率, 具有较好的可行性.     

一种基于语义特征的快速人脸检索方法

运用数字图像处理技术、人脸模式识别技术与传统的数据库检索技术,融合基于文本的图像检索和基于内容的图像检索两者技术优势为一体,避开了在图像之间进行的繁琐匹配处理过程;以200人为待测样本进行检索实验,正确检索出来的为155人,完全匹配的为125人,系统的识别率为75.55％,平均检索时间小于0.1 s;实验证明,这种方法具有很强的鲁棒性,使用此方法所建立的语义人脸图像检索系统,具有快速、高效、实用的特点.     

一种基于内容的镜头边界快速检测方法

镜头边界检测是视频索引研究领域中的一项重要技术和基础步骤,近年来受到广泛的研究,但大量的研究过度关注算法的检测精度(从查全、查准两方面考虑)而忽略了算法的运算成本.就目前已有的框架和算法进行改进,提出一种兼顾检测精度和运算速度的镜头边界检测方法.该方法引入预处理技术,在进行镜头边界检测前过滤掉视频中不包含镜头转换的视频序列,从而在不失精度的前提下提高算法运行速度.试验证明该方法在提高检测速度的同时可以有效地检测出视频序列中的突变、渐变边界,并且获得了令人满意的精度.     

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.     

一种融合RepVGG和YOLOv5的行人检测方法

现如今,基于YOLOv5的网络模型被广泛应用在行人检测的任务中,在精度和速度上有着良好的效果。但在终端设备上部署使用,往往受到算力的限制。因而,基于RepVGG模型改进的主干网络,并且为了提高在密集人群和复杂环境下的适应性,加入了坐标注意力机制,扩大感受野的同时增强感兴趣区域的权重。经过实验测试,这种轻量化的网络参数量和计算量比较小,而且检测精度和鲁棒性也比较高,能够在一定程度下满足工程应用的要求。     

一种基于形态中值金字塔的线特征提取方法

基于掌纹的身份识别技术是基于人体参数身份识别技术的重要内容,如何选择合适的掌纹图象及其线特征,如何提取这些线特征是该项技术的关键所在,传统的边缘检测方法易产生双边缘,。易出现位置偏移,易受噪声影响,因此不适于掌纹线特征的提取,本文提出的一种基于形态中值金字塔的多分辨率线特征提取方法,借鉴多分辨率分析的思想,结合掌纹图象的特点及其相关知识来提取线特征,取得了较理想的实验结果。     

一种基于金字塔策略的人脸超分辨率方法

高分辨率预期图像与低分辨率输入图像分别位于高斯金字塔的第0层和第i层.超分辨率过程据此被分成i-1个子过程,逐层进行,即将第k层低分辨率图像的超分辨率估计图像(位于第k-1层)作为第k-2层高分辨率预期图像的输入,直至产生第0层高分辨率估计图像为止.在每个超分辨率子过程中,采用基于patch的搜索策略.文中对这种基于金字塔策略的人脸超分辨率方法进行了实验,结果表明该方法能够达到很好的超分辨率效果.     

基于自适应池化的行人检测方法

基于卷积神经网络的行人检测器普遍采用图像识别网络,通常会引起多池化层导致小目标行人特征信息丢失、单一池化方法导致行人局部重要特征信息削弱甚至丢失等,针对以上问题,基于最大值池化和平均值池化方法,提出了一种自适应池化方法,结合通用目标检测器Faster R-CNN,形成了有效的行人检测器,达到增强行人局部重要特征信息、保留小目标行人有效特征信息的目的。对多个公开的行人数据集进行大量实验,结果表明,与传统的卷积神经网络行人检测器相比,所提方法将行人检测漏检率降低了2%～3%,验证了方法的有效性。新方法改进了卷积神经网络结构,在无人驾驶领域具有一定的参考价值。     

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.     

一种快速检测蛋鸡沙门氏菌的方法

为检测蛋鸡泄殖腔拭子中沙门氏菌,在基础培养基BPW的基础上,优化出了培养仅需6 h的选择性增菌液SEM;并根据蛋鸡泄殖腔拭子中的非沙门氏菌干扰菌种类,设计了沙门氏菌特异性检测引物hilAP3.结果表明：1)低数量(1~5 CFU/50mL)沙门氏菌在优化后的一步法选择性增菌液SEM中培养6 h 后,其生长量可达103 CFU/mL 以上,可满足 PCR方法的检测限(102 CFU/mL);2)hilAP3引物能排除蛋鸡泄殖腔拭子中的非目标菌的干扰,特异地检测其中的沙门氏菌;3)建立的SEM增菌6 h与hilAP3特异引物PCR联用的方法检测灵敏度为1~5 CFU/50mL,准确率为100%.因此,该研究中建立的优化增菌液与PCR联用法能在9h内完成沙门氏菌的检测,其灵敏度和特异性高,可应用于蛋鸡场的沙门氏菌检测.