基于快速区域定位和二重间隔分布机的行人检测

为实现快速和代价敏感性的行人检测,设计了基于BING目标检测和二重间隔分布机的行人检测框架.首先利用BING特征进行快速目标筛选,在此基础上提出了启发式的目标区域定位算法,通过目标选择和区域定位策略来获取行人所在的区域.区域定位减少了分类器的搜索空间,只需将二重间隔分布机对定位区域进行目标检测即可获得行人检测的结果,提高了行人检测的效率和速度.     

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.     

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.     

结合纹理特征和深度学习的行人检测算法

针对行人检测算法中存在特征鲁棒性差及分类器拟合非线性数据能力弱等问题,提出一种基于纹理特征和深度学习分类算法的行人检测方法.提出一种改进的GSRLBP纹理特征提取算法,提取行人图像的局部纹理特征,通过获取像素点的梯度信息结合GSRLBP算法消除微小扰动对行人特征提取的影响,进一步增强特征提取的鲁棒性.搭建基于深信度网络的深度学习行人样本分类器,利用多层受限波兹曼机搭建分类器输入端和中间层,将行人纹理特征信息逐层转化和传递,实现特征数据的自学习,利用BP神经网络搭建分类器的输出端,实现分类器结构的自优化.研究结果表明,该算法可行、有效,且性能优于经典浅层机器学习行人检测算法.     

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.     

基于深度模型的场景自适应行人检测

针对现有基于机器学习的行人检测算法存在当训练样本和目标场景样本分布不匹配时检测效果显著下降的缺陷,提出一种基于深度模型的场景自适应行人检测算法.首先,受Bagging机制启发,以相对独立源数据集构建多个分类器,再通过投票实现带置信度度量的样本自动选取;其次,利用DCNN深度结构的特征自动抽取能力,加入一个自编码器对源-目标场景下特征相似度进行度量,提出了一种基于深度模型的场景自适应分类器模型并设计了训练方法.在KITTI数据库的测试结果表明,所提算法较现有非场景自适应行人检测算法具有较大的优越性;与已有的场景自适应学习算法相比较,该算法在检测率上平均提升约4%.     

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。     

行人再识别技术研究综述

行人再识别是当前计算机视觉的研究难点和热点问题。根据行人再识别技术最新研究动态,对其研究现状进行了系统梳理,重点分析了特征学习和分类器算法两个最为核心的问题。首先将行人再识别的研究方法进行分类,其次整理了相关的研究资源,然后将特征学习分类为局部特征、块特征和全局特征,分类器算法分类为基于图像的建模方法、基于视频的建模方法、End-to-End的研究方法和深度学习模型,最后总结了行人再识别技术存在的主要问题,并对行人再识别检测技术的研究趋势进行展望。     

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LBP和OpenCV的实时人脸检测系统设计

为了在实时的视频流中快速准确地检测人脸信息,本文采用了一种基于人脸局部LBP特征的检测方法,利用Open CV视觉开发库,在Visual Studio2010环境下采用C++语言开发了一套实时人脸检测系统,利用Open CV中的两个工具opencv_traincascade和opencv_createsamples对样本数据库AR和FERET中的图像进行学习训练,通过训练后的人脸和人眼分类器face.xml和eye.xml文件对实时图像进行人脸检测。测试表明,相较于传统采用Haar特征的人脸检测系统,本文采用的LBP特征人脸检测系统,在检测速度和准确性方面效果更好,本系统也可以在移动平台上部署。     

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.     

基于改进AdaBoost算法的行人检测方法

基于传统AdaBoost算法的识别率和误报率同时低的原因。提出一种改进AdaBoost算法的行人检测方法,采用类Haar特征作为行人特征,引入误报率来更新样本权重,使得识别率降低得更慢,实现一个级联的行人检测分类器。相比于传统AdaBoost算法,改进算法不仅取得较优的识别率,并且可以降低分类器训练的层数。实验证明了改进算法的有效性。     

红外图像中的行人检测

为了有效地检测红外图像中的行人,提出了一种基于神经网络的检测方法。采用三维中值滤波来提取背景图像,用图像差分法提取目标区域(regions of interest,ROIs),提出傅里叶描述子作为目标区域形状特征;设计了BP神经网络分类器并用来对ROIs进行识别。通过大量不同种类不同形状的样本对分类器进行验证,结果表明该分类器具有较高的识别率和较低的虚警率,能够快速有效地识别ROIs,具有良好的分类能力。     

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.     

基于计算机视觉的人脸检测系统的研究

研究了一种基于计算机视觉的人脸检测系统,它采用模块化硬件技术和图像处理软件,满足实时检测的要求,可以有效检测出人脸。为该系统设计了一种基于判别函数分类器、模糊算法及人工神经网络的组合式多级分类器,具有一定的学习能力,当待测人脸发生变化时,系统可根据人脸数据库对分类器进行训练,以适应相关的变化。实验结果验证了该方法的有效性。     

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。