移动机器人部分遮挡条件下多部件行人跟踪算法

针对复杂街道环境中的交通标志与公共设施对行人造成不同程度的遮挡而致使移动机器人跟踪目标失败,提出一种多部件粒子滤波器行人跟踪方法,引入弹簧弹力负载决策,降低单一跟踪器的错误风险,增强部分遮挡条件下的视觉目标跟踪鲁棒性。仿真分析表明,该算法能够在行人部分遮挡时呈现较好跟踪效果,降低街道复杂背景环境对跟踪的影响,为后续移动机器人视觉目标避障等应用提供支撑。     

单目视觉行人身体多部件距离融合估计算法

针对现有自主汽车辅助驾驶系统中,单目摄像头行人距离估计精度不高的问题,提出一种单目视觉行人身体多部件距离融合计算法。联合脚部件与头部件共同对行人目标进行距离估计,分别采用半水波形等距线脚部部件距离估计与头部部件高度插值距离估计算法来获取行人的距离估计结果,使得算法能够同时具备精准性和稳定性。经仿真验证,该算法在非遮挡条件下,35 m内能够将误差控制在1 m以内,在半遮挡条件下,35 m内能够将误差控制在2 m以内,满足车载辅助驾驶对行人距离估计精度的要求。     

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。     

基于YOLOv3的改进行人检测算法研究

针对将YOLOv3通用目标检测算法应用于行人检测时的检测精度低、定位不准确的问题,提出了一种基于YOLOv3的适用于行人体态特征的目标检测算法.在预处理生成先验框部分,将MSCOCO通用数据集改进为MSCOCO中的person子集来生成仅针对行人体态特征的锚框,并将生成先验框的K-means算法改进为K-means++...     

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。     

基于多模型检测的视频监控行人跟踪算法

研究了网络视频监控中行人检测和跟踪技术,并提出了基于多模型检测的视频监控行人跟踪算法.首先在已有检测算法的基础上,根据实验结果,分析了算法的优势和存在问题,提出了多模型融合检测算法,多模型融合检测算法充分利用各个单模型算法的优势,提高模型检测准确率,并使用快速特征金字塔算法提高了算法的实时性.随后在提出的检测算法基础上,结合卡尔曼滤波算法和匈牙利最优匹配算法实现多目标行人检测和实时跟踪.MOT测试视频实验结果表明:提出的跟踪算法能够较好地实现多目标行人检测和跟踪,适合网络视频监控场景.     

基于多特征的AdaBoost行人检测算法

针对单特征辨识度较低问题,基于多特征的AdaBoost行人检测算法,提出一种融合灰度和轮廓信息的新的多特征综合表示方法.该方法通过统计样本的权重直方图建立分类模型,并用多个直方图的乘积表示样本在多特征下对应的联合概率分布,从而基于多特征联合概率更精准地描述行人,提高行人检测的鲁棒性.实验结果表明,改进后的基于多特征行人检测算法提高了行人检测精度、降低了误检率,目标识别的置信度明显提高,在多变的自然背景下可以取得较好的效果.     

视频序列中面向行人的多目标跟踪算法

为实现视频序列中多行人目标跟踪,基于多信息融合方法,考虑多目标间严重遮挡,建立面向行人的多目标跟踪算法.提出多信息融合算法融合目标颜色和运动信息,结合均值漂移算法思想,实现常态下目标跟踪.针对多行人目标参与的遮挡,通过理论分析遮挡过程中目标面积变化,提出遮挡因子判别遮挡发生、辨识遮挡者和被遮挡对象、确认被遮挡对象重新出现等.实验结果表明,该方法能够正确跟踪行人目标,判断并处理多目标间的严重遮挡.      

改进多尺度网络的行人目标检测算法

针对自动驾驶情景下行人目标检测过程中对于重叠和遮挡目标存在的漏检问题,提出一种改进多尺度网络YOLOv5的行人目标检测算法。首先构建同时考虑通道间关系和特征空间位置信息的多重协调注意力模块,增加网络特征表达能力;然后将原损失函数改进为具有双重惩罚项的切比雪夫距离交并比损失函数,提高检测框的精确度与网络收敛速度;最后在网络结构方面设计瓶颈状DSP1_X和DSP2_X模块减少梯度混淆。实验结果表明,改进后的多尺度网络收敛能力提高,在面对行车中复杂行人目标检测时具有较高的判别精度和实时检测速度。     

基于改进Faster R-CNN的行人检测算法

针对行人检测中复杂环境,提出一种改进Faster R-CNN的行人检测算法,使用深度卷积网络从图片中提取适合检测目标的特征。基于Faster R-CNN算法,以Soft-NMS算法代替传统NMS算法,加强Faster R-CNN算法对重叠区域的识别能力。同时,算法通过"Hot Anchors"代替均匀采样的锚点避免大量额外计算,提高检测效率。最后,将21分类问题的Faster R-CNN框架,修改成适用于行人检测的2分类检测框架。实验结果表明:改进Faster R-CNN的行人检测算法在VOC 2007行人数据集,检测效率和准确率分别提升33%、2.6%。     

基于改进RetinaNet的行人检测算法

为提高实际应用场景中行人的检测精度,提出使用高分辨率特征提取网络HRNet（High-Resolution Representation Network）并引入Guided Anchoring机制对RetinaNet算法进行改进,维持了特征图在特征提取过程中的高分辨率信息,同时使网络中的锚框自适应生成,提高了算法的检测精度。结果表明：该改进算法在Caltech行人数据集上取得了0.905的平均精度均值（mean average precision,简称mAP）,相比于标准的RetinaNet算法提高了6.0%,在每帧图像尺寸为1280×720像素的视频上检测速度达到了19FPS（每秒检测帧数） ,达到了检测精度与检测速度的均衡。     

A Robust Pedestrian Detection Approach Based on Shapelet Feature and Haar Detector Ensembles

Detection of pedestrians in images and video sequences is important for many applications but is very challenging due to the various silhouettes of pedestrians and partial occlusions. This paper describes a two-stage robust pedestrian detection approach. The first stage uses a full body detector applied to a single image to generate pedestrian candidates. In the second stage, each pedestrian candidate is verified with a detector ensemble consisting of part detectors. The full body detector is trained based on improved shapelet features, while the part detectors make use of Haar-like wavelets as features. All the detectors are trained by a boosting method. The responses of the part detectors are then combined using a detector ensemble. The verification process is formulated as a combinatorial optimization problem with a genetic algorithm for optimization. Then, the detection results are regarded as equivalent classes so that multiple detections of the same pedestrian are quickly merged together. Tests show that this approach has a detection rate of over 95% for 0.1% FPPW on the INRIA dataset, which is significantly better than that of the original shapelet feature based approach and the existing detector ensemble approach. This approach can robustly detect pedestrians in different situations.     

分区DBSCAN算法在激光雷达行人检测系统中的应用

摘要 行人检测过程中原始DBSCAN算法不能正确地对密度不均匀的激光点云聚类,产生错误的聚类结果导致行人检测系统出现误检和漏检。为解决这一问题,基于激光雷达的行人检测系统在原始密度聚类算法DBSCAN的基础上提出了分区DBSCAN算法。该算法将密度不均匀的点云数据划分为若干个密度相对均匀的分区,从而能实现对行人的快速准确检测。实验结果表明原始DBSCAN算法行人检测率为62.47%,使用分区DBSCAN算法的激光雷达行人检测系统行人检测率达到82.21%,相对于原始DBSCAN算法检测精度提高了19.74%;而且在时间消耗上也比原始DBSCAN算法降低了16.22%。     

基于改进锚候选框的甚高速区域卷积神经网络的端到端地铁行人检测

在地铁监控场景下的行人检测,具有客流量大,遮挡程度高的特点。针对该场景的行人检测,提出基于深度学习甚高速区域卷积神经网络的端到端头肩检测方案。由于甚高速区域卷积神经网络模型对目标检测具有普适性,针对通过地铁监控摄像头采集的真实的客流图像数据,人工标注训练及模型测试数据集进行分析;进而根据头肩特征面积分布较集中,长宽尺度比例可明显分为一类的特性对区域建议网络网络中的锚候选框进行了改进,使其更适应地铁特殊场景中的行人检测。改进后的模型在保证系统检测精度的同时提升了检测实时性,可以精确检测地铁场景下不同姿势的头肩部位;并在不同场景及视角下的检测也取得了较好的效果。     

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.     

利用行人运动特性的TLD快速检测算法

针对TLD目标检测时需全局穷举搜索耗时较高的问题,提出一种基于行人运动特性的区域优化算法。该算法可有效预测行人在图像中的可能区域,从而减小检测计算复杂度,提高算法效率。经仿真分析表明,该算法在原有目标检测性能不变的情况下,检测耗时较原算法平均降低81.54 %,跟踪速率平均提升4倍,跟踪实时性明显提高。     

基于稀疏编码的迁移学习及其在行人检测中的应用

行人检测是计算机视觉领域中的研究热点,其实质是一个二分类问题.目前基于统计的行人检测技术已取得了一定进展,但大都需要大量的训练数据.针对这一问题,提出了一种基于迁移学习的半监督行人分类方法:首先基于稀疏编码,从任意的未标记样本中,学习到一个紧凑、有效的特征表示;然后通过迁移学习,将学习到的特征表示方法迁移到行人分类中.在MIT行人数据库上的实验结果表明:该方法能有效地刻画出行人的特征,提高行人分类的性能,在标记样本少的情况下仍具有良好的分类效果,因此可应用于行人检测中.     

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.