基于运动特征及位置估计的行人检测算法

根据行人运动的特点和行人在图像中位置与身高的对应关系,提出了一种结合运动特征与位置估计的行人检测算法。提取运动特征和聚合通道特征（ACF）,将提取的特征放到Real Adaboost分类器里进行训练,并对行人可能存在的位置建立评估模型;在检测阶段,通过分类器确定行人的候选区域,然后采用非极大值抑制算法去除重叠窗口,最后对行人候选区域应用位置评估模型进一步判断,以此排除可能的非行人目标。实验采用Caltech数据集对算法进行仿真,该算法的平均对数漏检率为27.12%,与ACF算法的相比降低了5.9个百分点。实验表明运动特征在视频检测中能够与静态特征进行信息互补,同时行人的位置估计在摄像机固定的情况下,具有一定的判断能力。     

结合纹理与轮廓特征的多通道行人检测算法

针对在复杂场景下,聚合通道特征（ACF）的行人检测算法存在检测精度较低、误检率较高的问题,提出一种结合纹理和轮廓特征的多通道行人检测算法。算法由训练分类器和检测两部分组成。在训练阶段,首先提取ACF特征、局部二值模式（LBP）纹理特征和ST（Sketch Tokens）轮廓特征,然后对提取的三类特征均采用Real AdaBoost分类器进行训练;在检测阶段,应用了级联检测的思想,初期使用ACF分类器处理所有实例,保留下来的少数实例应用复杂的LBP及ST分类器进行逐次筛选。实验采用INRIA数据集对算法进行仿真,该算法的平均对数漏检率为13.32%,与ACF算法相比平均对数漏检率降低了3.73个百分点。实验结果表明LBP特征与ST特征能有对ACF特征进行信息互补,从而在复杂场景下去掉部分误判,提高了行人检测的精度,同时应用级联检测保证了多特征算法的计算效率。     

基于ACF与PCANet改进通道特征的级联行人检测

针对聚合通道特征(ACF)算法误检窗口多的问题,提出一种由粗到精的级联行人检测算法。采用ACF算法快速粗检,改进通道特征来滤除误检窗口,以每个图像通道学习主成分分析(PCA)滤波器组,代替PCANet从训练图像和卷积图中学习滤波器组,用图像通道进行单层卷积,代替PCANet的双层卷积以降低特征维数,提升对行人的表达能力,并对卷积图池化降维,得到改进的通道特征。仿真结果表明,该算法相对于原ACF算法误检窗口减少,检测率在INRIA、Caltech数据库上分别提高3.8%和17.5%。     

结合改进聚合通道特征和灰度共生矩阵的俯视行人检测算法

针对传统俯视行人检测方法提取的头部特征单一、检测错误率高的问题,提出了结合改进聚合通道特征（ACF）和灰度共生矩阵（GLCM）的俯视行人检测算法。首先,将提取到的HSV颜色特征、梯度幅值大小以及改进后的梯度方向直方图（HOG）特征组合成ACF描述子;然后,采用窗口法计算改进的GLCM参数描述子,提取纹理特征,串联每个窗口的特征向量得到共生矩阵特征描述子;最后,将聚合通道和共生矩阵特征分别输入Adaboost训练得到分类器,并进行检测得到最终结果。实验结果表明,所提算法能在干扰背景存在的情况下有效检测目标,提高了检测的准确率和召回率。     

基于欧氏距离图的图像边缘检测

图像边缘检测技术直接影响以目标识别为目的的后续图像处理操作,有效地提取出图像中所携带的目标信息是图像边缘检测的主要目的.为了实现目标轮廓的有效提取,提出一种基于欧氏距离图的图像边缘检测算法.该方法计算图像内像素点之间的欧氏距离,得到图像的距离图,距离图很好地描述了图中景物的外部轮廓;对距离图进行改进的Canny算子边缘检测,可以有效地得到图中物体的轮廓.与一般的边缘检测算法相比,本文算法能够抑制过于细小和琐碎的细节,并能够准确地提取目标的整体轮廓信息,为后续目标识别奠定了良好基础.     

一种改进聚合通道特征的行人检测方法

行人检测是计算机视觉和模式识别领域的研究热点与难点,针对聚合通道特征（Aggregate channel feature,ACF）算法应用于行人检测时,出现检测精度较低、平均对数漏检率（Log-average miss rate,LAMR）较高的情况,提出一种改进的ACF行人检测算法。首先结合objectness方法对ACF算法低得分区域进行进一步验证,可以在一定程度上减少算法的误检数;其次结合检测窗口的得分及位置信息,对非极大值抑制算法（Non-maximum suppression,Nms）进行改进,平均精度（Average precision,AP）提升了0.41%,LAMR降低了1.49%;最后采用星型可形变部件模型（Star-cascade DPM,casDPM）对一定阈值下的得分检测窗口进行级联检测,AP提升了0.65%,LAMR降低了2.06%。在INRIA数据集上实验表明,满足实时检测的条件下,极大地降低了误检数,具有较好的行人检测效果。     

基于Cauchy模型的行人轮廓提取及目标检测

为了提高行人目标轮廓参量的提取精准度数值,实现对待监测目标的实时稳定跟踪,提出基于Cauchy模型的行人轮廓提取及目标检测算法;基于Cauchy分布原理,估计行人轮廓目标的最大似然值,再结合计算第二类统计量方法,完成基于Cauchy模型的行人目标统计建模;在此基础上,建立卷积神经网络,利用卷积化与反卷积参量,提取Gabor行人轮廓特征;在目标图像分割理论的作用下,识别既定区域内的所有行人目标,持续标记各类已存在的行人目标,实时检测行人轮廓目标,实现基于Cauchy模型行人轮廓提取及目标检测;实验结果表明,与Kinect型检测算法相比,应用Cauchy型算法后,行人目标轮廓的检测精度值提高至93%,而PTR实测指标降低至3.97,可有效实现待监测行人轮廓目标的实时稳定跟踪。     

基于先验Haar-Like特征的多通道人体检测方法

针对聚合通道特征(ACF)在人体检测中对人体轮廓特征描述不够充分的问题,提出基于先验知识的Haar-Like特征来增强检测器对人体轮廓特征的描述能力。设计了一组Haar-Like特征,利用了人体上半身轮廓特点的先验知识,将头部、上半身以及背景视为3个不同的部分。实验结果表明:相比于ACF等算法,所提方法能够提高检测器检测精度,在INRIA数据集上召回率为94. 57%。     

具有熵加权HID特征的MACF昼夜分时行人检测算法

针对外部环境的复杂多变性导致基于传统多光谱聚合通道特征(MACF)的行人检测算法漏检率高的问题,在提取红外通道梯度方向直方图(HOG)特征时,利用局部区域的邻域像素强度差异估计和信息熵分析,构建新的熵加权强度差异直方图(EWHID)特征,来加强行人目标边缘轮廓部分对整体特征的贡献程度.针对昼夜不同环境条件下多光谱行人特...     

雨天环境基于HOG-SIFT特征稀疏表示的行人检测

针对雨天环境下监控视频因雨水噪声、图像的灰度值削弱使行人轮廓特征丢失而出现的目标行人漏检误检情况,建立了一种基于HOG-SIFT特征稀疏表示的行人检测算法。通过直方图均衡化降低雨水噪声;提取图像HOG-SIFT融合特征表征视频图像中的行人信息,减少轮廓特征的丢失;利用稀疏表示降低融合特征的维数,减小计算量并保留有效的行人特征,结合Ada Boost分类器降低漏检率和误检率。实验结果表明,该算法在雨天环境下有效地提高了行人检测的准确率。     

基于卷积神经网络及改进支持向量机的行人检测

针对自动驾驶实际道路场景复杂导致行人误检率高的问题,提出一种基于卷积神经网络及改进支持向量机的行人检测方法。利用聚合通道特征快速获取图像候选区域,将归一化后的候选区域图像输入卷积神经网络对其进行深度特征提取;利用主成分分析法将卷积神经网络末端所得到的特征向量进行降维处理,减少其冗余特征信息以获得精确的行人特征描述;将行人特征送至优化后的支持向量机完成分类。考虑支持向量机在分类过程中存在核函数参数选择困难的问题,利用改进后的蚁群算法对其进行优化选择,获得最优支持向量机参数以提高分类精度。实验结果表明,不同场景下的行人平均检测精确度达到92%,误检率大幅下降且具有较好的实时性。     

基于OTSU分割和HOG特征的行人检测与跟踪方法

传统的HOG算法针对整幅图像进行行人特征提取,大量的非人窗口计算必然降低检测的准确率和效率。为此,提出一种基于OTSU分割和HOG特征的行人检测与跟踪方法。利用OTSU算法以最佳阈值分割图像,在分割区域的基础上进行Canny边缘检测,通过边缘的对称性计算确定行人候选区,继而采用经PCA方法降维后的HOG特征和隐马尔可夫模型对行人候选区进行检测验证。最后,以确定的行人区域为跟踪窗口,利用CamShift算法跟踪行人。多组实验结果证明,本文方法的行人检测效率和精度均有所提高,跟踪性能稳定、可靠。     

改进R-FCN模型的小尺度行人检测

目的 为了有效解决传统行人检测算法在分辨率低、行人尺寸较小等情境下检测精度低的问题,将基于区域全卷积网络（region-based fully convolutional networks,R-FCN）的目标检测算法引入到行人检测中,提出一种改进R-FCN模型的小尺度行人检测算法。方法 为了使特征提取更加准确,在ResNet-101的conv5阶段中嵌入可变形卷积层,扩大特征图的感受野;为提高小尺寸行人检测精度,在ResNet-101中增加另一条检测路径,对不同尺寸大小的特征图进行感兴趣区域池化;为解决小尺寸行人检测中的误检问题,利用自举策略的非极大值抑制算法代替传统的非极大值抑制算法。结果 在基准数据集Caltech上进行评估,实验表明,改进的R-FCN算法与具有代表性的单阶段检测器（single shot multiBox detector,SSD）算法和两阶段检测器中的Faster R-CNN（region convolutional neural network）算法相比,检测精度分别提高了3.29%和2.78%;在相同ResNet-101基础网络下,检测精度比原始R-FCN算法提高了12.10%。结论 本文提出的改进R-FCN模型,使小尺寸行人检测精度更加准确。相比原始模型,改进的R-FCN模型对行人检测的精确率和召回率有更好的平衡能力,在保证精确率的同时,具有更大的召回率。     

融合分支定界的可变形部件模型的行人检测

针对可变形部件模型（DPM）算法在行人检测领域中的检测精度高,但由于在特征提取和行人定位两步中的计算量过大,导致检测速度过慢而不能应用于实时行人检测的问题,提出了一种融合分支定界算法和级联检测算法的可变形部件模型（BBCDPM）算法。首先,选取梯度方向直方图（HOG）特征作为描述人体目标的特征,从而生成特征金字塔;然后,进行可变形部件模型的建模,并使用隐变量支持向量机（LSVM）对模型进行训练;同时,为了提高行人检测的准确度,将传统可变形部件模型算法中的5个部件模型增加到了8个;最后,在利用了级联检测算法简化检测模型的基础上,结合了分支定界算法寻找最大值,排除大量不可能的对象假设,完成对行人目标的定位和检测。在INRIA数据集上进行了实验,结果表明,与传统DPM算法相比,该算法将准确率提高了12个百分点,且大幅提高了行人检测与识别的速度。     

多层卷积特征的真实场景下行人检测研究

针对真实场景下的行人检测方法存在漏检、误检率高,以及小尺寸目标检测精度低等问题,提出了一种基于改进SSD网络的行人检测模型（PDIS）。PDIS通过引出更底层的输出特征图改进了原始SSD网络模型,并采用卷积神经网络不同层输出的抽象特征对行人目标分别做检测,融合多层检测结果,提升了小目标行人的检测性能。此外,针对数据集样本多样性能有效地提升检测算法的泛化能力,本文采集了不同光照、姿态、遮挡等复杂场景下的行人图像,对背景比较复杂的INRIA行人数据集进行了扩充,在扩增的行人数据集上训练的PDIS模型,提高了在真实场景下的行人检测精度。实验表明:PDIS在INRIA测试集上测试结果达到93.8%的准确率,漏检率低至7.4%。     

基于改进FCOS的拥挤行人检测算法

针对大规模拥挤场景视频中行人目标小、行人遮挡和行人交叠而导致的检测困难等问题,本文将逐像素预测目标检测框架—全卷积单阶段目标检测FCOS（fully convolutional one-stage object detection）应用于行人检测,提出一种改进的主干网络用于提取行人特征,通过增加尺度回归实现目标行人的多尺度检测,同时减少其他特征层检测的目标数量,进而提升行人检测的能力。在拥挤行人场景数据集CrowdHuman和小目标行人数据集Caltech上的大量实验结果表明,和目前先进的方法相比,本文的方法对行人的检测精度有所提升,特别是对于小目标行人检测。与原始FCOS算法相比,在CrowdHuman上平均精度提升接近15%,丢失率降低接近33.0%;在Caltech上的平均精度提升2%。在复杂拥挤场景下的实际应用也证明本文方法的有效性。