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%.     

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.     

基于改进ViBe的多行人检测方法

利用改进的Vi Be算法及模板匹配方法对多行人场景进行了目标检测.为了提高运动目标检测性能,提出将原Vi Be算法与帧间差分相结合的方法,该方法使二值图像中的鬼影比原Vi Be算法消除更为迅速.根据待处理像素点周围已完成的前背景分离结果,利用动态计算模型参数估计前背景,以提高前景目标提取的准确度.基于HOG算法识别运动目标中的行人目标.实验结果表明,该方法在没有降低运动物体检测实时性的同时,明显提高了算法检测的准确度.     

车辆辅助驾驶中基于概率模板的红外行人检测*

提出了一种基于概率模板的红外行人检测方法。首先采用自适应双阈值对红外视频图像进行分割,并提取感兴趣区域;然后利用行人区域的一些特征对感兴趣区域进行滤波,保留最符合行人特征的区域;考虑到行人重叠对于检测效率的影响,提出了一种基于直方图投影的多行人区域再分割算法;最后采用概率模板匹配算法对行人进行识别,针对行人可能的三个方位分别设计了三个对应的概率模板。实验表明该方法具有较高的行人识别率,对于环境变化有很好的自适应能力,并且具有较强的鲁棒性和实时性。     

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.     

起伏背景噪声下地震波传感器阵列目标检测算法研究

针对起伏背景噪声下传统地震波传感器阵列检测算法虚警概率高、检测概率低的问题,提出一种基于信号相关性的阵列目标检测算法.利用传感器阵列在一个检测周期内接收到的数据建立信号检测矩阵,由检测矩阵列向量之间的相关性标记信号中目标成分的大小,进而引入相关性参数并构建检测统计量,利用信号相关消除时变的环境噪声干扰,有效克服起伏噪声对目标检测结果的影响.推导算法虚警概率与检测门限之间的定量关系,得到一定虚警率下的检测概率.基于计算机仿真和舰船目标实测试验对比本文提出算法与现有方法,结果表明本文算法可以在起伏背景噪声下有效检测出目标,且检测性能优于现有检测算法.     

基于边缘概率和m-Best求解的行人再识别

指出了行人再识别应用之一是在同一场景、不同摄像头视角下,对查询集与候选集中的所有目标做出最优关联,其本质是二分图匹配问题.针对传统方法只在联合概率分布基础上寻找一个最优解,没有利用其它候选解中的有用信息,不能保证最优解的正确性的问题,提出了利用边缘分布特点,综合其它候选匹配点的信息,在联合匹配空间上使每一对匹配点的边缘分布最大化,从而提高求解质量;且对联合匹配空间的边缘分布计算不可行,采用二叉树分割算法求m个最优解,以实现边缘概率的估计.实验表明:将上述方法应用于行人再识别问题能有效改善再识别算法的精度.     

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.     

基于马尔可夫链的MIMO雷达信号融合检测方法

MIMO(Multiple-Input Multiple-Output)雷达结合多信号技术和阵列技术的优点,利用空间分集对抗目标RCS闪烁,完成目标检测与跟踪.针对多站雷达信号检测,提出了基于马尔可夫链的非相参积累分布式融合检测方法.首先分析了恒虚警率检测的阈值计算原理,推导出多站数据融合后的二次检测阈值.为改善运用贝叶斯和纽曼-皮尔逊准则检测时运算量大的缺点,提出基于马尔可夫链法的算法.该方法对各站回波数据进行结构化处理,根据不同时刻状态间的统计联系,导入马尔可夫过程,计算出状态转移概率矩阵,逐帧搜索确定目标点迹.仿真实验表明,该算法能够在不提高虚警概率的条件下,明显地降低检测阈值,可以有效提高系统检测性能.     

采用仿射迭代最近点的晶圆分割方法

针对依赖硬件设施的晶圆分割方法存在生产成本高、工艺复杂且分割效果不稳定的问题,提出以仿射迭代最近点(ICP)算法为核心的基于图像形状配准思想的晶圆分割方法。该方法采用Canny算子提取图像边缘,建立晶圆模板图像与目标图像的特征点集;对目标图像的边缘图像进行基于Hough的直线检测,得到粗略的晶圆矩形边框信息;以矩形左上角的点坐标作为匹配搜索区域的初始值进行基于仿射ICP算法的精确配准,通过晶圆产品图像与模板图像的特征匹配,实现晶圆的快速、准确分割。理论分析及实验结果表明:该方法计算复杂度较低,单独样本分割时间约为0.9s,样本分割精度明显高于其他算法,满足自动化生产线的实时在线检测需求。