基于多特征融合的红外图像行人检测研究

当前红外图像行人检测方法存在误差大,对外界环境变化鲁棒性差,为了获得理想的红外图像行人检测结果,提出了多特征组合的红外图像行人检测方法.首先对当前红外图像行人检测进展进行分析,找到引起红外图像行人检测效果不佳的因素,然后提取红外图像行人检测的HOG特征和ISS特征,并采用支持向量机进行红外图像行人检测,最后引入证据理论...     

均值替代边缘的模板差分法用于红外行人跟踪

提出了一种新的基于模板差分的红外行人跟踪算法。算法以红外序列图像中前一帧目标模板与当前帧差分后得到的正负值区域为基础,计算出正值区域质心到负值区域质心的向量,并将模板沿向量方向以单个像素移动,实现了基于红外序列图像的行人跟踪。文章在跟踪算法原有基础上整合了跟踪窗口自适应大小、行人交汇的检测和区分功能,一定程度上解决了红外行人跟踪过程中,两个身高和形体相近的行人交汇后难以分辨的问题。     

基于YOLO模型的红外图像行人检测方法

针对基于传统特征提取方法的远红外图像行人检测存在准确率和实时性不足的问题,本文研究了一种基于改进YOLO模型的远红外行人检测方法,通过改进其深度卷积神经网络的输入分辨率,然后在基于实际道路采集的红外数据集上进行训练,得到检测效果最佳的检测模型,并提出基于车速的自适应图像分辨率模型,以提高车载系统的行人检测性能。在基于实际道路的红外数据集上的对比实验表明,该方法与传统方法相比,准确率从76.5%提高到89.2%,每秒传输帧数从0.01259 f/s提高到40.5 f/s,满足车载情况下的实时性需求。     

车载红外夜视技术发展研究综述

随着红外技术的发展,红外夜视仪越来越多的被应用在车辆辅助驾驶系统上以提高夜间的行车安全性。本文阐述了车载夜视技术的发展状况,针对红外成像的行人检测算法进行综述,并对其中多尺度红外特征提取和检测方法进行了分析,最后对未来车载平台行人检测技术的发展方向做了简要介绍。     

车载异构非制冷红外成像行人检测系统

车载红外夜间行人检测具有重要的实用价值,传统系统往往结构复杂、行人检测算法实时性难以保证。针对该问题提出了基于FPGA + DaVinci处理器构架的非制冷红外热成像行人检测系统,充分利用红外焦平面的成像特点,获取经预处理后的图像画质清晰;在检测行人区域过程中,提出结合局部自适应阈值分割和形态学处理的预处理方法,能够有效去除强背景的干扰;另外,利用Haar-like特征事先训练AdaBoost分类器,进行ROI的分类、识别。实验结果表明,采用多核心异构的系统,具备结构紧凑、数据通信难度小、算法移植性强等优势;FPGA对算法加速效果约为38 %,实时检测帧频达到了25 f/s。     

基于图像运动区域的红外多行人跟踪

针对红外视频监控中的多行人跟踪问题,提出了一种基于图像运动区域的跟踪算法。首先应用三维中值滤波方法建立背景模型,然后使用背景差分法得到运动区域;基于运动区域之间特定的匹配准则,建立帧间运动区域匹配矩阵,从而实现目标的跟踪。使用实际红外图像序列进行测试,该算法鲁棒性好,能够快速有效地实现多行人的跟踪。     

基于深度卷积神经网络的红外图像行人检测

红外图像中的行人检测一直是计算机视觉领域的研究热点与难点。针对传统的红外行人检测方法需要人工设计目标表达特征的弊端,本文从深度学习的角度出发,提出一种可以自动构建目标表达特征的红外行人检测卷积神经网络。在对卷积神经网络的实现原理进行分析的基础上,设计了红外行人检测卷积神经网络的初始结构,然后通过实验对初始结构进行调整,得到最终的检测神经网络。对实拍红外人体数据库进行行人检测的实验结果表明,该方法在保持低虚警率的同时可以对红外图像中的行人进行稳健检测,优于传统方法。     

基于YOLO的轻量红外图像行人检测方法

红外图像中行人的快速检测一直是计算机视觉领域的热点和难点。针对红外图像行人目标检测算法检测速度和检测精度难以平衡,算法模型体积较大,在中低性能设备中难以部署和实时运行的问题,提出了一种基于YOLO算法的轻量红外图像行人检测方法。在分析了MobileNet v3等轻量网络在YOLO v3算法上的性能和特点之后,该方法提出了引入注意力机制的轻量特征提取网络(CSPmini a)、特征融合模块和解耦检测端分类回归结构三种改进措施,在满足网络模型轻量的情况下保证了一定的检测精度。实验表明,该方法有效的实现了红外图像行人目标检测的准确性和快速性。     

基于局部特征的车载红外行人检测方法研究

车载红外行人检测在准确率和实时性方面存在多方挑战.文中基于行人头部、躯干成像与背景之间存在灰度分布差异,构建行人头部模型和躯干模型作为前端分类器,后端采用支持向量机(Support Vector Machine,SVM)进行分类;结合多帧校验和最近邻匹配跟踪行人.实验结果表明,检测时间基本持平,提高了检测准确率.     

红外图像中基于似物性与稀疏编码的行人检测

行人检测是计算机视觉的经典问题。针对红外图像中的行人检测问题,提出了一种基于似物性和稀疏编码及空间金字塔特征提取的行人检测方法。首先,针对红外图像的特点,利用基于频域残差的显著性分析方法得到红外图像的显著图,在此基础上提出了一种似物性计算方法,进而得到不同区域的似物度得分,并根据得分提取出感兴趣区域;其次,以尺度不变特征转换为基础,将稀疏编码和空间金字塔算法应用于非监督特征学习实现对感兴趣区域的特征提取;最后,利用线性支持向量机构建分类器实现对图像中每个感兴趣区域的行人检测。实验结果验证了本文提出的感兴趣区域提取算法和针对单幅红外图像行人检测算法的有效性。     

夜间复杂场景下红外图像行人检测算法研究

针对夜间红外图像中行人与背景灰度差异小且存在遮挡等问题,提出了一种夜间复杂场景下的红外行人检测算法。首先利用行人语义融合方法生成对目标全覆盖的显著图,与原图融合得到感兴趣区域,然后构造基于改进的方向梯度直方图特征的两分支分类器,同时提出一种遮挡判别算法,根据分类器模糊分数判断是否遮挡,设计一种头部模板实现最终的行人检测。在LSI远红外行人数据集和自主采集的冬、夏季节夜间行人数据上进行实验,结果表明:在不同环境下,所提出的方法均可快速鲁棒地检测出行人,可较显著地降低漏检率,检测率可达到94.20%。     

基于俯仰角修正的HOG特征快速行人检测算法

传统的HOG特征对正视或侧视行人有较好的识别率,但是对俯视行人的识别率仍有所欠缺。对检测图像的HOG特征根据不同的俯仰角进行了转换,同时优化了SVM分类器训练过程,提出了一种改进的快速行人检测算法。测试结果表明,该算法优于基于传统HOG特征的检测方法,有效提高了不同俯仰角视频中行人检测的准确性。     

基于聚合通道特征的红外行人检测方法

基于红外图像的行人检测技术在夜间场景监控、汽车夜间辅助驾驶等相关领域具有重要的作用,然而受红外图像分辨率低、信噪比高等因素影响,当前的很多方法性能不佳。提出了一种基于图像特征通道的红外行人检测算法。利用快速特征金字塔技术在红外图像上进行了滑动窗口检测。实验结果证明,相对于其他常规算法,该算法在实时性和鲁棒性上都有很大的提升。     

视频传感器网络中面向特定场景的行人检测方法(英文)

Pedestrian detection is one of the most important problems in the visual sensor network. Considering that the visual sensors have limited cap ability, we propose a pedestrian detection method with low energy consumption. Our method contains two parts: one is an Enhanced Self-Organizing Background Subtraction (ESOBS) based foreground segmentation module to obtain active areas in the observed region from the visual sensors; the other is an appearance model based detection module to detect the pedestrians from the foreground areas. Moreover, we create our own large pedestrian dataset according to the specific scene in the visual sensor network. Numerous experiments are conducted in both indoor and outdoor specific scenes. The experimental results show that our method is effective.     

Convolutional neural networks for multispectral pedestrian detection

In this paper, we present a pedestrian detection method by leveraging multispectral images which consist of color and thermal image information. Our method is based on the observation that a multispectral image enables us to overcome inherent limitations for pedestrian detection under challenging situations, e.g., insufficient illumination, small size pedestrian instances and occlusion. In order to detect pedestrian under such conditions, we apply deep convolutional neural networks (CNNs) for effectively combining color and thermal image information in multispectral images. We present a novel multispectral network that is built from the region-based fully convolutional networks (R-FCN) network model. A network-in-network (NIN) is employed to fuse these information across different modalities. Experimental results on KAIST benchmark demonstrate that our method surpasses the baseline method R-FCN and other proposed architectures.     

基于YOLO算法的行人检测方法

针对复杂道路交通环境,选择YOLO(You Only Look Once)实时目标检测算法,对行人目标进行检测识别的研究。YOLO算法在目标检测的速度和精度上都取得过良好效果。首先在YOLO网络模型的基础上针对行人单类检测问题,修改分类器,并通过卷积操作改变网络最后的输出维度;其次通过对道路交通场景下采集到的样本图片进行标注,得到行人数据集;然后采用相同预训练模型在YOLOv2和YOLOv3上训练,通过优化网络参数,加速模型收敛。实验结果分析可知,基于改进的YOLOv3的行人目标检测方法更能满足实时性的要求。     

基于红外立体视觉的行人感知方法研究

基于热红外特性,红外立体视觉路况行人感知方法可以在夜间、雾霾环境下有效检测道路场景中的行人等目标,提高驾驶安全性。针对红外图像中纹理细节少,传统稠密双目立体匹配算法效果差的问题,本文首先根据目标在红外图像下的亮度、边缘特征提取感兴趣区域（Region of interest, ROI）;然后在ROI中提取图像特征点并匹配,进而计算原始稀疏深度图;最后根据目标表面深度变化较小的特点,结合ROI和原始深度图估计半稠密深度图。本文搭建了实验系统验证该方法的有效性。实验结果表明,在系统约120°观测视场角内,该方法对行人等目标深度感知相对误差在15 m范围内优于1.5%,30 m范围内优于3%。