基于级联支持向量机融合多特征的人脸检测

人脸图像中包含丰富的特征信息,不同特征具有其各自的优势。基于此,提出一种基于级联支持向量机有效融合多种特征的人脸检测算法。该算法首先利用肤色模型对待检图像进行预处理,筛选出疑似人脸区域。然后在疑似区域中提取图像的HOG(Histogram of Oriented Gradients)和LBP(Local Binary Patterns)特征,并分别对这两种特征集进行特征选择,训练两个SVM(Support Vector Machine)分类器,最后将两个SVM分类器级联起来实现人脸检测。在多个人脸图像数据库上的实验结果表明,该人脸检测算法提高了人脸检测率,降低了误检率,并且对多种光照条件、姿态、表情以及部分遮挡的情况都具有较好的鲁棒性。     

基于BING似物性检测的行人快速检测算法*

针对传统滑动窗行人检测速度慢、实时性差的问题,提出了一种基于似物性的行人快速检测算法。首先,算法通过提取正负训练样本的规范化二进制梯度特征,训练级联SVM分类器得到行人似物检测模型。然后利用尺寸调节和聚类算法对初始候选区域进行聚类融合,进一步优化行人候选窗口区域。最后,提取各候选区域的HOG特征并利用SVM分类器对其进行进一步行人检测。实验结果表明：本算法在保证行人检测率的同时在检测实时性上有明显提高。     

Bagging-SVM集成分类器估计头部姿态方法

针对现有常用分类器性能不能满足头部姿态估计对准确率的要求,以及光照变化影响头部姿态估计准确率的问题,提出了一种基于Bagging-SVM集成分类器的头部姿态估计方法。首先,通过图片预处理和Adaboost检测人脸区域算法减少背景、光照等干扰因素对于头部姿态特征提取的影响。其次,采用融合方向梯度直方图(HOG)特征和局部二值模式(LBP)特征分别对人脸的轮廓特征和纹理特征进行提取。然后,通过主成分分析(PCA)对融合的头部姿态特征进行特征选择,抽取其主元特征分量供分类器进行训练。最后,通过Bagging方法构建多个训练数据集,并采用支持向量机(SVM)对每个数据集进行训练,产生多个弱分类器,多个弱分类器投票决定测试样本所属类别。将该算法在Pointing’04数据集、CAS-PEAL-R1数据集和自建数据集上进行验证实验,实验结果表明提出的算法相比线性判别分类器(LDA)、朴素贝叶斯分类器(NB)等常用分类算法具有更高的分类准确率,对光照的变化具有较好的鲁棒性。     

多特征融合的道路车辆检测方法

通过改进基于Haar-like特征和Adaboost的级联分类器,提出一种融合Haar-like特征和HOG特征的道路车辆检测方法。在传统级联分类器的Harr-like特征基础上引入HOG特征;为Haar-like特征和HOG特征分别设计不同形式的弱分类器,对每一个特征进行弱分类器的训练,用Gentle Adaboost算法代替Discrete Adaboost算法进行强分类器的训练;在级联分类器的最后几层上使用Adaboost算法挑选出来的特征组成特征向量训练SVM分类器。实验结果表明所提出的方法能有效检测道路车辆。     

基于车载视频监控的乘客检测及跟踪算法

针对公交车上乘客相互遮挡及光照变化明显的问题,提出一种基于头肩部边缘特征和局部不变特征的人体检测及跟踪算法。首先对待检测图像进行自适应阈值背景差分,实现乘客目标分割;然后用样本的梯度方向直方图(HOG)特征训练支持向量机(SVM)基础分类器,结合自适应增强(AdaBoost)算法提炼出最终的强分类器,对前景图像进行扫描实现乘客目标检测;最后提取目标区域和当前搜索区域的快速鲁棒性特征(SURF),通过特征点匹配实现乘客目标跟踪。实验表明,在乘客相互遮挡及光照变化明显的情况下,该算法仍具有高于80%的检测率和跟踪率,且满足系统实时性的要求,可用于客流计数。     

一种融入PCA的LBP特征降维车型识别算法

车型识别是智能交通系统研究的关键技术之一,针对车型识别的过程中存在处理的信息量大,提取特征维数高,识别实时性较差等问题,设计了一种融入PCA的LBP特征降维车型识别算法。首先在视频序列中使用帧间差分法提取目标车辆;然后计算目标车辆的LBP特征并利用PCA方法将数据由像素维数降至训练数据维数,在增强识别算法对光线变化鲁棒性的同时,一定程度上降低了车型识别的计算量;最后利用最小距离分类器对目标车辆进行分类识别。实验结果表明,所设计的车型识别算法与常规PCA方法相比,所设计的算法在光照变化时识别准确率有所提高,算法的实时性得到了一定的提升。     

半监督SVM分类算法的交通视频车辆检测方法

针对交通场景运动车辆检测中车辆数目统计准确率不高、自适应性不强等问题,提出了一种基于半监督支持向量机(SVM)分类算法的交通视频车辆检测方法。利用人工标记的少量样本,分别训练2个基于方向梯度直方图(HOG)特征与基于局部二值模式(LBP)特征的不同核函数的SVM分类器;结合半监督算法的思想,构建SVM的半监督分类方法(SEMI-SVM),标记未知样本并加入到原样本库中,该方法支持样本库动态更新,避免了繁重的人工标记样本的工作,提高了自适应性;最后,通过三帧差分法提取运动区域,加载分类器在该区域进行多尺度检测,标记检测出来的运动车辆,统计车辆数目。实验结果表明:该方法在具有一定的自适应性的同时,有较高的车辆检测准确率,即使在复杂交通情况下,对运动车辆依然有很好的检测效果。     

组合SVM分类器在行人检测中的研究

在基于HOG特征的SVM行人检测算法的基础上,提出了组合分类器的改进算法。该算法首先采用多尺度滑动窗口提取HOG特征,并对单个SVM分别进行训练,再将训练好的SVM分别采用串联、并联结构形成新分类器后对行人进行检测。为解决用多尺度滑动窗口提取特征时产生的目标候选区域重叠问题,采用非极大值抑制算法对重叠区域进行融合,进而得到准确候选区。实验表明,组合的SVM分类器可以有效降低误检率和漏检率。     

高铁闸机智能监控系统中的行人检测算法研究

针对高铁闸机智能监控行人检测系统中较高的实时性要求,提出一种改进的基于梯度直方图(HOG)特征与AdaBoost分类的行人检测算法。首先对图像样本提取HOG特征,进行Gentle AdaBoost分类训练,得到高检测率的强分类器;然后对待测图像进行垂直边缘预处理,根据行人图像与非行人图像的边缘对称性特征,排除大量非行人窗口;最后对剩余窗口提取HOG特征,依据训练出的AdaBoost分类器检测HOG特征向量,判断窗口是否含有行人。实验结果表明:改进的行人检测算法比原算法计算量少,能够在保证原有准确率的基础上,对图像进行更快的检测,满足高铁闸机行人检测系统的实时性要求。     

融合二阶HOG与CS-LBP的头部姿态估计

针对头部姿态估计受光照变化、表情、噪声干扰等因素影响导致识别率低的问题,提出一种融合二阶梯度方向直方图(HOG)和中心对称局部二值模式(CS-LBP)特征的姿态特征,用于单帧图像的头部姿态估计。采用二阶HOG对人脸图像进行形状信息提取,得到人脸的轮廓特征;用CS-LBP进行局部纹理信息的提取,通过将二阶HOG提取的轮廓特征和CS-LBP提取的纹理特征进行融合,得到更有效的人脸特征;将融合的姿态特征通过核主成分分析(KPCA)变换非线性映射到高维核空间中,抽取其主元特征分量,采用支持向量机(SVM)分类器进行姿态估计。实验结果表明,方法和HOG、LBP、二阶HOG、CS-LBP方法相比有更高的分类准确率,对光照的变化有很好的鲁棒性。