基于层叠分类器的快速相关跟踪算法

提出一种基于层叠分类器的快速相关跟踪算法。首先利用目标模板色彩分布信息对原始图像数据进行变换,锐化匹配相似度函数峰值,增强算法在复杂环境下的稳定性;然后提出了用平均灰度差和Harr型特征构造层叠分类器,分层刻画目标模板与搜索窗口在统计特征和局部特征上的相似性,并采用积分图快速计算特征,从而大幅度减少在非最优匹配点上的计算量,且特征计算与模板大小无关。大量实验结果表明,该算法大大降低了相关跟踪的时间复杂度,具有跟踪稳定、实时性强等特点。目前,以该算法为核心的实时目标跟踪系统对图像大小为320×240的视频序列内任意尺寸目标的平均处理速度达到20帧/s。

动态权值预划分实值Adaboost人脸检测算法

提出了Real-Adaboost的一种改进算法。该算法采用预先计算类Haar特征所对应弱分类器在样本空间的划分,并动态更新人脸训练样本的权值。与以往的Real-Adaboost算法比较,该算法大大缩短了训练时间,算法训练时间复杂度降到O(T*M*N),同时加速了强分类器的收敛性能,减少检测器的弱分类器数量,减少检测时间。

快速人脸检测系统的设计与实现

为了快速而准确地在复杂背景的灰度或彩色图像中检测人脸,对实时人脸检测方法做了一些扩展并根据该方法设计实现了一个快速人脸检测系统,系统分为训练和检测两部分,训练方法为AdaBoost算法。测试表明该系统的性能较好。

基于不变特征的运动视频序列自动配准算法

快速、鲁棒的图像配准是运动视频处理的基础,也是制约后继应用稳定性及可靠性的关键。针对运动视频中存在的图像平移、旋转、尺度及光照变化,提出一种基于不变特征的快速图像配准算法,包括特征点检测、描述和匹配。首先通过多层箱式滤波器构建图像多尺度空间,并同时考虑质量与空间分布检测特征点;然后用主成分分析法对SIFT(scale invariant feature transform)特征进行降维,用于特征描述;最后根据描述子主成分的差异设计层叠分类器,加速特征匹配。定量分析实验和对视觉监视系统中球形摄像机和无人机航拍视频的实验结果表明,该算法具有良好的匹配性能,为后继运动载台上的运动目标检测、跟踪、分类等处理提供了坚实基础。

微型UAV视觉识别系统的研究

出于军事侦察、视觉导航等特殊任务的需要,视觉识别系统一直在微型UAV系统中扮演着重要的角色。该文针对微型UAV的特点设计了一套基于机器学习的视觉识别系统。得益于Adaboost算法和层叠分类器的使用,系统具有很快的处理速度并获得了较高的正确识别率。最后,通过一套真实微型无人直升机试验平台上的实验结果,验证了这套系统的可行性。

Adaboost算法在人脸检测中的应用

针对人脸检测的特点，详细叙述了检测中应用的特征值的计算以及积分图的使用，给出了基于Adaboost算法的弱分类器选取和单个强分类器的训练过程，以及最后的层叠分类器的具体组成形式．基于此算法的人脸检测具有检测率高、速度快、对于光照变化适应性强的特点，能够达到实时检测的要求．

人脸检测的继承式集成学习方法

基于"遗传+变异"模式,提出继承式集成学习方法框架,它可以训练出四种不同形式的层叠分类器。除了基于"无遗传"模式的基本层叠分类器与基于"全部遗传"模式的嵌入式层叠分类器两种传统方法之外,还有基于"部分遗传+部分变异"模式的特征继承层叠分类器与弱分类器继承层叠分类器。虽然后两种层叠分类器都有一定的继承代价,但是其拟合性更好,可以更好地均衡收敛速度和扩展性能,其综合性能优于传统方法。基于RAB、GAB算法与LUT弱分类器的正面直立人脸检测实验结果表明了新的继承式集成学习方法的有效性。

基于类Haar特征的驾驶者人眼疲劳状态的检测方法研究

使用摄像头采集视频图像,对输入图像做预处理(图像灰度化、中值滤波等);通过学习训练的方法构造基于类Haar特征的层叠式分类器,利用基于类Haar特征的层叠式分类器从输入图像中直接定位人眼;把人眼部分的图像截取出来,二值化人眼图像;然后计算二值化图像中垂直方向上瞳孔的宽度大小,从而判断眼睛的状态;最后通过多次的捕捉,计算眼睛闭合的频率来得出其疲劳状态。试验验证了上述算法的有效性。

基于AdaBoost的人脸检测技术研究

提出了一种基于AdaBoost学习算法的检测技术框架,并以人脸为研究实例来验证框架的可行性。人脸检测技术作为目标检测技术的一个成功典范,在人脸识别、表情分析、人脸跟踪、图像压缩编码、图像/视频数据库检索、生物特征识别、视频会议、自动监控、智能人机接口等,诸多领域有着日益广泛的应用。