Multi-features Based Approach for Moving Shadow Detection

In the video-based surveillance application, moving shadows can affect the correct localization and detection of moving objects. This paper aims to present a method for shadow detection and suppression used for moving visual object detection. The major novelty of the shadow suppression is the integration of several features including photometric invariant color feature, motion edge feature, and spatial feature etc. By modifying process for false shadow detected, the averaging detection rate of moving object reaches above 90% in the test of Hall-Monitor sequence.

基于Haar-like特征分类器的列车受电弓智能定位研究

弓网系统在高速行驶的动车组运行过程中发挥着至关重要的作用,列车在运行过程中,受接触网高度变化、列车运行线路复杂背景等因素影响,给受电弓的准确定位及后续故障检测带来巨大干扰。本文提出了一种基于Haar-like特征分类器的列车受电弓智能定位方法。该方法采用积分图方式来高效计算受电弓监测视频帧下的Haar-like特征,利用Adaboost算法训练受电弓分类器,从而得到级联boosted分类器,以完成受电弓的实时位置检测。上述方法的有效性和泛化性在2段真实的受电弓监控视频流中得到验证,实现了在复杂背景噪声下的受电弓区域的准确有效定位。

基于无人机可见光图像Haar-like特征的水稻病害白穂识别

实现稻田精准植保的关键是自然环境下病变区域的准确识别。为实现大面积稻田中白穗的精确识别,该文提出一种小型多旋翼无人机水稻病害白穂识别系统,该系统以无人机平台作为图像采集、处理和识别的基础,首先对白穗图像提取Haar-like特征,其次以Adaboost算法进行白穗训练识别。以4类Haar-like特征及其组合构建弱分类器,用采集的稻田白穗和背景共700个样本点训练生成强分类器。所得强分类器对测试集中65幅图像中的423个白穗样本点进行识别验证,结果表明:白穗识别率可达93.62%,误识别率为5.44%,该方法可有效抑制一般的稻叶遮挡、稻穗黏连以及光照等复杂背景的影响,适合于自然环境下的稻田白穗现场识别。

一种基于Haar-Like T特征的人脸检测算法

文中提出一种基于Haar-Like T特征的人脸检测算法.Haar-Like T特征是在Haar-Like特征的基础上的扩展,由于人脸五官分布的特殊性,在人脸模型上可以找到大量T字型结构特征.结合Haar-Like矩形特征描述人脸纹理的原理,文中提出4种类似Haar-Like特征的Haar-Like T特征,并将这些Haar-Like T特征与现有的Haar-Like特征一起输入Adaboost分类器进行特征选择,最终构建出分类性能强大的级联分类器并用于人脸检测.人脸检测实验表明该算法的有效性和优越性,其与Haar-Like分类器、LBP分类器等传统的人脸检测分类器相比获得更好的效果.

基于新Haar-like特征的多角度人脸检测

在Haar-like特征的基础上增加新的检测特征,给出特征计算方法和积分方法,实现多角度人脸检测。将多角度人脸分为3类,即全侧脸、半侧脸和正面人脸。利用连续Adaboost算法训练各类人脸检测器,用金字塔式结构将各类人脸检测器级联成一个多角度人脸检测器。在CMU人脸检测集合上,该检测器的成功率为85.2%,高于Adaboost算法和浮点Adaboost算法。

融合L2范数最小化和压缩Haar-like特征匹配的快速目标跟踪

在贝叶斯推理框架下,基于PCA子空间和L2范数最小化的目标跟踪算法能较好地处理视频场景中多种复杂的外观变化,但在目标出现旋转或姿态变化时易发生跟踪漂移现象。针对这一问题,该文提出一种融合L2范数最小化和压缩Haar-like特征匹配的快速视觉跟踪方法。该方法通过去除规模庞大的方块模板集和简化观测似然度函数降低计算的复杂度;而压缩Haar-like特征匹配技术则增强了算法对目标姿态变化及旋转的鲁棒性。实验结果表明:与目前流行的跟踪方法相比,该方法对严重遮挡、光照突变、快速运动、姿态变化和旋转等干扰均具有较强的鲁棒性,且在多个测试视频上可以达到29帧/s的速度,能满足快速视频跟踪要求。

基于Haar-NMF特征和改进SOMPNN的车辆检测算法

为解决传统基于Haar特征和自组织映射概率神经网络(SOMPNN)的车辆检测算法中存在当Haar特征向量维数过大时决策时间缓慢和因平滑因子σ单一易导致分类错误的2个不足,提出了一种用低维的Haar-NMF特征代替Haar特征和平滑因子自适应修正的改进SOMPNN(ISOMPNN)车辆检测算法.首先用非负矩阵分解对Haar特征进行降维,生成低维Haar-NMF特征;其次,以SOM输出层神经元的原型向量数作为修正因子,构建了指数函数形式的平滑因子修正函数,并以修正后的平滑因子训练SOMPNN分类器.实验结果表明,与传统的Haar+SOM PNN算法相比,采用Haar-NM F和ISOM PNN构建的车辆检测分类器在检测率、误检率和检测时间等性能指标上都获得明显提升.

基于扩展的Haar-Like特征和LBP特征的人脸压缩跟踪算法

针对传统的压缩跟踪算法采用简单的Haar-Like特征而在遮挡、光照变化、物体形变及背景干扰等情况下易产生目标漂移而导致跟踪失败的问题,提出了一种基于扩展的Haar-Like特征和局部二值模式(LBP)特征相结合的改进压缩跟踪算法,并运用于特定目标即人脸的跟踪。利用扩展的Haar-Like特征搜索目标的粗略位置,应用LBP特征充分表征人脸并进行精确跟踪来定位人脸目标的最佳位置。与简单的Haar-Like特征相比,LBP可以构建更稳定的目标表观模型,并扩展原有的Haar-Like特征,使算法在不同环境干扰下更鲁棒,同时也提高了跟踪算法的精度。实验证明:改进后的人脸压缩跟踪算法比传统的算法性能更优越。

基于改进Haar-like特征的压缩跟踪算法

针对原始算法特征可能出现的特征无法准确表达目标特性的问题,提出一种改进Haar-like特征的压缩跟踪算法。原始算法利用正负样本训练构造分类器,利用分类器对候选样本判定,得到最高分类器响应样本就是目标。进行重采样以更新分类器为下一帧做准备,对出现的问题,使用了一种新的图像特征来表示目标特性,同时加入一系列策略处理样本,去除那些与目标差异较大的样本,并进行仿真。仿真结果表明:该算法不仅提高了分类器对于正负样本的判别性,也降低了算法的计算复杂度,提高了算法的实时性。

2D-Haar声学特征超向量快速生成方法

针对大数据量音频的高速处理,提出一种快速的声学特征超向量生成方法,有效提高音频识别系统的识别速度和精度.所提方法首先将多个连续音频帧的常用声学特征构成声学特征图,进而使用低复杂度的运算方法在其中快速提取维数达数十万的Haar-like声学特征;然后使用AdaBoost.MH算法,筛选出具有较高代表性的Haarlike声学特征模式组合,用以构成声学特征超向量;进而提出Random AdaBoost特征筛选方法,进一步提高特征筛选速度.实验结果表明,在音频事件识别、说话人识别、说话人性别识别3种场合下,使用Haar-like声学特征可以使SVM、C5.0、AdaBoost等识别算法获得比MFCC、PLP、LPCC等常用声学特征更高的识别准确率,同时可以获得7~20倍的训练速度提升和5~10倍的识别速度提升.

基于2D-Haar声学特征的大规模说话人识别方法

随着待识别人数的增加,文本无关的说话人识别准确率下降明显.针对这一问题提出了一种高准确率大规模说话人识别方法,该方法采用多个连续音频帧的声学帧特征构成声学特征图,进而获得高维度的2D-Haar声学特征,为训练出性能更优的分类器提供可能;再利用AdaBoost.MH算法筛选出具有较好区分度的2D-Haar声学特征组合进行分类器训练.实验结果表明,600人规模下的正确识别率为89.5%,100~600人规模下的平均准确率为91.3%.该方法适用于大规模说话人的识别,引入的2D-Haar声学特征有效,识别准确率高.此外,该方法还具有较低的算法复杂度和较高的时间效率.

基于EOSHHO-SIFT的混合域鲁棒图像水印算法

针对含水印信息的图像对几何攻击鲁棒性不强的问题,提出一种基于改进的尺度不变特征变换(Elite opposition-learning strategy based Harris hawks optimization and Scale-invariant feature transform, EOSHHO-SIFT)的图像水印算法。首先,水印预处理:对水印进行基于奇异值分解的预处理,得到需要嵌入奇异矩阵的信息;其次,载体预处理:对载体图像进行HAAR多小波变换,并在变换后的载体图像中使用EOSHHO-SIFT算法进行特征点提取;再次,水印嵌入:上述特征点作为鲁棒水印的嵌入区域,而用EOSHHO-SIFT优化后的特征点进行鲁棒水印的嵌入;最后,水印提取:利用HAAR以及EOSHHO-SIFT提取出含有水印信息的特征点,并利用此特征点所含的奇异值信息对水印进行重组。仿真结果表明,与其它不具有旋转不变特性的图像水印算法相比,算法具有较强的抗噪声、抗滤波以及抗几何攻击的能力。

基于Haar-Lbp特征和粒子群神经网络的人耳识别

在分析人耳Haar和Lbp特征的基础上,提出了一种基于神经网络和人耳Haar-Lbp特征对人耳进行识别的方法.文中选取了人耳图像的Haar和Lbp双特征值作为神经网络的训练样本,并尝试利用粒子群优化算法与BP结合算法训练网络.仿真结果表明,文中提出的方法取得较好的效果.

基于Haar-like特征与Adaboost算法的前方车辆辨识技术研究

为了提高前方车辆的辨识效能,提出一种融合Haar-like特征与Adaboost算法的前方车辆辨识方法,基于海量车辆样本集进行离线训练,提取有效车辆轮廓与纹理特征,以Haar-like特征作为目标描述方法,采用Adaboost机器学习算法训练分类器,并构建特征样本级联分类器,对测试对象进行车辆存在性检测。试验结果表明,提出的融合Haar-like与Adaboost的车辆辨识算法检测准确率为91%以上,平均检测速率28ms,对车辆类型和环境干扰等非确定因素具有较强的自适应能力,提高了前方车辆纵向检测的鲁棒性,满足了车辆纵向维度的安全行驶应用需求。

结合方向纹理熵的Haar-like特征在线boosting跟踪算法

针对传统基于Haar-like特征的on-line boosting跟踪算法(HBT)需要产生大规模随机特征、占用大量计算资源和存储空间的缺点,提出结合方向纹理熵的Haar-like特征在线boosting跟踪算法(HBTT)。HBTT算法利用灰度共生矩阵的熵获得目标纹理的方向信息,在此基础上有针对性地产生具有方向纹理信息的Haar-like特征,从而可有效避免无效随机特征的产生,减小特征池容量;更进一步,可根据目标纹理的复杂程度自动调整特征数量,使得算法更灵活。在跟踪过程中,在线学习模块可以使错误率较高的特征被结合了目标纹理方向信息的Haar-like特征所替换。与HBT算法比较,HBTT算法的跟踪误差降低了10%以上;在相同特征池容量下,置信度提高了2%以上。实验结果表明,该算法不仅具有较高的鲁棒性,而且在跟踪效率和性能上都有所提高。

基于Y通道Haar-like特征的压缩跟踪

针对压缩跟踪(CT)算法中存在特征单一,发生遮挡情况时易丢失目标的问题,提出基于Y通道Haar-like特征的压缩跟踪算法.为了更好地表示目标,该算法基于YUV格式图像的Y通道随机生成位置、大小的Haar-like特征;然后在预测点附近搜索目标位置,最后提出一种遮挡控制策略来缓解短暂遮挡,用卡方统计法去判断是否存在遮挡以及是否需要更新模板参数.对不同视频的测试结表明,该方法在目标存在光照变化、位置移动、遮挡的情况下,均能取得良好的跟踪效果.与原始压缩感知算法相比,本算法降低了目标中心位置的平均误差,减少了因遮挡而导致目标丢失的情况.

n阶Fredholm积分-微分方程的有理Haar小波解法

一阶积分-微分方程是我们求解积分微分方程时常见的一类方程,其求解方法比较简单;而在实际问题中我们常常会遇到高阶积分-微分方程的求解,求其数值解相对比较困难。作者利用有理Haar小波的积分法和积分算子矩阵对一般的n阶Fredholm积分-微分方程进行了求解。最后给出的数值算例表明了该方法的有效性。

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%。

基于Haar-like和LBP的多特征融合目标检测算法

针对目标检测时Haar-like特征值过多、计算时间长、无法描述目标纹理特征且识别率一般的问题,提出一种基于滑窗原点信息的阈值自调节IHL(Improved Haar-like LBP)特征提取算法。该算法首先构造了IHL特征编码方法,将Haar-like特征和局部二值LBP特征融合;然后在计算Haar-like型局部二值化特征时,使用高斯矩阵获得符合像素分布规律的自调节阈值;同时在求特征值时引入中心点像素信息,确保提取的特征值的合理性;最后使用AdaBoost训练得到级联分类器,将其载入系统,并在KITTI车辆数据集和INRIA Person行人数据集上进行实验测试。实验结果表明,该方法可在65 s内识别1102个行人目标,在114.3 s内识别1852个车辆目标,相比传统算法其可以明显加快目标识别的速度,对行人和车辆目标的识别率均可达到94%以上,其检测准确性相比其他方法也有显著提升。

基于Haar-PP混合特征提取的沉降颗粒识别研究

针对沉降颗粒识别与轨迹追踪中由于灰度模糊、变化造成的识别通过率低、准确度差的问题,对由沉降颗粒的个体形态、运动形态以及空间运动引起的动态灰度变化进行分析,完成激光散射像点图像灰度增强、像素特征转换、像素点连通性判断等处理过程,在此基础上提出一种基于Haar-PP混合特征的沉降颗粒识别算法。实验结果表明,与高斯混合模型相比,该算法有较高的识别率,且时间复杂度较低。