基于Haar-like T和LBP特征的人脸识别方法

人脸识别技术是一种可靠的身份识别技术,是当今研究的热点课题之一。该文将Haar-like T和LBP特征相结合的算法进行人脸识别的研究。首先将Haar-like T方法与Haar-like方法进行人脸检测率的对比,再分别用该文算法与CNN、LBP等其他算法相比较。实验结果表明,该算法与基于Haar-Like T特征的人脸识别方法和一些主流方法相比较,增加了改进LBP方法对于图像的处理,使得该方法对光照具有较强的鲁棒性,对光照不敏感,同时对人脸的识别时间更短,在Yale和ORL人脸库中有着较好的识别效果,具备良好的可行性。

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。

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Haar-like和HOG特征结合的交通视频车辆识别方法研究

由于前向和后向车辆的表观特征不同,单纯使用主流的HOG或者Haar-like特征来识别车辆会存在对某一方向行驶的车辆识别率低或者误识率高的问题.针对上述问题,提出了一种Haarlike和HOG特征结合的交通视频车辆识别方法.在训练阶段,对前后向车辆分别采用Haar-like和HOG特征来提取车辆特征,引入反馈式的AdaBoost算法训练车辆分类器,提高车辆识别的速度以及准确率;在识别阶段,根据车辆运行状态确定前后向车辆,再利用对应的车辆分类器进行多尺度遍历识别.在不同光照强度的高速公路视频中进行车辆识别实验,前后车辆的平均识别率达到93%,误识别为9%.

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Haar-like特征的实时L1-跟踪算法

稀疏表示技术已成功应用于视觉跟踪,但是仍然存在跟踪算法效率低的问题。提出一种基于Haar-like特征的视频跟踪算法,该算法是基于粒子滤波框架的L1-跟踪算法,其特点是运用Haar-like特征及特征块的思想对完备基进行重新构造。将正负小模板由单个像素改为像素块,降低稀疏表示中过完备基的维数,大幅减少稀疏矩阵的计算量;同时,在保证跟踪质量的前提下适当减少目标模板数量,减少稀疏计算的次数,并控制模板更新频率。实验结果表明,所提算法能大幅提高跟踪的实时性,同时很好地解决了跟踪问题中的短时间遮挡、目标物体的形变以及光照变化等问题。

基于Haar-Like T特征的人脸检测算法

传统的人脸检测算法日渐成熟,但由于人脸五官的复杂性和外物的遮挡,使得人脸识别的准确率大大降低。在此背景下,笔者提出以Haar-Like T特征为基础的人脸检测算法,运用Adaboost分类器进行特征选择。实验结果表明:相比于传统的Haar-Like人脸检测算法,本文所提算法的检测率更高,误检个数更少,显著提升了人脸检测的效率。

一种基于Haar-like和AdaBoost结合的人脸检测算法

人脸是人体的一项重要的生物特征，人脸检测在人脸识别中起着非常重要的作用，人脸位置的检测结果的准确性可以有效地提高人脸识别率；人脸定位在身份验证、人机交互、视频监控、机器学习、信息管理等领域有很高的应用价值．笔者提出一种人脸检测定位算法，对图像进行归一化和均衡化，减小检测范围，然后用Haar—like矩形特征形成弱分类器，结合AdaBoost学习算法将多个弱分类器组合成强分类器，对人脸图像进行检测定位．实验结果证明该方法可以有效地降低误检率，提高检测的准确性．

基于Haar-like矩形特征的交通标志识别

针对道路交通标志识别系统中的识别精度和识别实时性问题,提出一种基于Haar-like矩形特征的交通标志识别算法。为了提高提取速度,用积分图像先对样本库进行处理,提取Haar-like矩形特征做为特征向量。提取的特征向量因维数过高,应用PCA降维法对数据进行降维。将降维后的特征向量用来对支持向量机训练。实验结果表明,Harr-like矩形特征向量具有形式简单,计算速度快等优点。在小样本的目标识别中,利用SVM进行分类识别,取得很好的识别效果,并在识别耗时上有所优化。

基于Haar-like和肤色特征的驾驶员脸部检测融合算法

对驾驶员面部疲劳状态进行视觉监测的前提是脸部区域的准确、快速检测。采用改进的基于Haar-like特征的人脸检测算法检测出可能存在的初始人脸区域,然后适当扩大初始人脸区域范围,并在此基础上利用肤色特征和区域连通算法在YCbCr和rgb颜色空间上对人脸区域进行二次定位,最后根据定义的脸部区域重合度和人脸几何特征,实现脸部区域的融合检测。实验结果验证了该算法的准确性和可靠性。

一种基于Haar-like特征和Adaboost树形分类器的实时车辆识别方法研究

针对SVM分类器和Adaboost分类器存在识别性能不足和训练时间过长等问题,提出了一种基于Haar-like特征,并结合Adaboost树形分类器的实时车辆识别方法。在训练阶段,提取车辆样本集合中适合描述车辆表观的Haar-like特征,并将这些特征向量引入Adaboost算法中进行最优特征选择和强分类器的训练,最后利用强分类器构建一个决策树(也称为树形分类器)。该阶段进行多轮的反馈迭代训练,且不断添加新的样本以提高识别性能。在识别阶段,使用分类器对视频中的每一帧图像作多尺度遍历搜索,以判定车辆可能存在的区域。实验表明,本文提出的方法在识别性能上有所提高,同时可以有效缩短训练时间。

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。

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.

基于LoG梯度加权Haar-like特征的车轮裂纹检测

列车长时间运行后,车轮侧面出现许多裂纹,数量和尺寸达到一定标准后需进行更换,以保证安全。该标准定制的前提是对大量的车轮裂纹进行测量统计,而由人工进行这些工作需要大量的人力和物力,因此采用基于图像模式识别的自动检测能够节省大量的资源。文中主要研究列车车轮裂纹的检测定位算法,针对车轮表面裂纹的图像特征,提出一种基于LoG梯度加权Haar-like特征,能够有效地描述裂纹周围图像特性,从而更精确地进行裂纹描述,并提出改进的基于阈值限制LUT的Real-Adaboost机器学习算法训练裂纹检测分类器,进行快速精确的裂纹目标检测,实验部分验证了算法的有效性。

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-like和AdaBoost的车脸检测

文中为降低计算的复杂度,提高车型识别的效率,从整幅车辆图像中检测出车辆的车脸部分,用车脸图像对车型进行识别。采用能够快速计算的Haar-like特征,根据Haar-like特征的分布情况对其进行归一化处理,利用归一化处理后的特征构建多个弱分类器,再利用AdaBoost算法把选出的弱分类器级联为强分类器,最后用强分类器对车辆图像的车脸部分进行检测定位。实验结果表明,在100幅不同车辆图像测试样本中,车脸部分的平均检测率为79%,平均识别时间为184.98 ms。

双重Haar-like特征瞳孔检测方法

为了降低光照和镜面反射对检测算法的影响程度,文中提出一种基于结构特征和边缘特征的瞳孔检测算法。利用双重Haar-like特征检测器进行瞳孔粗定位,针对瞳孔区域中存在眼睫毛等影响瞳孔边缘检测的问题,使用形态像素模型进行边缘去噪,提出瞳孔边缘最长假设以确定边缘像素。在LPW瞳孔数据集上的实验结果表明,双重Haar-like特征在提升粗定位精度的基础上,结合形态学像素模型和边缘假设进行边缘去噪,采用易受干扰的最小二乘椭圆拟合算法,提升了复杂环境下眼部图片的瞳孔检测效果。与Swirski和ExCuSe算法相比,文中算法在精确度上与ExCuSe共同取得最佳,整体检测性能比上述2种算法分别高6%和14%。