基于特征融合和交叉核SVM的快速行人检测方法

行人检测是目标识别领域的一大难点。现阶段用于行人检测的特征维数都比较高,为克服高维特征对实时性的影响,本文运用主元分析(PCA)对特征进行降维,加快检测速度。单一特征的信息有限,本文运用基于线性鉴别分析(LDA)的线性权重融合原则对一些底层特征(颜色、梯度、直方图)和多层次导向边缘能量特征进行特征融合使特征具有多源信息。且上述特征可采用积分图技术进行快速计算,所以行人检测系统的鲁棒性和实时性得到加强。在目标识别领域直方图交叉核支持向量机(HIKSVM)具有分类快,且准确率高的优点,采用其进行分类,系统实时性更进一步提升。实验表明本文方法检测速度和检测率优于经典的HOG+SVM算法。

基于多特征和多核学习的行人检测方法的研究

行人检测系统涉及交通安全问题,需要很高的鲁棒性,基于单特征结合单核支持向量机的方法效果有限,为解决这一问题,提出采用多特征和多核学习的方法来提升系统的鲁棒性,通过将积分信道特征、多层次导向边缘能量特征和CENTRIST特征分别与直方图交叉核、高斯核和多项式核进行线性组合,采用简单多核学习(Simple MKL)来分别计算核函数的权重系数,将多核学习方法与经典的梯度直方图特征/支持向量机、多尺度梯度直方图特征/直方图交叉核支持向量机和特征融合/直方图交叉核支持向量机的行人检测方法进行比较,实验表明所提出的行人检测算法的鲁棒性有明显提升。

基于显著性检测与HOG-NMF特征的快速行人检测方法

行人检测在机器人、驾驶辅助系统和视频监控等领域有广泛的应用,该文提出一种基于显著性检测与方向梯度直方图-非负矩阵分解(Histogram of Oriented Gradient-Non-negative Matrix Factorization,HOG-NMF)特征的快速行人检测方法。采用频谱调谐显著性检测提取显著图,并基于熵值门限进行感兴趣区域的提取;组合非负矩阵分解和方向梯度直方图生成HOG-NMF特征;采用加性交叉核支持向量机方法(Intersection Kernel Support Vector Machine,IKSVM)。该算法显著降低了特征维数,在相同的计算复杂度下明显改善了线性支持向量机的检测率。在INRIA数据库的实验结果表明,该方法对比HOG/线性SVM和HOG/RBF-SVM显著减少了检测时间,并达到了满意的检测率。

基于HOG特征的IKSVM稻瘟病孢子检测

为解决稻瘟病孢子的人工检测过程中主观性强、自动化程度低、效率低等问题,提出一种基于梯度方向直方图特征(HOG特征)的加性交叉核支持向量机(IKSVM)的稻瘟病孢子检测方法。该方法首先利用图像采集系统采集稻瘟病孢子图像,利用Gamma校正法调节图像的对比度,抑制噪声干扰;然后,提取孢子图像的HOG特征作为输入向量,输入到支持向量机中,构建加性交叉核支持向量机分类器;最后,通过训练得到稻瘟病孢子分类器。为测试所提出的HOG/IKSVM方法的综合性能,分别选用HOG/线性SVM方法与HOG/径向基核SVM(HOG/RBFSVM)方法做对比试验。试验结果表明,HOG/IKSVM的检测率为98. 2%,高于HOG/线性SVM方法的79%;在平均检测时间上,HOG/IKSVM方法的平均检测耗时仅为HOG/RBF-SVM方法的1. 1%。说明该方法可以进行稻瘟病孢子室内检测识别。

多特征融合下的快速行人检测

文章根据头顶像素点的梯度方向具有固定范围的特性在前景中找出头顶候选点,依此快速确定人体头肩部区域,将其作为待测窗口;然后提取待测窗口的照度不变性色彩特征与旋转不变性LBP纹理特征,并通过引入背景权重直方图算法(BWH)实现多特征融合;最后采用直方图交叉核支持向量机(HIKSVM)进行分类检测。实验结果表明,与传统的滑动窗口搜索方法相比,根据头顶点可以快速选取含有人体头肩部的待测窗口,提高了检测的效率;HSV和LBP多特征融合提高了检测的精确性,本文方法对于复杂动态场景、遮挡现象以及目标自身形变具有较强的鲁棒性和较高的准确性,在多种行人数据集中测试取得良好的效果。

基于Stixel-world及特征融合的双目立体视觉行人检测

针对单目视觉行人检测无法获得深度信息从而导致冗余信息较多、检测效率和准确度存在局限性的问题,首先,在图像的预处理阶段提出了一种利用双目立体视觉产生的视差信息优化分析来简化复杂场景的动态规划棒状像素场景(stixel-world)表达方式;然后,在行人目标检测阶段,对传统HOG特征中block尺度进行分析、降维,采用Fisher准则筛选得到了适用于道路环境下的多尺度HOG(multi-HOG)特征,将Multi-HOG特征与LUV颜色通道特征进行融合,最后采用交叉核支持向量机(hikSVM)分类器对行人目标分类。实验结果表明,采用改进过后的Stixel-world算法用于图像预处理极大地减少了计算时间。缩小了行人检测的候选区域,基于特征融合和hik-SVM的目标检测算法在保证检测准确度的前提下,具有较好的实时性和鲁棒性。

基于梯度离散化改进的DG_CENTRIST行人检测

针对复杂背景下的行人检测,从边缘信息入手,提出了一种新的基于梯度离散化的改进的中心对称统计变换(DG_CENTRIST)的行人检测方法。首先根据原始图像的梯度方向的分布,离散地形成多张梯度图;然后进行中心变换(CT)获得改进的DG_CENTRIST特征,最后提出的新的计算方法,结合线性和HIK-SVM,通过级联方式实现实时的行人检测。实验结果表明,该算法取得了较高的检测精度。

基于偏最小二乘与改进中心对称CENTRIST的快速行人检测算法

针对复杂背景下的快速行人检测问题,从行人边缘信息的角度,该文提出了一种改进的中心对称统计变换(ICS_CENTRIST)特征,该特征只有32维,计算简单,描述能力强,可以很好地表达行人的边缘轮廓。行人检测时采用3级级联分类方法:第1级采用基于辅助积分图的线性支持向量机(SVM),快速排除大部分非行人区域;第2级,第3级分别使用偏最小二乘法(PLS)选出区分能力最强的前12和21个块(block),提取ICS_CENTRIST特征,采用直方图交叉核支持向量机(HIK-SVM)进行精确检测。实验结果表明,该文算法在复杂背景下可取得较好的检测效果,检测速度在447×358大小的图像上达到平均50 ms,与基于CENTRIST特征的快速检测方法和梯度方向直方图(HOG)算法相比分别提高了50%和90%,满足实时性要求。

基于局部行颜色自相似性特征的行人检测方法

针对计算机视觉领域的行人检测问题,提出一种基于局部行颜色自相似性特征,该特征可表征为在HSV空间,图像水平方向非重叠对称块颜色直方图的距离信息,结合多层次导向边缘能量特征形成图像的融合特征,利用交叉核支持向量机进行分类。与主流用于行人检测的HOG+SVM方法相比,其特征维数低,在保证检测精度的同时,大幅提高了算法效率。实验结果验证了该算法的有效性。

基于IKSVM的多特征行人检测算法

针对如何协调行人检测精度和检测速度的问题,采用基于IKSVM的多特征行人检测方法。将梯度直方图特征(HOG)、局部二值模式特征(LBP)和Gabor特征融合成含轮廓、纹理、灰度信息的新特征向量集,引入偏最小二乘法(PLS)进行特征降维,运用加性交叉核支持向量机(IKSVM)训练行人样本形成行人分类器,实现视频序列中的行人检测。实验结果表明,改进后的行人检测算法优化了系统结构,在提高检测精度的同时,保证了检测速度。

基于自适应HCS-LBP特征的行人检测算法

针对行人检测中提取中心对称局部二值模式(Center-Symmetric Local Binary Pattern,CSLBP)时邻域中心像素没有参与计算、人为设定的判断阈值主观性较强、未能区别对待不同子块等问题,提出一种基于自适应HCS-LBP(Haar-like CS-LBP)特征的行人检测算法。该算法首先构造了HCS-LBP特征编码方法,采用局部中心对称模式减少编码长度,利用积分图像法快速计算降低时间复杂度,并将灰度级概率引入中心像素的全局自适应阈值计算,采用高斯矩阵获取邻域像素的局部自适应阈值,以突显图像客观的纹理信息;然后使中心像素参与图像编码,通过信息熵确定不同子块的权重,以增强图像特征的描述能力;最后使用直方图交叉核支持向量机(Histogram Intersection Kernel SVM,HIKSVM)训练样本,以提升分类器的准确度。在INRIA数据库的实验结果表明,该算法能有效提高图像信息的利用率,提升行人检测算法的性能,行人检测准确率较其他相关文献提高了0.4%～7.8%,具有较好的行人检测效果和检测精度。