一种深度图像特征的建筑物内行人检测方法

针对传统建筑物内行人检测算法复杂背景遮挡、光照影响等导致的检测不准确、效率低等问题,提出一种基于深度差值及方向梯度特征的行人检测算法.利用Kinect采集图像,在深度图像中对深度差值及方向梯度进行计算,通过滑动窗口对整个深度图像进行特征提取,获得特征向量,并利用主成分分析法降维.最后利用随机森林选取分类能力较强的特征并进行分类,实现训练及检测.在不同背景及光照条件下进行检测实验,平均检测率达到87.89%,平均每帧检测时间为0.121s.将本方法与GEBCF(泛化和检测平衡共生特征)及FCF(滤波通道特征)算法对比,检测率分别提高0.92%、0.68%.实验结果表明本方法有效提高了行人检测的准确率,具有更高的检测效率,能快速、准确地检测行人.

基于深度图像的人体关节点定位方法

提出了一个基于深度图像的人体关节点定位的方法:首先将图像中的人体区域分割出来,然后利用随机森林分类器对逐个像素点进行分类,得到身体的各个部件并寻找关节点的位置。通过实验发现,本方法准确性较高并具有一定实时性。分类的准确率为68%,相较Kinect技术(40%)达到了较高的分类水平。预测人体关节点位置的平均时间为每帧150ms,符合实用性要求。

基于随机丛林的人体部件分类方法

人体部件分类是人体姿态跟踪中的重要前提和关键步骤。传统深度梯度特征下的随机森林分类方法虽然可以达到实时性的要求,但仍存在准确度不高、对噪声不够鲁棒、内存消耗过大等缺点。为此,提出传统深度特征与RGB边缘特征相融合的一种新的分类方法,并在特征维度加大的情况下引入随机丛林模型。实验结果表明,该特征分类方法不仅可以减少20%左右的运行时间,还可以提高1%左右的测试准确率。