基于矩形特征和改进Adaboost的手势检测

为了实时、精确地从视频流中检测和识别出特定手势,提出一种矩形特征描述手势,给出快速计算方法和手势类可分离性的评价方法。为了避免分类器的过度训练问题,提出一种基于此方法的改进的Adaboost算法。实验结果表明,矩形特征能够产生可靠的检测器,对手势的姿态变化较敏感。在摄像头实时捕获视频中,其检测手势实时性较好,对复杂背景和噪声有较强的适应能力,当手势旋转角度小时,正确检测率可以达到95%以上。

基于矩形特征的无空间参考DEM图像模糊匹配

多源、多时相与多尺度DEM的匹配是DEM(Digital Elevation Model)应用中的关键技术。对无空间参考的DEM进行匹配时,若特征点不足或匹配DEM之间的分辨率、地形特征等差异较大,已有的DEM匹配技术往往难以成功。为此,这里提出了基于矩形特征的模糊匹配方法。首先利用矩形特征构建了五种图像相似度指标BRFSI并统计分析了各个指标的分类性能;然后,使用Gentle AdaBoost算法对大量样本进行训练后,得到了用于判定"匹配"与"非匹配"的分类器;最后建立了进行DEM图像模糊匹配的匹配模型。经过四种典型数据验证,该方法很好地解决了无空间参考DEM匹配中特征点不足、DEM之间相似度较低的难点问题,为进一步的DEM精匹配提供了良好的初始条件。

基于点云矩形面特征的故障航天器位姿测量

针对非合作航天器的相对导航问题,提出了一种利用点云矩形面特征测量非合作航天器位姿的方法。首先从点云数据中提取矩形面;然后根据矩形面点云数据计算出点云分布矩阵,通过特征值分解求出相对位置和姿态,并解决了因矩形面对称而产生的多解问题;最后设计了卡尔曼滤波器,确定目标星与追踪星的相对位置参数以及目标星的姿态、角速度。仿真结果表明:相对位置的估计精度优于0.005m,目标星姿态精度优于0.1°,验证了该方法的有效性。

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。

在线矩形特征选择的压缩跟踪算法

针对压缩跟踪算法无法选择合适的矩形特征,易出现目标漂移、丢失现象,提出了一种基于在线矩形特征选择的压缩跟踪算法。首先,在初始化阶段生成投影矩阵,利用该投影矩阵提取特征来构造候选特征池,在特征池中使用矩形特征来表示目标特性,并去除与目标差异较大的矩形特征,最后计算分类分数最大的窗口,并将其作为目标窗口,从而实现跟踪。实验结果表明,该算法特征总数量比压缩跟踪算法特征总数量减少了13%,且跟踪精度和鲁棒性方面得到了改善,对于320pixel×240pixel大小的视频平均处理帧速为20frame/s,满足实时性要求。

分散矩形特征结合软级联的人眼检测研究

采用优化的分散矩形特征结合软级联进行了人眼检测研究,针对分散矩形特征会造成特征数量暴增的问题,给出了一种优化解决方案;针对级联分类器训练过程中训练难度不断加大的问题,提出了一种按指数规律调整每层的最小检出率和最大误检率的方法 .优化后训练所需时间缩短为优化前的1/3,改进后分类器性能相比原始特征有所提高.人眼检测实验结果表明:该分类器具有更好的分类能力.

基于Rao-Blackwellized粒子滤波的多特征融合多光谱目标自适应跟踪

针对复杂背景下视频目标跟踪的实时性和可靠性问题,提出了基于Rao-Blackwellized粒子滤波(RBPF)的颜色矩形特征和方向边缘信息融合的自适应跟踪算法。该算法采用Rao-Blackwellized粒子滤波提高滤波算法性能,采用积分图像快速计算颜色特征和方向边缘信息。根据跟踪实际情形,利用模糊逻辑自适应调节各特征权值,提高算法的跟踪速度和精度。视频跟踪仿真试验表明,该算法稳健、跟踪精度高,实时性好,能够在复杂背景下对可见光及红外等运动目标进行有效、可靠的跟踪。

基于组合特征和级联分类器的防震锤检测算法

提出一种高压输电线路上的防震锤检测识别算法,算法基于分块的Haar特征、基于区域的LBP特征以及HOG特征一起作为组合特征来检测防震锤。其主要分为5个步骤:预处理待检测图像;改进归一化互相关匹配算法并进行模板匹配,得到防震锤疑似区域样本集;提取防震锤疑似区域的组合特征;对防震锤疑似区域使用级联分类器进行多级分类;统计分类结果。实验结果表明,该算法具有较高的精确率、召回率和准确率。

一种基于多特征融合的单目俯视行人检测

目前行人检测方面的研究一般建立在行人竖直站立姿势的平视图上,在实际应用中,有时需要从不同的视角检测行人。针对俯视的行人,提出了一种基于矩形分块特征、目标颜色均匀、目标类圆等多特征融合的俯视行人人头检测方法,通过检测人头替代检测整个行人。系统采取遍历搜索的方式在整张图像上检测目标,先将所有候选目标通过级联的多矩形分块特征检测,快速过滤绝大部分不含目标的背景信息;接着通过计算矩形分块灰度的方差检测目标的颜色均匀特征;通过Hough变换检测目标轮廓的圆弧特征确认目标。实验验证了该方法的有效性。

基于改进AdaBoost算法的飞机特征图像识别

飞机特征点图像的识别是航空试飞领域中计算机视觉研究的重要课题,在基于图像的视频安全监控、自动识别与智能人机交互方面有着重要的研究价值。其检测算法经过长时间的发展,已经取得了显著的成绩。本文中对Paul Viola提出的基于积分图像和AdaBoost的检测方法进行了深入研究、改进,并针对实际问题成功应用到飞机特征点图像的快速检测中。

基于人脸识别技术的公共图书馆用户行为自动监控方法

传统的用户行为监控方法判断误差率较大,为此,提出以人脸识别技术为基础,对公共图书馆用户行为自动监控的方法,通过计算分析图像多维空间数据,得到人脸识别所需要的核函数与密度梯度,对比面部帧和背景模型,得到面部矩形区域划分结果,凭借特征计算构建弱分类器,将多组弱分类器组合构成强分类器,再将几组强分类器组合成级联分类器,同时通过精确定位算法对用户图像内眼睛与嘴巴位置定位,完成对公共图书馆用户行为的监控。实验结果证明,所提方法能够提升行为监测结果的精准度。

基于改进核判别算法的视频运动人脸图像相似表情识别研究

传统的视频运动人脸图像相似表情识别方法,利用小波变换提取人脸特征,后续特征分解效果不理想,导致表情识别准确度较低。为此,提出基于改进核判别算法的视频运动人脸图像相似表情识别研究。采用积分图法提取视频中的人脸表情,得到特征矩形区域。结合核判别算法对特征矩形区域进行分解得出表情特征矢量。结合弹性模板匹配法,计算和匹配表情特征矢量,得出匹配最优的表情,完成人脸图像相似表情识别。为验证所提方法的应用性能,设计仿真实验。实验结果表明,与传统方法相比,所提方法的表情识别准确度更高。本文设计识别方法具有应用有效性,为相关领域提供可靠依据。

基于Adaboost算法的实时行人检测系统

为解决智能视频监控系统下中远距离的行人检测问题,设计并实现了一个基于目标形状特征的检测系统;提出了4种较为有效的旨在描述人体形状局部特性的矩形特征,引入了对传统Adaboost算法的改进措施,减小了计算量,优化了系统结构;试验表明,该系统具有较高的检测率和处理速度,对阴影、雨天、枝叶晃动等监控场景中常见的噪声干扰不敏感,在P43·0GHz的PC上处理320×240的视频序列可达到15帧/s以上。

基于Adaboost的汽车牌照快速定位

Adaboost算法在人脸定位系统中已经取得了巨大的成功,该算法简单可靠、学习精度高,解决了实时检测的速度和精度的矛盾,而汽车牌照定位是汽车牌照识别系统的首要环节,定位的准确性和快速性对系统起着关键性的作用。该文提出了基于Adaboost的汽车牌照定位算法,目的是为了寻求一种新的更加高效的车牌定位方法。实验结果证明了该方法的可行性。

一种积分图的分治计算方法

AdaBoost算法在处理大量图片时需要进行长时间的预处理。为此,提出一种用硬件并行计算图像各个局部积分图的方法,通过AdaBoost算法用少数特征淘汰大量无关图像,牺牲单个特征计算时间,避免对大量图片进行预处理操作。实验结果证明,该方法可以加快大量高像素图像的识别速度,在无关图像占整体98%的情况下,速度比传统算法提高31.8%。

改进的快速行人检测方法

行人检测在视频监控以及智能车系统中有着广泛的应用前景,为了能够更有效地检测行人,将人脸检测中级联检测框架引入行人检测中,并对其进行改进,采用Gentle AdaBoost算法进行分类器训练,以提高训练效率,同时在训练前引入了特征预筛选,以减少训练时间和系统开销。实验表明,改进后的方法训练时间短,检测精度高,同时具有较快的检测速度。

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。

关于视频图像运动目标跟踪识别仿真研究

研究视频图像运动目标跟踪识别问题时,目标受纹理、光照变化、遮挡及与目标差异较大的矩形特征不断积累,易导致跟踪漂移或丢失。大多数跟踪系统通过牺牲跟踪的实时性来提高跟踪的准确性。为了解决上述问题,引入两个随机投影矩阵提取两类互补的纹理特征和灰度均值特征,利用随机投影矩阵提取的特征构造候选特征池。若候选目标某一区域受遮挡时,采用未被遮挡区域的矩形特征构造特征池。并选取反应目标特点的矩形特征,去除与目标特征差异较大的矩形特征构造分类器;然后计算互补特征对样本的分类权值,选权值较大的特征作为寻找目标的下一帧位置;最后根据分类器分类分数最大所对应的候选区域确定目标的下一帧位置。仿真结果表明:改进方法具有更好的跟踪精度,且计算时间少,对目标纹理、光照变化和遮挡具有更强的鲁棒性。

基于AdaBoost-SVM级联分类器的行人检测

针对实时行人检测中AdaBoost级联分类算法存在的问题,改进AdaBoost级联分类器的训练算法,提出了Ada-Boost-SVM级联分类算法,它结合了AdaBoost和SVM两种算法的优点。对自定义样本集和PET图像库进行行人检测实验,实验中选择固定大小的窗口作为候选区域并利用类Haar矩形特征进行特征提取,通过AdaBoost-SVM级联分类器进行分类。实验结果表明AdaBoost-SVM级联分类器的分类器准确率达到99.5%,误报率低于0.05%,优于AdaBoost级联分类器,训练时间要远远小于SVM分类器。

基于Adaboost算法的人脸检测技术的研究与实现

人脸检测是人脸识别技术的基础,首先提出人脸检测系统的构成,分析Adaboost算法对图像进行人脸检测的基本原理。根据Adaboost算法形成了简单的矩形特征作为人脸特征,即Haar-like特征,然后由多个Haar-like特征相当于一个弱分类器,由多个弱分类器级联成为一个强的分类器,并将级联分类器用于动态人脸检测中,从截取的每一帧图像中进行检测。经过实验验证,采用这种方法和步骤进行人脸检测达到了比较好的精度和速度,为接下来的人脸识别提供了前提条件。