一种基于类Haar特征和改进AdaBoost分类器的车辆识别算法

提出一种基于类haar特征和改进AdaBoost分类器的车辆图像识别算法,以解决当前基于SVM分类器或级联分类器存在的分类识别性能不足以及传统基于AdaBoost算法的训练所需时间过长的问题.首先,基于积分图提取图像的扩展类haar特征,然后对所提取的海量类haar特征应用改进的AdaBoost分类器训练方法进行特征选择及分类器训练,最后利用所选择的特征信息及训练得到的分类器进行两类分类识别.实验结果表明,文中方法无论是在识别性能还是训练所需时间方面均明显优于传统方法,具有较好的应用前景.

基于类Haar特征和AdaBoost的车辆识别技术

在海量的监控视频中,快速、准确地识别车辆对公安破案和追踪具有重要的研究意义。通过提取车辆的类Haar特征,采用AdaBoost方法构建分类器可以实现监控视频中的车辆识别。针对原始算法误检率较高的问题,提出了采用背景差分去除背景干扰,以及采用目标对象差分法进行二次识别的两种改进算法。实验结果表明,两种改进算法都能够有效地降低误检率,提高检测率,并且对不同交通场景下的监控视频具有很好的检测效果。

基于类Haar特征与级联AdaBoost算法的防震锤识别

提出将类Haar特征与级联AdaBoost算法应用于输电线路防震锤的识别,以解决目前仅能针对单一防震锤进行识别的问题。首先,基于积分图计算快速得到图像的扩展类Haar特征,然后利用AdaBoost算法选取关键的具有较强分类特性的特征,产生一系列弱分类器以构成强分类器,最后通过级联的方式将强分类器组成级联AdaBoost分类器进行防震锤的分类识别。以实际的航拍图像作为测试样本进行实验,结果表明,该方法能够在复杂背景中有效地识别出防震锤,为后续的防震锤故障的诊断工作奠定了基础。

基于阴影和类Haar特征的动态车辆检测

提出了一种基于车载相机的前向车辆检测方法。首先联合车底阴影和车辆垂直边缘产生车辆假设,针对阴影分割易受光照和路面灰度突变的影响,提出了直方图峰谷分析法(HVAM)来获得自适应阴影分割阈值;采用类Haar特征来检测车辆垂直边缘,以局部区域统计学方法克服了传统边缘检测算子易受外界因素影响的缺点;然后使用基于V-HOG特征结合SVM的车辆分类器对假设区域进行验证;最后推算检测到的车辆目标航迹,建立加速度模型,对多个车辆目标进行跟踪以提高整体性能。多种交通场景试验表明:该方法能够稳定准确地检测到前方车辆,每帧平均检测时间仅需35 ms,跟踪7 ms,远远满足实时性要求。

基于类灰度图的类Haar特征构建及其应用

有效的特征提取是正确模式分类的基础.在Viola-Jones快速目标检测算法的基础上,侧重研究了类Haar特征原型的本质与提取,提出了类灰度图的概念,并以快速人脸检测为例,从类灰度图提取广义类Haar特征,从本质上拓展了类Haar特征的类型.基于类灰度图提取的广义类Haar特征在基于Adaboost的人脸检测系统性能超过Viola-Jones系统;作为弱分类器的滤波器构建是影响基于Adaboost分类算法性能的重要因素.

基于类Haar特征和自适应提升算法的前车识别

针对汽车高级驾驶辅助系统(ADAS)中前方车辆识别率低的问题,基于机器视觉原理研究了前方道路图像中的类Haar特征;并进行积分图计算。在提取类Haar特征基础上,采用自适应提升(Ada Boost)算法进行正负样本训练并级联,得到训练好的模型;进而检测和识别汽车行驶中前方车辆。最后基于Open CV计算机视觉库在Visual Studio开发环境中进行了算法实现和测试。结果表明,每帧视频图像识别时间小于40 ms,检测率准确可靠,满足多场景、多工况下的前方车辆实时识别。

非学习模式下的类Haar特征快速人眼定位

本文研宄非学习模式下的快速人眼定位算法.首先,在己检出的人脸区域中,根据人脸几何特征的先验信息,设置一定的人眼候选区域,通过高斯差分滤波消除光照影响.其次,定义一种类Haar的特征作用于二值化后的图像,在人眼候选区域计算该特征的评价值获得精确的人眼位置,实现人眼的快速搜索定位.该算法的处理方法简单快速,并且对于眼镜、眉毛以及发髻的干扰都有一定的鲁棒性.算法通过人脸几何先验知识,减少了训练和学习过程.实验结果表明,该算法能够快速准确实时地完成眼睛的定位,为后续的人脸识别提供必要的前提条件.

基于类Haar特征的驾驶者人眼疲劳状态的检测方法研究

使用摄像头采集视频图像,对输入图像做预处理(图像灰度化、中值滤波等);通过学习训练的方法构造基于类Haar特征的层叠式分类器,利用基于类Haar特征的层叠式分类器从输入图像中直接定位人眼;把人眼部分的图像截取出来,二值化人眼图像;然后计算二值化图像中垂直方向上瞳孔的宽度大小,从而判断眼睛的状态;最后通过多次的捕捉,计算眼睛闭合的频率来得出其疲劳状态。试验验证了上述算法的有效性。

基于类Haar特征和颜色特征的NAO机器人识别

在机器人世界杯比赛中,对球员的识别是进行路线规划、传球等上层策略的基础。由于NAO机器人硬件条件的限制和场外环境的干扰,对算法的运算速度和准确度有一定的要求。为满足这些要求,本文提出将类Haar特征和级联Adaboost算法应用到对NAO的识别中。首先,通过在离线环境下由Adaboost算法训练得到的级联分类器对NAO进行初次识别;然后,利用颜色直方图匹配对候选目标区域进行二次识别,在排除误检区域的同时,也进行敌我识别。实验结果表明,本方法能够有效地识别NAO机器人,满足比赛中识别算法对鲁棒性和实时性的要求。

一种基于类Haar特征和AdaBoost算法的前车检测方法

针对智能车辆和安全驾驶辅助系统中车辆检测问题,提出一种基于类Haar特征和AdaBoost分类器并结合车辆灰度对称性验证的前车检测方法。使用积分图方法计算图像类Haar特征,并对提取的海量类Haar特征应用AdaBoost算法进行特征选择及分类器训练,最后使用所选择的特征及分类器进行测试。实验结果表明,该方法在阴天和晴天情况下检测率分别为90.86%、91.15%,可以快速、有效地进行前车检测。

基于类Haar纹理的非结构化道路消失点检测

在非结构化道路识别算法的研究中,因其在复杂道路环境下表现出较强的鲁棒性,基于纹理特征的道路消失点检测成为了学术研究的重点。因此,为了能够准确的检测出非结构化道路中的消失点,提出一种基于类Haar纹理的非结构化道路图像消失点的检测方法,即首先设计多尺度多方向的类Haar纹理的实部与虚部模板,利用积分图技术以及垂直投影法快速计算出图像像素的纹理主方向,再采用改进的局部软投票法选出分数最大的点作为初始消失点,最后通过现有两种不同的消失点检测方法与提出的算法进行对比实验。实验结果表明提出的算法可以显著提高非结构化道路消失点的检测性能。由此得出该方法具有良好的实时性、准确性和鲁棒性。

广义Haar子波与类Haar子波性质及仿真

为了减小Haar子波分析信号时大尺度下的误差,对广义Haar子波和几种类Haar子波性质进行了分析,并与Haar子波进行了比较。两者都继承了Haar子波的大部分性质,而类Haar子波频域局域化特征更好。对脉冲压缩体制雷达中常用的线性调频信号和在国内外典型中低轨卫星测控体制中常用的BPSK调制信号进行仿真,其结果证明了类Haar小波在对某些信号分析时要优于Haar小波,为研究者更合理地选取子波提供了参考。

类Haar小波与数字信号调制识别

给出了正弦型类Haar小波的定义,从理论上证明其满足容许性条件。在理想情况下,推导了小波系数幅度与MPSK信号相位跳变和MFSK信号频率跳变之间的关系。利用所得结论和概率统计方法,构造检验统计量进行分类识别;通过仿真,发现在低信噪比(SNR=3 dB)情况下得到较好的识别效果。

基于类Haar算法的车辆识别技术研究

随着经济的发展,我国汽车销量大幅增长,为了避免交通事故的发生,车辆识别技术也逐渐被广泛的应用。本文介绍了车辆识别的原理,并基于类Haar算法的车辆图像识别,对图像采集、牌照图像分析及软硬件设计等进行了研究,提出了基于类Haar算法的车辆图像识别系统。该系统解决了车辆识别性差、识别速度慢等问题,提高了识别速度。

Haar类变换的演化生成与快速算法

本文运用二分演化思想，提出了Ｈａａｒ类变换的一种新的递归演化生成方法，并依此给出了即位的快速Ｈａａｒ类变换算法．

Haar类正交变换在数字水印中的应用

论文采取变尺度、多变换的策略,将Haar类正交变换应用于载体为图像的数字水印中。即不同的图像区域,子块尺寸不完全相同,相同尺寸的子块,所采用的正交变换不完全相同。实验结果证明:这种对图像采取分而治之的对策:不仅增强了水印的不可见性和鲁棒性,也提高了水印的抗攻击性,同时达到了图像高度压缩的目的。不仅如此,文中的正交变换的计算量小,均是即位算法,特别适宜并行计算。另外,文中水印为二值图像,且是盲水印。

基于Walsh-Haar类变换的图像边缘检测

图像边缘检测是图像处理和计算机视觉中的基本技术。论文提出了一种新的基于Walsh-Haar类变换的图像边缘检测方法。实验表明,该算法具有较好的边缘检测能力,不仅方法简单,而且检测到的边缘多于传统的边缘检测方法。

基于斜Haar类变换的图像边缘检测

图像边缘检测是图像处理和计算机视觉中的基本技术。提出了一种新的基于斜Haar类变换的图像边缘检测方法。实验表明,该算法具有较好的边缘检测能力,不仅方法简单、计算速度快,而且对于处理灰度渐变图像是有优势的。

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Haar特征的人脸识别算法

本文采用基于类Haar特征和AdaBoost分类器的算法,用于检测人脸的区域。实验结果表明,该算法具有运行速度快,识别准确率高的特点。