基于聚合通道特征及卷积神经网络的行人检测

为解决在复杂环境下难以尽可能多地检测到行人的问题,提出一种基于聚合通道特征、通过卷积神经网络提取特征的行人检测算法。采用聚合通道特征的算法尽可能多地产生候选框,通过卷积神经网络提取候选框内物体的深度特征,使用支持向量机分类器对候选框内的物体进行分类,检测出行人。在公开数据集Caltech和INRIA数据集上进行测试,实验结果表明,与目前主流算法比较,召回率平均提升12%,F值平均增加0.05,能有效减少计算机的计算开销。

基于多尺度聚合通道特征的实时行人检测

行人检测是近年来计算机视觉领域的研究热点,如何有效且快速地检测行人仍是具有挑战性的课题。提出一种基于多尺度聚合通道特征的快速行人检测算法。设计一种能够充分包含图像颜色、梯度信息的聚合通道特征,采用一种快速多尺度特征估计算法计算图像的多尺度聚合通道特征,使用级联Adaboost分类器进行行人检测。实验结果表明,该文算法在标准行人检测库INRIA上测试结果的召回率和准确率与目前最优算法相当,但时间开销很小完全满足实时检测要求。

结合改进聚合通道特征和灰度共生矩阵的俯视行人检测算法

针对传统俯视行人检测方法提取的头部特征单一、检测错误率高的问题,提出了结合改进聚合通道特征(ACF)和灰度共生矩阵(GLCM)的俯视行人检测算法。首先,将提取到的HSV颜色特征、梯度幅值大小以及改进后的梯度方向直方图(HOG)特征组合成ACF描述子;然后,采用窗口法计算改进的GLCM参数描述子,提取纹理特征,串联每个窗口的特征向量得到共生矩阵特征描述子;最后,将聚合通道和共生矩阵特征分别输入Adaboost训练得到分类器,并进行检测得到最终结果。实验结果表明,所提算法能在干扰背景存在的情况下有效检测目标,提高了检测的准确率和召回率。

一种改进聚合通道特征的行人检测方法

行人检测是计算机视觉和模式识别领域的研究热点与难点,针对聚合通道特征(Aggregate channel feature,ACF)算法应用于行人检测时,出现检测精度较低、平均对数漏检率(Log-average miss rate,LAMR)较高的情况,提出一种改进的ACF行人检测算法。首先结合objectness方法对ACF算法低得分区域进行进一步验证,可以在一定程度上减少算法的误检数;其次结合检测窗口的得分及位置信息,对非极大值抑制算法(Non-maximum suppression,Nms)进行改进,平均精度(Average precision,AP)提升了0.41%,LAMR降低了1.49%;最后采用星型可形变部件模型(Star-cascade DPM,cas DPM)对一定阈值下的得分检测窗口进行级联检测,AP提升了0.65%,LAMR降低了2.06%。在INRIA数据集上实验表明,满足实时检测的条件下,极大地降低了误检数,具有较好的行人检测效果。

基于聚合通道特征的防震锤锈蚀缺陷识别算法

高压输电线路中防震锤锈蚀会危害输电线路的安全运行。基于图像处理技术提出了一种基于聚合通道特征的防震锤检测和锈蚀缺陷识别的算法。该算法首先引入聚合通道特征(Aggregate Channel Features,ACF)分别提取无人机拍摄的输电线路图像中的颜色、梯度幅值和梯度方向直方图,构建多尺度ACF金字塔;利用滑窗法和Adaboost分类器检测图像中的防震锤,并使用非极大抑制操作得到最佳防震锤的位置;再结合Graph Cuts算法实现防震锤图像的分割;最后采用RGB颜色模型识別防震锤锈蚀缺陷。实验结果表明:该算法对防震锤位置的检测和锈蚀识别的精度较高。

基于一阶和二阶聚合通道特征的实时行人检测

为了同时改善实时行人检测的误检率和检测速度,文中引入了二阶聚合通道特征(SOACF)来提高行人检测算法的性能,该算法主要基于图像中的一阶信息聚合通道特征(ACF)检测器,互补了ACF与SOACF的性能,并设计开发了一种加权非最大抑制合并算法。与ACF检测器相比,该合并检测器不仅在INRIA,Caltech和KITTI行人数据集上表现良好,而且在Caltech和KITTI数据集上的误检率分别降低了4%和2%,检测速度比基于ACF的CheckerBoards检测器快了近100倍。

基于聚合通道特征下的探地雷达对地下管网建模

本论文提出一种利用探地雷达检测数据建立地下管网GIS模型的方法。该方法应用聚合通道特征(ACF)自动分析地下管网的探地雷达数据并生成地理参考线,并通过实地实验验证了该方法的有效性。

结合聚合通道特征和双树复小波变换的手势识别

目的针对目前手势识别方法受环境、光线、旋转、缩放、肤色等因素的影响,导致手势识别精度下降的问题,提出一种结合聚合通道特征(ACF)的手势检测和双树复小波变换(DTCWT)的复杂背景下手势识别方法。方法在手势图像预处理过程中引入聚合通道特征,采用Adaboost分类器和非极大值抑制算法(NMS)进行目标手势的检测;利用DTCWT对目标手势图像进行多尺度多方向分解,对高低频系数的每一块分别提取方向梯度直方图(HOG)和局部二值模式(LBP)特征;最后融合各个方向上的高低频特征并通过支持向量机(SVM)进行分类识别。结果选取多个场景、多个对象、不同角度和距离的图像作为训练集,并标注区分前背景,对20种手势进行识别实验,并与传统的肤色检测、HOG特征手势识别、类-Hausdorff距离的手势识别算法进行了实验对比。在任意可承受范围内的光照、距离等情况下,该方法能够更准确实时地实现手势识别,平均精度达到95.1%。结论在图像预处理的情况下,聚合通道特征的引入能够准确检测手势,同时基于DTCWT的手势图像频域特征提取和再融合的方法有效地解决了传统普通图像的单特征识别方法在光线和复杂背景下识别精度不高的问题。

基于边缘线分析与聚合通道特征的港口舰船检测

针对可见光学遥感图像港口舰船检测过程中,人造目标造成检测结果准确率低、虚警率高的问题,提出了一种基于边缘线梯度特征定位和聚合通道特征的舰船检测方法。基于多尺度多结构元素形态学滤波实现海陆分割;并结合遥感图像中港口的矩形形状特点,定义边缘梯度正切角和港口凹凸度特征以对港口进行定位,获取港口感兴趣区域集合。提取舰船目标的聚合通道特征,并通过聚合通道特征构建的样本训练库和AdaBoost算法完成分类器的训练,利用训练完成后的分类器完成舰船目标的最终判别确认。实验结果表明该算法相较于传统的HOG特征和Haar特征,检测效果良好,准确率和召回率得到较大的提升。

使用聚合通道特征的嵌入式实时人体头肩检测

目的头肩检测由于抗遮挡能力强、计算需求低,常用于复杂场景中的人体检测。针对嵌入式头肩检测中常用的运动检测和手工模型匹配方法检测精度较低、对不同姿态和人体外观适应性较差的问题,提出了使用聚合通道特征的嵌入式实时人体头肩检测方法。方法首先分析多种行人检测与人体姿态数据集,从中生成多姿态、多视角的人体头肩样本集;然后基于图像的聚合通道特征,使用Ada Boost算法通过多个阶段的训练,得到基于增强决策树的头肩图像分类器;接下来,在快速特征金字塔算法的基础上,针对ARM-Linux平台,利用多核并行和单指令多数据流技术,加速图像特征金字塔的计算;最后,进行多线程的滑动窗口检测,利用头肩图像分类器识别每个检测窗口,并通过非极大值抑制(NMS)算法优化检测结果。结果重新标注了INRIA验证数据集中的头肩样本,采用本文训练得到的头肩图像分类器进行检测,通过样本漏检率、每图片平均误检率以及ROC(receiver operating characteristic)曲线评估检测效果。对INRIA数据集中高度≥50像素的头肩目标的对数平均漏检率为16. 61%。此外,采集了不同场景中多种姿态、视角下的头肩图像,以验证分类器的适应性,结果表明该分类器能够良好检测多姿态、多视角、受遮挡以及不同光照情况下的头肩目标。但由于检测器感受野局限于头肩区域,对少量疑似头肩样本的图像区域存在误检测。在嵌入式平台(树莓派3B)中,经过优化的头肩检测程序,对640×480像素分辨率的图像,特征计算耗时约213 ms;对单个包含正样本的检测窗口,分类耗时约2 ms。整体检测效率能够满足视频流实时检测的需求。结论本文基于聚合通道特征进行人体头肩检测,采用种类丰富、标注准确的头肩训练样本,使用Ada Boost算法学习头肩图像的聚合通道特征,得到的头肩图像分类器适应性强,硬件性能要求低,能够良好检测多视角、多姿态的人体头肩图像,并具备在嵌入式平台上实时检测视频流的能力,应用场景广泛。

基于增强聚合通道特征的实时行人重识别

由于目标姿态、摄像头角度、光线条件等因素的影响,行人重识别仍然是一个具有挑战性的问题。目前大多数方法主要注重提高重识别精度,对实时性考虑较少。因此,本文提出了一种基于增强聚合通道特征(ACF)的实时行人重识别算法。利用ACF对行人进行检测,并在此基础上,结合直方图特征和纹理特征构成增强ACF,作为行人重识别的特征描述子。利用测度学习方法对重识别模型进行训练。在4个数据集上的实验结果表明,与传统的重识别特征相比,提出的特征描述子逼近最好的重识别准确率,并且具有更快的计算速度。整个行人检测与重识别系统的运行速度达到10 frame·s^(-1)以上,基本可以满足实时行人重识别的需求。

聚合多通道特征的青光眼自动检测

眼底影像的自动分析是计算机辅助青光眼筛查和诊断的关键基础.为提高青光眼辅助诊断的准确性,基于彩色眼底图,提出一种聚合多通道特征的青光眼自动检测算法.首先基于多尺度分析技术,通过聚合多通道图像特征,从颜色分布、多尺度Gabor滤波和梯度方向分布等方面表示视盘形态和结构在彩色眼底图上的细微变化;然后设计基于随机森林的分类器,在青光眼数据集上训练分类器模型,并利用集成学习技术鉴别青光眼,从而实现一种基于图像特征的青光眼自动检测算法;最后在2个具有挑战性的青光眼公开数据集(RIM-ONE r2和Drishti_GS)上对青光眼检测算法进行测试和验证,分别得到了0.869 0和0.800 4的曲线下面积值.实验结果表明,该算法在保证青光眼检测敏感性的同时能够显著提高其特异性,对青光眼辅助筛查和诊断具有很好的参考价值.

结合聚合通道和复频域特征的防震锤检测算法

为了解决目前输电线路防震锤的检测采用数字图像处理的方法时,受到复杂背景的影响,导致防震锤检测精度偏低的问题,提出一种结合多尺度聚合通道特征(ACF)和复频域特征在图像复杂背景下防震锤的检测算法。首先,引入聚合通道特征,分别提取图像颜色特征、梯度幅值和梯度方向直方图特征金字塔,构建多尺度ACF;同时,使用多方向对偶树复小波变换(M-DTCWT)对图像进行多尺度多方向复频域变换,在分解得到的低频子带图像中提取图像的形状特征和纹理特征;然后,使用Relief-F算法将得到的ACF特征和复频域特征进行加权融合;最后,采用Adaboost分类器和非极大值抑制算法(NMS)实现图像中防震锤的检测。实验结果表明,该算法与传统提取图像的单特征识别方法相比,提高了在复杂背景下对防震锤检测的精度。

基于ACF与PCANet改进通道特征的级联行人检测

针对聚合通道特征(ACF)算法误检窗口多的问题,提出一种由粗到精的级联行人检测算法。采用ACF算法快速粗检,改进通道特征来滤除误检窗口,以每个图像通道学习主成分分析(PCA)滤波器组,代替PCANet从训练图像和卷积图中学习滤波器组,用图像通道进行单层卷积,代替PCANet的双层卷积以降低特征维数,提升对行人的表达能力,并对卷积图池化降维,得到改进的通道特征。仿真结果表明,该算法相对于原ACF算法误检窗口减少,检测率在INRIA、Caltech数据库上分别提高3.8%和17.5%。

结合纹理与轮廓特征的多通道行人检测算法

针对在复杂场景下,聚合通道特征(ACF)的行人检测算法存在检测精度较低、误检率较高的问题,提出一种结合纹理和轮廓特征的多通道行人检测算法。算法由训练分类器和检测两部分组成。在训练阶段,首先提取ACF特征、局部二值模式(LBP)纹理特征和ST(Sketch Tokens)轮廓特征,然后对提取的三类特征均采用Real Ada Boost分类器进行训练;在检测阶段,应用了级联检测的思想,初期使用ACF分类器处理所有实例,保留下来的少数实例应用复杂的LBP及ST分类器进行逐次筛选。实验采用INRIA数据集对算法进行仿真,该算法的平均对数漏检率为13.32%,与ACF算法相比平均对数漏检率降低了3.73个百分点。实验结果表明LBP特征与ST特征能有对ACF特征进行信息互补,从而在复杂场景下去掉部分误判,提高了行人检测的精度,同时应用级联检测保证了多特征算法的计算效率。

基于聚合特征的人群定位与检测分析

提出了一种基于改进视觉背景提取(ViBe)算法与多通道聚合特征的人群定位与检测方法。先通过检测运动目标获得运动目标候选区域,再对候选运动区域使用分类器检测行人目标。针对传统聚合通道特征(ACF)算法在行人头部目标检测过程中存在特征信息描述不强导致误检率较高的问题,提出了一种结合局部二值模式(LBP)通道特征和ACF的人头增强特征信息描述方法;针对非极大值抑制(NMS)算法输出窗口融合误检窗口较多的问题,提出一种基于得分与尺度信息比的改进NMS算法和基于全局得分比的动态阈值方式,有效去除多余干扰误检框。在校园监控数据集和PETS数据集上平均绝对误差(MAE)达到1.88,准确率提升15%,具有更好的检测性能,实验证明所提方法检测性能良好且具有较高的准确性和鲁棒性。

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%。

基于车尾部特征的对车辆的视觉精确定位

在车辆防碰撞预警系统中,对道路前方车辆的检测定位是很重要的研究内容。为了实现对车辆的精确定位,为后续的车距测量服务,本文使用已有的车辆视觉检测方法(AdaBoost和聚合通道特征)对车辆进行初步检测,并利用车辆几何尺寸约束滤除误检结果。在车辆的感兴趣区域内利用车尾部特征(车尾部阴影及车后轮)对车辆进行精确定位。相较于没有添加几何约束的粗定位方法,本文提出的精确定位方法在车辆误检率方面降低了2.28%,在车辆定位的误差均值方面降低了44.58%。实验结果表明:该方法能有效的解决传统车辆检测方法对于车辆定位精确度不高的问题。

视频监控领域深度特征编码的行人检测算法

由于高清视频监控领域现有行人检测算法在复杂背景下检测准确率不高且检测实时性不强,提出了一种新颖的深度特征行人检测算法,该算法利用聚合通道特征模型对监控高清图像进行预处理,筛选出具有显著特性的疑似目标,大大降低目标检测的数量;然后对获取的疑似目标区域进行尺度校正与特征提取,并输入到深度模型中进行深度特征编码,提高特征的表征能力;最后输入到LSSVM分类模型,得到最终的行人检测结果。仿真实验结果显示所提行人检测算法在保证检测准确率的同时,具有较高的检测效率。

具有熵加权HID特征的MACF昼夜分时行人检测算法

针对外部环境的复杂多变性导致基于传统多光谱聚合通道特征(MACF)的行人检测算法漏检率高的问题,在提取红外通道梯度方向直方图(HOG)特征时,利用局部区域的邻域像素强度差异估计和信息熵分析,构建新的熵加权强度差异直方图(EWHID)特征,来加强行人目标边缘轮廓部分对整体特征的贡献程度。针对昼夜不同环境条件下多光谱行人特征存在差异导致误检率较高的问题,利用HSV颜色空间直方图信息建立的检测器对输入图像进行昼夜分类,用训练好的日间和夜间Real Adaboost分类器对图像进行昼夜分时检测。仿真实验结果表明:相比于MACF行人检测算法误检窗口减少,检测精度提升。