基于BING和HOG-LSS特征的行人检测算法研究

近年来,基于计算机视觉技术的行人检测方法一直是智能交通领域研究的热点问题之一。基于HOG和局部自相似(LSS)特征融合的行人检测算法在检测效果上优于传统HOG特征的行人检测算法,但是同时也存在如下挑战:1) 算法检测的速度不够快;2) 在遮挡面积过大的情况下,无法有效地进行处理。针对这些挑战问题,本文提出了一种使用BING特征、HOG-LSS特征和数据轨迹融合的行人检测优化框架,并通过对实验结果进行验证可知,检测效果优于HOG-LSS特征的行人检测方法。

基于融合特征及改进二值化规范梯度特征技术的车辆识别算法

针对高速公路视频监控中基于单一形状特征的车辆检测算法出现较多的误检,且运用支持向量机(SVM)滑动窗口检测存在耗时大的问题,提出一种基于快速提取物体目标候选窗口的融合HOG-LBP特征的车辆检测方法。首先基于二值化规范梯度特征(BING)方法及背景差分快速提取车辆候选窗口,再计算候选窗口图像的方向梯度直方图(HOG)特征和局部二值模式(LBP)特征并进行特征融合,结合SVM分类器进行车辆检测。实验结果表明,融合形状和纹理特征能够有效提高车辆检测性能,而通过快速提取候选窗口可以将SVM检测速度提升8倍左右,满足工程实时性要求。

基于背景感知的显著性目标检测算法

在显著性目标检测算法中,流形排序的检测方法存在先验背景假设和目标检测不完整的问题.针对该问题,在流形排序算法基础上,融入背景鉴别、BING特征估计和权重调整,提出了一种基于背景感知的显著性目标检测算法.首先,通过计算颜色聚类后的边界区域的综合差异度,得到真实背景种子点,从而感知到真实背景区域;再结合图像的BING特征与初始显著图信息,获取目标位置,从而得到完整的前景种子点区域;然后重构前景区域的图模型且利用加权k-壳分解法,来调整前景区域节点之间的连接权重,进而获得清晰的目标边界.实验结果表明,同当前经典的一些算法比较,本文算法在准确率、召回率、F-measure和平均MAE上都优于其余算法.