基于Haar特征的Adaboost算法的猪脸检测

为了能够更好地帮助猪场养殖户对猪场进行日常信息管理和全流程追溯,利用基于Haar特征的Adaboost算法对猪脸进行检测。检测方法如下:首先对采集的猪脸图像进行灰度处理,去除噪声;其次利用Adaboost算法搭建模型,训练出可以区分猪脸的弱分类器,这些弱分类器通过优化后再级联到一起构成强分类器;再次采用Haar特征来计算样本中对应的特征值信息;最后对图像进行多次缩放保证进行猪脸检测时能够捕捉到足够的信息。实验结果表明,与传统的主成分分析法相比,基于Haar特征的Adaboost算法生成的猪脸分类器能够更好地进行猪脸检测,在运行速度和检测准确率上都有较大提升。

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.

扩展Haar特征检测人眼的方法

人眼检测在人脸识别中起着非常重要的作用,其检测的准确性可以有效地提高人脸识别率。该文扩展了一种Haar特征,并基于该特征运用Adaboost算法对人眼进行准确检测。首先基于扩展的Haar特征运用Adaboost算法检测到眼睛和眉毛的粗轮廓,然后将粗轮廓的灰度图像制成模板,最后与眼睛和眉毛非常相似的图像样本进行匹配,从而准确检测到人眼。该方法有效地避免该由于眼睛和眉毛非常相似而引起的误判。

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Haar特征的前车识别算法

本文中根据智能交通系统对于前方车辆识别的需求,提出一种前车识别算法。首先利用特征检测法设计了基于Haar特征的车辆级联分类器,对车辆的尾部特征进行有效识别;然后针对真实复杂道路测试中出现的重复识别、噪声、漏检和受限于分辨率而难以识别远距离目标等问题,改进了算法;最后再次进行了实验和分析。结果表明,改进后的算法能有效利用车载摄像头实时识别复杂背景下的前方行驶车辆,便于在智能交通系统中应用。

基于Haar特征的Turbo-Boost表情识别算法

针对AdaBoost在使用Haar特征时的局限性,提出了Turbo-Boost算法.该算法经过两轮AdaBoost迭代,先从原始的Haar特征空间中筛选出F维主要特征子空间,再从中训练T>F个弱分类器,以进行最终的表情识别.在CAS-PEAL-R1表情库上的10折交叉验证结果表明,Turbo-Boost算法可显著提升识别性能,对微笑、皱眉、惊讶、张口和闭眼5类表情的总体识别准确率达到了93.6%.此外,该算法的识别速度快,可满足实时识别的需要.

基于类Haar特征模板匹配的多镜头步态识别算法

针对视频监控中步态识别算法准确度较低的问题,提出一种双边傅里叶校正点估计类Haar特征模板匹配的多镜头步态识别算法。根据视频监控的特点,使用图像点估计重构算法,设计一种无标记类Haar特征模板匹配的步态特征提取算法,进行步态的自动识别与提取。对不同镜头视角下特征运动角度提取差异,基于双边傅里叶级数实现观测角度校正,并依据高维特征空间设计自适应顺序前进浮动选择的搜索算法。在Southampton测试库上的仿真结果表明,该算法步态正确分类率达到96.3%,能有效提高分类识别精度。

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。

Haar特征耦合级联分类器的车道线检测算法

为提高复杂环境下的车道线检测精度,设计基于Haar特征耦合级联分类器的车道线检测方案。对输入图像进行尺度缩放,根据消失线位置提取感兴趣区域(region of interest,ROI);从该ROI中提取车道线的Haar特征,引入级联的车道线分类器,对ROI中的车道线进行粗检测;借助线段检测器(line segment detector,LSD),对粗检测结果进行线拟合;结合生长策略与几何检查来优化拟合结果,完成目标检测。在多个数据集上进行测试,测试结果表明,与当前的车道线检测方法相比,所提算法具有更高鲁棒性与准确率,可达96.5%。

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OpenCV和Haar特征分类器的图像人数检测

研究一种基于OpenCV和Haar特征检测固定区域图像中人数的方法。通过选取大量含有人的Haar特征的样本图片,利用OpenCV训练出分类器,并通过实验深入分析选取的样本对分类器识别性能(即检测效果)的影响,最终选取人的头肩部上半身样本训练分类器,并在1 500张640pix×480pix待检图像(共计人数17 294人)的检测实验中达到93.9%的识别准确率,平均检测时间小于323ms。

局部二元Haar特征Kadane多阈值AdaBoost面部分类识别

针对面部分类检测识别过程中,存在的纹理形状特征表征及分类识别算法精度不高的问题,提出一种基于局部二元Haar特征表示的Kadane优化多阈值AdaBoost面部分类识别算法.首先,利用图像局部二元模式对传统的Haar特征表达形式进行改进,提高图像模型的纹理形状特征表达能力;其次,针对单阈值弱学习算法不能充分利用局部二元Haar特征信息,造成分类精度较低的问题,提出基于Kadane优化的多阈值AdaBoost分类器,实现局部二元Haar特征表示下的面部高精度识别;最后,通过实验对比显示,所提算法的面部有效识别率可达90%以上,要优于选取的对比算法.

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。

基于HAAR特征与BP神经网络的车牌识别技术研究

车牌识别技术运用OpenCV计算机开源机器视觉库,对图像进行处理提取出图像中蕴含的车牌信息,达到车牌识别的目的。通过运用HAAR特征,训练出AdaBoost分类器查找图片中的车牌区域,同时运用Sobel算子进行边缘检测等操作查找车牌区域,最终运用支持向量机(SVM)算法进行两种定位的疑似车牌区域的最终确认;确认后的车牌区域进行字符分割等操作进行字符的分离;最后运用训练的反向传播(BP)神经网络进行字符的识别并最终输出车牌信息。研究结果显示,车牌识别的效率很高,拥有一定的使用价值。

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.

基于扩展Haar特征的AdaBoost人脸检测算法

对于常用的基于Haar特征的AdaBoost人脸检测算法存在漏检率与误检率高等不足,增加了Haar特征的扩展种类,这些新增Haar特征能够有效减少因眉毛与眼睛灰度值近似而引起的误判,同时去除一些针对人脸分辨效果不好的特征来提高算法的实时性,深入分析了利用Haar特征与AdaBoost算法构成的级联分类器的特点.实验数据结果验证了改进后算法的可行性.

一种融合肤色和Haar特征的人脸检测方法

针对彩色图像提出了一种融合肤色与Haar特征的人脸检测方法。分别利用基于肤色模型和基于Haar特征的方法检测低像素图像和多人图像,在此基础上再次用基于肤色模型的方法进行后验证处理降低误检率。在Caltech Faces 1999 Database人脸库和自建人脸库上分别进行实验,结果表明,所提方法具有更优的检测效果。

基于Haar特征的中文车牌识别系统

提出了一种基于Haar特征的车牌识别方案,利用Haar特征可靠性高、计算复杂性低和容错性强等方面的特点,能够对含有噪声的中文车牌图像快速准确识别,并在Python和OpenCV开源环境下设计和实现了该方案。实验结果证明该方案具有识别率较高(94%)、识别时间短(单字符低于0.02 s,全车牌低于0.63 s)和鲁棒性强等特点,可应用于实际智能交通控制。

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。