基于SURF与Hough森林的人脸检测研究

为实现复杂场景中的人脸检测与定位,提出了一种基于快速鲁棒特征SURF与Hough森林的人脸检测算法。采用SURF局部特征构建Hough森林分类器,每个叶子节点存储类别信息与特征点到达目标中心的偏移量,在图像局部外观与Hough投票之间建立映射关系,生成有监督的判别式的码本,获得可靠的概率Hough投票,以此预测目标中心位置,提高了检测精度。与此同时,采用SURF局部特征提取图像兴趣点有助于减小计算量、加快检测速度。实验证明了所提算法的有效性。

基于改进Hough森林的对象检测方法

基于Hough森林的对象检测是隐式形状模型(ISM)的改进,它借助随机森林完成广义Hough变换。为了进一步提高其检测效果,充分利用训练图像中对象位置是已知的知识,改进了经典的偏移量不确定性度量方法,并优化随机森林的投票,使在Hough空间中真正对象的位置获得更多投票和更高的投票值。实验验证了该方法相比于经典的方法,具有更准确的对象检测效果。

优化Hough森林代价损失的目标检测方法

应用Hough森林进行目标检测,并对经典Hough森林存在的不足进行改进.借助Boosting算法的思想,学习图片块样本和目标对象样本的自适应权重分布,并分别优化用于构造随机树和Hough森林的代价损失函数;最后根据图片块样本的权重分布,提出了改进的类标志不确定性度量方法.基于Hough森林的代价损失函数,还提出了随机树权重的学习方法.实验结果表明,本文所建议的方法相比于其他方法具有更高的目标检测性能.

基于Hough森林的多特征快速行人检测

为了快速检测行人,根据人体头顶特性快速找出头顶候选点,依此为基点利用边缘检测算法提取目标轮廓,将其作为待测区域;然后利用改进的颜色自相似特征、结合区域边缘直方图和一致模式LBP26,1特征,在Hough森林分类器上进行分类检测。实验结果表明,该算法在检测正确率及速率方面都得到了提高,对于复杂动态场景、遮挡现象以及目标自身形变具有较强的鲁棒性和较高的准确性,在多种行人数据集中测试取得良好的效果。

基于Hough森林算法的遥感影像目标检测

在遥感影像飞机目标检测中,由于目标训练样本的局限性及遥感影像尺寸较大带来的复杂性,直接使用级联式Adaboost算法会产生较多的虚警,因此需要采取一定手段去除虚假目标。近来,Hough森林算法因其简单而有效的表现在目标检测中有较多的应用。然而,直接使用Hough投票机制应用于遥感影像全图,时间耗费比较大。因此,本文将两种算法结合起来,首先由级联Adaboost算法检测出候选目标区域,然后通过改进的Hough森林算法对这些候选目标区进行二次筛选。在二次筛选中,由于初检已经确定目标的可能位置,因此不需要对全图的图像块进行位置投票,只需用对该区域作目标存在可能性评价,降低了时间消耗。试验表明,本文方法不仅能很好地去除虚假目标,同时也保证了检测时间的有效性。