基于opencv的行人检测方法

行人检测是机器视觉、图像处理等领域中很多有关应用的关键技术之一,在安防监控、无人汽车驾驶、机器人以及多媒体分析等方面具有广泛的应用前景和潜在的经济价值,因此成为了近年来的研究热点。本文介绍了基于opencv的行人检测方法,利用开源的跨平台计算机视觉库opencv在Visual Studio进行开发,调试及应用。通过提取行人的梯度方向直方图(HOG)特征,并利用事先准备的样本训练出来线性支持向量机(SVM)分类器对提取的行人特征进行分类,建立一种基于梯度方向直方图特征的行人检测系统。实验结果表明本设计符合要求,能够有效地检测出行人。

一种基于OpenCV的人脸轮廓化方法

将人脸图像线条化需要结合人脸定位技术和轮廓提取技术。首先使用色彩空间技术,将人像与背景分离;其次通过Harr分类器进行人脸和五官定位,用局部积分投影修正位置,解决了光照影响问题;最后采用OpenCV的形态学工具,将采用了OTSU二值化的图像轮廓化。

基于Adaboost算法的人脸检测及OpenCV实现

人脸检测是人脸识别等人脸信息处理系统中的关键问题。基于学习的方法中,Adaboost算法的级联检测器结构计算效率高,可以有效检测图像中的人脸。应用开源计算机视觉库(OpenCV)开发了人脸检测系统,该系统给出了直观的人机交互界面,先装载人脸检测分类器,再运用Adaboost算法检测图像中出现的人脸,并用椭圆框标示人脸。文中介绍了Adaboost目标检测算法和系统实验结果,实验结果表明,在OpenCV基础上,采用Adaboost算法可以快速、准确的实现人脸检测。

使用OpenCV的移动平台人脸检测技术研究

面部智能识别系统的前提是在视频流或者图像中实时精准地检测人脸信息。针对人工检测效率低的弊端,设计了一种应用于Android移动平台的实时人脸检测系统,利用OpenCV视觉开发库进行二次开发,详述其设计原理和实现方法,并给出了软件编程实现。测试结果表明,该系统实时性高,在检测速度和准确性方面效果良好,实现了在移动环境下对人脸信息的有效检测和采集。

Android系统下OpenCV的人脸检测模块的设计

针对解决OpenCV人脸检测模块在Android平台编译和移植的问题,提出一种利用JNI技术(Java Native Interface)调用OpenCV以及采用Android NDK(Native Development Kit)生成共享库的目标检测方法。文中从分析利用Android NDK编译Android平台所需要的OpenCV静态库的问题入手,详细阐述了利用JNI调用OpenCV相关函数的具体步骤。经过多次试验,证明该人脸检测模块的平均检测时间为1 280 ms,具有较高的检测速度和检测精度。

简单背景下基于OpenCV的静态手势识别

手势识别是人机交互中极为重要的一项技术,具有较高的理论和实践探究价值。但由于手势所处背景的复杂性、个体的差异性等原因,手势识别成为一个富有挑战性的课题。因此迫切需要设计一种高效准确的手势识别算法,用以对目标手势进行有效的检测和识别。文中提出了一种改进的手势分割和手势特征提取方法,利用SVM分类器构建手势模型,对手势进行分类识别。在YCrCb颜色空间的基础上,融合OTSU阈值处理法选取阈值分割手势,提高分割的准确度;在边缘检测的基础上,使用椭圆傅里叶描述子拟合边缘,提取手势特征。实验结果表明,运用上述算法所建立的系统能够十分高效地提取手势特征信息,且在简单背景下对13种常见手势的平均识别准确率达到89.96%,能够基本满足对手势识别的精确度和稳定性的要求。

基于OPENCV的人眼检测系统

在对司机们的疲劳状态进行监控的系统中,为了能够实现监控的实时性,需要对整个眼部区域实施跟踪,且定位眼睛的大概位置,由此便提出了一种检测方式,即基于OPENCV的人眼检测。系统在Visual Studio开发平台上,利用开源的OPENCV图像处理函数库,对摄像头实时输入的图像进行采集处理,用HAAR特征的ADABOOST分类器算法进行分割定位,再经过多次OPENCV样本训练和检测提高成功率。实验结果显示:此次设计能够成功捕捉人眼的位置,只要五官清晰可见,即使是图片也可以识别出来;当被部分遮挡时,若提前已经检测出轮廓,将不会改变实验结果。

基于SVM和AdaBoost的人脸检测算法

论文提出了一种结合SVM和AdaBoost的人脸检测算法。该算法先根据训练样本中的人脸和非人脸区域训练作为分量分类器的支持向量机(SVM),然后通过AdaBoost算法把这些分量分类器组合成一个总体分类器;再利用该总体分类器来区分测试样本中的人脸和非人脸区域,并得到置信图。最后通过均值漂移算法找到置信图的峰值,得到人脸区域的新位置。实验结果表明,该算法不但提高了识别的正确率,而且大大提高了检测速度。

基于SVM的人脸检测研究

支持向量机(SVM)是在统计学习理论基础上发展起来的一种新的机器学习算法。依据SVM良好识别和泛化能力,实现了一种基于支持向量机的图像人脸识别方法。利用Opencv提取样本类的低层特征,训练具有径向基核函数的SVM分类器,在VS2008和Qt平台下实现识别软件开发。运行结果表明,软件具有良好的图像人脸检测能力。

基于SVM算法的人体坐姿检测系统设计

为了及时监控坐姿,改善身体健康状态,采用计算机视觉的方法设计一种坐姿检测系统,通过对现有的坐姿图像数据集采样,使用OpenCV进行肤色检测等处理手段获取图像特征,将图像特征进行类别标注,生成数据集文件。坐姿检测算法使用SVM和OpenCV级联检测器结合,实现了实时坐姿显示与语音提醒的功能,能够有效的检测不良坐姿,具有一定应用价值。

一种基于SVM的网络不良图像过滤方法

针对网络不良图像过滤的需求,提出一种基于SVM的不良图片快速过滤方法。该方法利用混合肤色模型实现裸露肤色区域的检测,提取人脸位置、形状和图像背景等特征,组成特征向量。用SVM分类器训练得到检测模型,利用这个模型进行判决,有效提高了不良图片的平均识别率。选取实际网络应用中的正常图像与不良图像,其中不良图像的识别率为83.9%,正常图像的识别率为93.4%,误检率为6.6%,平均识别率达到86.6%,实验显示该方法满足实际应用的需求。

基于PCA和SVM分类的跨年龄人脸识别

对不同年龄的人脸进行识别,以ORL人脸库作为数据来源进行特征提取,得到每幅图像对应的矩阵,然后建立PCA主成分分析模型,对人脸特征矩阵进行K-L降维得到基特征脸。最后基于SVM(支持向量机)分类器学习,用Matlab编程对模型进行求解,对人脸进行分类识别。测试仿真结果显示,基于ORL人脸库测得的识别准确率为83.5%,准确度较高,证明该方法有效。

基于SVM的三阶段人脸检测方法的研究与应用

为了提高人脸的检测速度,描述了一种基于SVM的三阶段人脸检测方法,加速了复杂背景下人脸的检测。在该方法中,通过前两个阶段的瀑布型分类器将大量的简单非人脸模块快速过滤掉,并在最后的第三个阶段采用了非线性SVM分类器来更高效地区分24*24像素的人脸或者非人脸图像。

人脸活体特征检测实验平台设计与实现

在VS2013编程环境下,结合OpenCV设计了人脸活体特征检测实验平台。该平台由图像读取、人脸及五官检测、图像分块提取特征和机器学习部分组成。通过分析人脸真实图像与欺骗照片之间的纹理特征差异,实现对人脸真实性的判别。实验平台用于训练分类器的特征是Uniform Pattern LBP特征向量,将该特征应用于活体检测是本实验的创新之处。在该实验平台上对Replay-Attack数据库和实际创建的数据库进行实验,实验结果可以看出平台的准确率及运算速度等方面具有优良的性能。

基于两级分类器的人脸检测系统设计

人脸识别技术拥有广泛的应用前景,但是目前不少实现方式存在一些不尽人意之处。在对OPENCV与SVM分类器进行分析的基础上,阐述了基于两级分类器的人脸检测方法的原理和实现过程,首先分析了两级分类器的构建,引入人脸图像的矩形特征向量,将图像的矩形特征作为分类的依据,随后论述了系统设计与实现,包括灰度变换过程、直方图均衡过程、图像平滑过程以及金字塔序列化的实现。这种检测模式能够加快处理速度,提升效率。

基于眼睛闭合状态的驾驶疲劳检测方法

驾驶疲劳检测是预防驾驶疲劳提高交通安全的有效手段。以视频图像处理为基础,采用Open CV中的Haar分类器,对驾驶人人脸、人眼进行检测;以基于PERCLOS的疲劳检测算法为基础,提出"双眼检测、单眼疲劳判别"的疲劳检测方法,在PC机Visual Studio集成开发环境下,采用C++编程语言设计了驾驶疲劳检测仿真程序;通过输入驾驶人模拟疲劳驾驶视频,仿真实现了驾驶人人脸检测、眼睛闭合状态检测、驾驶疲劳检测以及疲劳状态声音预警。

基于改进Adaboost人脸检测算法的研究及DSP实现

在Adaboost人脸检测算法的基础上,通过将所有的特征值排序并构建一个次序表,并使用改进Adaboost权值更新算法和分类误差计算方法,训练分类器并检测样本图像,达到了减少训练分类器耗时、提高检测率和降低误检率的效果.最后在DSP上实现了人脸检测系统,验证了改进系统在实时性能上得到较大的改善.

基于肤色及AdaBoost算法的自动调焦人脸检测

提出一种结合肤色检测和AdaBoost算法的自动调焦实时人脸检测方法。采用肤色信息定位皮肤区域,针对AdaBoost算法对待检人脸尺寸小于训练样本人脸尺寸时检测率低的缺陷,并采用自动调焦算法调整图像大小后再利用Ad-aBoost算法进行人脸检测。实验结果表明,结合肤色信息和自动调焦后的AdaBoost算法性能较传统AdaBoost算法有明显提高,同时对小人脸图像也有更好的检测效果。

基于级联支持向量机融合多特征的人脸检测

人脸图像中包含丰富的特征信息,不同特征具有其各自的优势。基于此,提出一种基于级联支持向量机有效融合多种特征的人脸检测算法。该算法首先利用肤色模型对待检图像进行预处理,筛选出疑似人脸区域。然后在疑似区域中提取图像的HOG(Histogram of Oriented Gradients)和LBP(Local Binary Patterns)特征,并分别对这两种特征集进行特征选择,训练两个SVM(Support Vector Machine)分类器,最后将两个SVM分类器级联起来实现人脸检测。在多个人脸图像数据库上的实验结果表明,该人脸检测算法提高了人脸检测率,降低了误检率,并且对多种光照条件、姿态、表情以及部分遮挡的情况都具有较好的鲁棒性。

人体姿势状态判决的跌倒检测方法

提出了一种基于视频人体运动状态判决的的跌倒检测方法,该方法由运动目标检测、目标运动跟踪和目标运动行为识别三部分组成。在运动目标检测方面采用两次目标框选策略提高目标检测精度;利用目标运动轨迹的连续性,具体为利用上一帧运动物体的中心坐标信息来降低目标跟踪的计算复杂度。采用两级支持向量机(SVM)决策的方法实现目标运动行为的识别:第一级SVM分类器利用高宽比等运动物体特征将人体的直立姿态与非直立姿态进行区分;第二级SVM分类器利用Zernike矩特征等特征将人体的跌倒状态从非直立状态中区分出来。初步实验测试表明所提出的跌倒检测算法的性能与光照条件、跌倒方式、摄像头的架设方式均有密切关系,平均正确检测率为88.7%。