CN106803080B - 一种基于形状玻尔兹曼机的补全式行人检测方法 - Google Patents
一种基于形状玻尔兹曼机的补全式行人检测方法 Download PDFInfo
- Publication number
- CN106803080B CN106803080B CN201710052873.0A CN201710052873A CN106803080B CN 106803080 B CN106803080 B CN 106803080B CN 201710052873 A CN201710052873 A CN 201710052873A CN 106803080 B CN106803080 B CN 106803080B
- Authority
- CN
- China
- Prior art keywords
- target
- layer
- shape
- boltzmann machine
- classifier
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Abstract
本发明公开了一种基于形状玻尔兹曼机的补全式行人检测方法。使用本发明能够解决监控环境下行人检测遮挡的问题。本发明首先通过分类器对图像中行人目标进行初步检测,然后使用形状玻尔兹曼机将行人检测中的遮挡定义为一个连续遮挡的过程,将非完备的检测方法转变为完备的检测方法,满足在监控条件下可能发生的各种遮挡情况;最后基于人体物理模型,使用多级直方图对形状补全后的目标进行匹配度测试,评估目标补全部分与原始部分的匹配程度。通过将支持向量机的预测概率值与目标补全匹配度结合,能够将假正例(FP)与假反例(FN)两种错误分类向相反的方向拉伸,最大程度上降低漏检率和虚警率,提高算法的鲁棒性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于形状玻尔兹曼机的补全式行人检测方法。
背景技术
随着视频监控的迅速发展,从监控摄像头获得到的视频分辨率越来越高,存储压力和传输压力也越来越大,由此引发的对于监控视频处理要求也越来越高。其中,对于监控视频下的行人检测是一个十分重要的研究方向,尤其是对于步行区域等地方的人流分析、城市安全保障以及异常行人检测与分析等均有重要意义。同时,因为行人目标是非刚体,这就意味着目标可以有多种表现形式,这种非刚体的特性以及目标之间的相互遮挡为行人的检测带来了挑战。
在行人检测领域里主要分为三类方法:一类是基于模型的方法,包括可变部件模型及其各种加速算法等。这种方法使用的基本特征是hog(梯度直方图)特征,将目标看做一个可变弹簧模型,通过滑动窗口的方式对目标进行检测,能够较好的解决非刚体形变的问题。但是随着图像的分辨率越来越高,这种方法的计算量呈几何倍数增加。并且在目标之间没有遮挡时,其准确度相比单一模型准确率和虚警率都有降低。第二类方法是基于决策森林的方法,主要集中多通道特征上,每一个通道是独立的特征,通过决策森林集中多个弱分类器最终得到检测目标,决策森林能达到目前比较好的效果,并且采用积分图计算特征,使得计算实时性能够保证。决策森林的思想目前能达到最好的方法是采取10个通道的:6个梯度方向、1个梯度幅值和3个颜色通道,称作hog+luv。决策森林的思想限制在于目前采用的特征均为手工特征,并且目前10通道特征的方法不能被解释。第三类方法是基于深度学习的方法,主要方法是卷积神经网络,随着拍摄设备的普及,数据量爆发增长,很容易得到成千上万的数据,这就为使用深度学习提供了基础,但是深度学习目前的问题在于可解释性及参数调节上。在数据库中的效果很好,但是放到实际的场景中,由于视角,目标形变等原因检测效果大打折扣。
同时对于行人检测中遮挡问题的解决主要是两类:第一类是通过训练frankclassifier将行人目标特征从左至右,从上到下进行非连续切割。第二类是在深度神经网络中通过赋予隐层不同的遮挡类型,使得隐层具有检测相应遮挡问题的功能。但是这两种方法对于遮挡问题的解决是一个非完备、非连续的过程,尤其是在监控环境下,遮挡问题多种多样。
发明内容
有鉴于此,本发明提供了一种基于形状玻尔兹曼机的补全式行人检测方法,能够解决监控环境下行人检测遮挡的问题。
本发明的基于形状玻尔兹曼机的补全式行人检测方法,包括如下步骤:
步骤1,从监控图像训练集中人工提取行人目标切片图;
步骤2,根据监测视角的变化,将步骤1得到的所有目标分为不同视角的子集;提取各子集中目标的多尺度hog特征;利用各子集的多尺度hog特征对子集对应视角的分类器进行训练,得到各视角的训练好的分类器;分类器的输出为是否是行人的概率;其中,分类器中的负样本为背景信息,正样本为行人目标的多尺度hog特征;
步骤3,利用步骤2得到的不同视角的训练好的分类器分别对待检测图片进行滑动窗口检测,在同一滑窗位置上以不同分类器得到的预测概率值中的最大值作为该滑窗位置的预测概率值P,并以获得最大值的分类器所对应的视角为该滑窗位置处对应切片图的视角;
步骤4,将预测概率值位于[0.4,0.8]区间的滑窗位置对应的切片图做进一步处理:将这些切片图转变为灰度图,通过形状玻尔兹曼机对这些切片图进行目标补全处理;
步骤5,针对步骤4补全后的目标切片,求取目标的多级直方图;将目标多级直方图和预先获得的与切片视角相同的行人标准多级直方图进行L2范数匹配,并将匹配结果归一化到-0.4至0.4之间;
其中,所述目标多级直方图的获取方式为:根据人本身的物理形状特征及视角,将人从头部开始由上至下等分为5部分,对每一部分求基于轮廓内二值的直方图,将每一部分的直方图依次拼接为一个目标多级直方图;
步骤6,将步骤5得到的归一化后的匹配结果和步骤3获得的相应切片图的预测概率值P相叠加,得到该切片图的最终预测概率值;
步骤7,将步骤6获得的最终预测概率值与设定阈值进行比较,确定目标是否为行人目标。
进一步地,采用高斯金字塔提取多尺度hog特征。
进一步地,所述多尺度hog特征的提取方法如下:
首先,构建图像I的N/K层高斯金字塔,然后提取N/K层高斯金字塔的各层特征;在N/K层高斯金字塔中相邻的第h层与第h+1层之间设置K-1层,形成N层高斯金字塔;其中,N/K层高斯金字塔中第h层与第h+1层之间的K-1层的特征由公式(I)计算得到:
f(I,s+h)≈f(I,h)e-λs (I)
其中,h=1,2,…,N/K;s=1,2,…,K-1;f(I,s+h)为图像I的第s+h层的特征,所述s+h层位于第hN/K层与第(h+1)N/K层之间;f(I,h)为第h层的特征;λ是经验值,取1.099;K取值为3~10,N为需要构建的高斯金字塔的总层数;
由此,得到最终的N层高斯金字塔各层的特征,所述最终的N层高斯金字塔各层特征的集合即为多尺度hog特征。
进一步地,所述分类器为:支持向量机、随机森林、决策树或ADABOOST。
进一步地,采用RBF-SVM支持向量机,其核函数选择histogram intersectionkernel。
进一步地,所述步骤3中,滑动窗口的步长设置为1到8之间。
进一步地,所述步骤4中,事先对形状玻尔兹曼机进行训练,训练方法为:利用各视角下完整的目标切片,采用基于gibbs采样的梯度下降法,对形状玻尔兹曼机进行训练。
进一步地,所述步骤2中,利用监控图像测试集对训练好的分类器进行测试,如果分类器在测试集中的准确率小于70%,则修改分类器参数,重复步骤2,重新训练,直到分类器在测试集中的准确率大于或等于70%,得到最终的训练好的分类器,执行步骤3。
进一步地,对监控图像测试集中的图像进行基于形状玻尔兹曼机的补全式行人检测,如果补全式检测结果在测试集中的准确率小于90%,则修改形状玻尔兹曼机参数,重新对切片图的目标进行补全,执行步骤5~7,直到基于形状玻尔兹曼机的补全式检测结果在测试集中的准确率大于或等于90%,得到最终的形状玻尔兹曼机参数。
有益效果:
本发明首先通过分类器对图像中行人目标进行初步检测,然后使用形状玻尔兹曼机将行人检测中的遮挡定义为一个连续遮挡的过程,将非完备的检测方法转变为完备的检测方法,满足在监控条件下可能发生的各种遮挡情况;最后基于人体物理模型,使用多级直方图对形状补全后的目标进行匹配度测试。这种匹配方式能够根据人体每一部分的灰度直方图的特性评估目标补全部分与原始部分的匹配程度。通过将支持向量机的预测概率值与目标补全匹配度结合,能够将假正例(FP)与假反例(FN)两种错误分类向相反的方向拉伸,最大程度上降低漏检率和虚警率,提高算法的鲁棒性。
本发明对多尺度特征构建方法进行改进,避免了在构建特征时因为图像缩放或者特征缩放而造成的对目标描述不准确和计算复杂度高的问题。
附图说明
图1为本发明的流程图。
图2为本发明形状玻尔兹曼机示意图。
图3为本发明形状玻尔兹曼机目标补全流程图。
图4为本发明多级直方图生成示意图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供了一种基于形状玻尔兹曼机的补全式行人检测方法,本发明流程如图1所示,具体包括如下步骤:
将所有的监控图像分为训练集和测试集,训练集用来训练分类器,测试集用来在验证训练好的分类器。
步骤一、从监控图像训练集中人工提取行人目标切片图。
训练集中记录每一幅图像中行人目标的坐标[x,y,w,h]。其中[x,y]为目标框左上角坐标,[w,h]为目标框宽和高。该坐标所框取的切片图即为行人目标切片图。
步骤二、根据监测视角的变化,以60度为一个单元,将训练集中的目标分为6个视角的子集。一个子集对应一个视角。
步骤三、针对每个子集,提取行人目标的多尺度hog(梯度直方图)特征。每个分类器对应一个视角,利用各子集的多尺度hog特征对子集对应视角的分类器进行训练,得到各视角的训练好的分类器。分类器的输出为是否是行人的概率。
在训练时,除了作为正样本的行人目标的多尺度hog特征,还需要包括负样本。负样本是背景信息,也是从监控图像训练集中获取,具体为获取监控图像中不包含行人的切片图,并提取多尺度hog特征,即为背景信息。
其中,所述分类器可以为:支持向量机、随机森林、决策树或ADABOOST。本实施例采用RBF-SVM支持向量机,其核函数选择histogram intersection kernel,RBF-SVM支持向量机易于训练,且histogram intersection kernel核函数对于直方图类特征敏感。
多尺度特征提取是一个离线的过程,传统方法采用图像高斯金字塔或特征高斯金字塔进行多尺度特征提取;但是随着数据的增多与分辨率的增加,传统的多尺度特征方法,如对图像本身进行缩放或者对特征进行缩放,其一计算复杂度会几何倍数提升;其二得到的特征因为经过高斯金字塔模糊,造成特征模糊,不稳定。
因此,本发明还对多尺度特征提取进行了改进,利用图像高斯金字塔中各层特征之间的关系,估计层间特征,能够最大限度的保留每个尺度上特征的本质,保证信息熵。具体方法如下:
首先,构建图像I的N/K层高斯金字塔,然后提取N/K层高斯金字塔的各层特征。在N/K层高斯金字塔中相邻的第h层与第h+1层之间设置K-1层,形成N层高斯金字塔;其中,N/K层高斯金字塔中第h层与第h+1层之间的K-1层的特征由公式(I)计算得到:
f(I,s+h)≈f(I,h)e-λs (I)
其中,h=1,2,…,N/K;s=1,2,…,K-1;f(I,s+h)为图像I的第s+h层的特征,所述s+h层位于第hN/K层与第(h+1)N/K层之间;f(I,h)为第h层的特征;λ是经验值,取1.099;K取值为3~10,N为需要构建的高斯金字塔的总层数;
由此,得到最终的N层高斯金字塔各层的特征,所述最终的N层高斯金字塔各层特征的集合即为多尺度hog特征。
这样可以解决计算复杂度呈几何倍数提升的问题,也可以解决特征因为高斯函数模糊造成的特征模糊、不稳定的问题。
其中,为了进一步提高支持向量机的检测准确率,可以采用测试集对训练好的支持向量机进行测试,如果支持向量机在测试集中的准确率小于70%,则修改支持向量机参数,重复步骤三,重新训练,直到支持向量机在测试集中的准确率大于或等于70%,得到最终的训练好的分类器,执行步骤四。
步骤四、通过步骤三得到的不同视角的训练好的支持向量机分别对待检测图像进行滑动窗口检测,记录每一个滑窗位置的预测概率值,并在同一滑窗位置上以不同分类器得到的预测概率值中的最大值作为该窗口的预测概率值,记为预测概率值P,并以获得最大值的分类器所对应的视角为该滑窗位置处对应切片的视角。
其中,滑动窗口的步长设置为1到8之间。
步骤五、将预测概率值区间为0.4至0.8之间的滑窗位置对应的切片图做进一步处理。将这些滑动窗口对应的切片图转变为灰度图,通过形状玻尔兹曼机对这些切片图进行目标补全处理。
表1为目标检测方法中检测结果与实际结果之间的关系,True Positive(真正例)与True Negative(真反例)为正确的检测结果,False Negative(假反例)与FalsePositive(假正例)为错误的检测结果。
概率值为0.4~0.8的检测结果主要集中在False Negative(假反例)与FalsePositive(假正例)中。本发明将分类器的预测概率值与基于形状玻尔兹曼机的目标补全匹配度结合,将False Negative(假反例)与False Positive(假正例)两种错误分类向相反的方向拉伸,最大程度上降低漏检率和虚警率,提高算法的鲁棒性。
表1目标检测中预测结果与实际结果关系
图2为本发明形状玻尔兹曼机示意图。图3为形状玻尔兹曼机目标补全流程图。玻尔兹曼机作为深度神经网络中的基本组成单元,有多种实现方式,包括受限玻尔兹曼机与深度玻尔兹曼机等。在这里使用深度玻尔兹曼机中的形状玻尔兹曼机对目标进行补全。形状玻尔兹曼机包含两个隐层,h1与h2,相对于深度玻尔兹曼机来说,不同之处在于:h1层对于可视层为非全连接,h2层对于h1层为全连接。
需要事先对形状玻尔兹曼机进行训练:利用各视角下完整的目标切片,采用基于gibbs(吉布斯)采样的梯度下降法,对形状玻尔兹曼机进行训练,训练目标梯度为:
其中v为可视层,h1,h2为隐层,Θ={b,W1,W2,c1,c2};b为偏置项,{W1,c1}为h1层的权重参数,{W2,c2}为h2层的权重参数。
步骤六、将步骤五得到的目标补全后的信息进行目标补全结果分析,通过计算原始部分与拼合部分的匹配度。匹配度分析采用的方法是针对目标的多级直方图匹配方法。
图4为本发明多级直方图生成示意图。
根据人本身的物理形状特征及视角,将人从头部开始从上至下等分为5部分,对每一部分求基于轮廓内二值的直方图,将每一部分的直方图依次拼接为一个多级直方图。
将补全后切片的目标的多级直方图和预先获得的与切片视角相同的行人标准多级直方图进行L2范数匹配,归一化到-0.4至0.4之间。
步骤七、将步骤六得到的归一化后的匹配结果和步骤四获得的相应切片图的预测概率值P相叠加,得到对应切片的最终预测概率值。
步骤八,将步骤6获得的最终预测概率值与设定阈值进行比较,确定目标是否为行人目标。
为了提高最终的目标检测率,可以采用测试集对基于形状玻尔兹曼机的补全式行人检测方法进行测试,如果补全式检测结果在测试集中的准确率小于90%,则修改形状玻尔兹曼机参数,重新对切片图的目标进行补全,执行步骤六至八,直到基于形状玻尔兹曼机的补全式检测结果在测试集中的准确率大于或等于90%,得到最终的形状玻尔兹曼机参数。然后用最终的形状玻尔兹曼机参数进行补全,得到最终的目标最终的概率预测值。
自此,就完成了监控环境下的行人检测。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于形状玻尔兹曼机的补全式行人检测方法,其特征在于,包括如下步骤:
步骤1,从监控图像训练集中人工提取行人目标切片图;
步骤2,根据监测视角的变化,将步骤1得到的所有目标分为不同视角的子集;提取各子集中目标的多尺度hog特征;利用各子集的多尺度hog特征对子集对应视角的分类器进行训练,得到各视角的训练好的分类器;分类器的输出为是行人的概率;其中,分类器中的正样本为行人目标的多尺度hog特征,负样本为背景信息;
步骤3,利用步骤2得到的不同视角的训练好的分类器分别对待检测图片进行滑动窗口检测,在同一滑窗位置上以不同分类器得到的预测概率值中的最大值作为该滑窗位置的预测概率值P,并以获得最大值的分类器所对应的视角为该滑窗位置处对应切片图的视角;
步骤4,将预测概率值位于[0.4,0.8]区间的滑窗位置对应的切片图做进一步处理:将这些切片图转变为灰度图,通过形状玻尔兹曼机对这些切片图进行目标补全处理;
步骤5,针对步骤4补全后的目标切片,求取目标的多级直方图;将目标多级直方图和预先获得的与切片视角相同的行人标准多级直方图进行L2范数匹配,并将匹配结果归一化到-0.4至0.4之间;
其中,所述目标多级直方图的获取方式为:根据人本身的物理形状特征及视角,将人从头部开始由上至下等分为5部分,对每一部分求基于轮廓内二值的直方图,将每一部分的直方图依次拼接为一个目标多级直方图;
步骤6,将步骤5得到的归一化后的匹配结果和步骤3获得的相应切片图的预测概率值P相叠加,得到该切片图的最终预测概率值;
步骤7,将步骤6获得的最终预测概率值与设定阈值进行比较,确定目标是否为行人目标。
2.如权利要求1所述的基于形状玻尔兹曼机的补全式行人检测方法,其特征在于,采用高斯金字塔提取多尺度hog特征。
3.如权利要求2所述的基于形状玻尔兹曼机的补全式行人检测方法,其特征在于,所述多尺度hog特征的提取方法如下:
首先,构建图像I的N/K层高斯金字塔,然后提取N/K层高斯金字塔的各层特征;在N/K层高斯金字塔中相邻的第h层与第h+1层之间设置K-1层,形成N层高斯金字塔;其中,N/K层高斯金字塔中第h层与第h+1层之间的K-1层的特征由公式(I)计算得到:
f(I,s+h)≈f(I,h)e-λs (I)
其中,h=1,2,…,N/K;s=1,2,…,K-1;f(I,s+h)为图像I的第s+h层的特征,所述s+h层位于第hN/K层与第(h+1)N/K层之间;f(I,h)为第h层的特征;λ是经验值,取1.099;K取值为3~10,N为需要构建的高斯金字塔的总层数;
由此,得到最终的N层高斯金字塔各层的特征,所述最终的N层高斯金字塔各层特征的集合即为多尺度hog特征。
4.如权利要求1所述的基于形状玻尔兹曼机的补全式行人检测方法,其特征在于,所述分类器为:支持向量机、随机森林、决策树或ADABOOST。
5.如权利要求4所述的基于形状玻尔兹曼机的补全式行人检测方法,其特征在于,采用RBF-SVM支持向量机,其核函数选择直方图交叉核。
6.如权利要求1所述的基于形状玻尔兹曼机的补全式行人检测方法,其特征在于,所述步骤3中,滑动窗口的步长设置为1到8之间。
7.如权利要求1所述的基于形状玻尔兹曼机的补全式行人检测方法,其特征在于,所述步骤4中,事先对形状玻尔兹曼机进行训练,训练方法为:利用各视角下完整的目标切片,采用基于gibbs采样的梯度下降法,对形状玻尔兹曼机进行训练。
8.如权利要求1所述的基于形状玻尔兹曼机的补全式行人检测方法,其特征在于,所述步骤2中,利用监控图像测试集对训练好的分类器进行测试,如果分类器在测试集中的准确率小于70%,则修改分类器参数,重复步骤2,重新训练,直到分类器在测试集中的准确率大于或等于70%,得到最终的训练好的分类器,执行步骤3。
9.如权利要求8所述的基于形状玻尔兹曼机的补全式行人检测方法,其特征在于,对监控图像测试集中的图像进行基于形状玻尔兹曼机的补全式行人检测,如果补全式检测结果在测试集中的准确率小于90%,则修改形状玻尔兹曼机参数,重新对切片图的目标进行补全,执行步骤5~7,直到基于形状玻尔兹曼机的补全式检测结果在测试集中的准确率大于或等于90%,得到最终的形状玻尔兹曼机参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710052873.0A CN106803080B (zh) | 2017-01-24 | 2017-01-24 | 一种基于形状玻尔兹曼机的补全式行人检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710052873.0A CN106803080B (zh) | 2017-01-24 | 2017-01-24 | 一种基于形状玻尔兹曼机的补全式行人检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106803080A CN106803080A (zh) | 2017-06-06 |
CN106803080B true CN106803080B (zh) | 2019-12-31 |
Family
ID=58987171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710052873.0A Active CN106803080B (zh) | 2017-01-24 | 2017-01-24 | 一种基于形状玻尔兹曼机的补全式行人检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106803080B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403192B (zh) * | 2017-07-18 | 2020-09-29 | 四川长虹电器股份有限公司 | 一种基于多分类器的快速目标检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1952953A (zh) * | 2006-11-16 | 2007-04-25 | 上海交通大学 | 基于受限玻尔兹曼机神经网络的人脸姿态识别方法 |
CN102609686A (zh) * | 2012-01-19 | 2012-07-25 | 宁波大学 | 一种行人检测方法 |
CN103810503A (zh) * | 2013-12-26 | 2014-05-21 | 西北工业大学 | 一种基于深度学习的自然图像中显著区域的检测方法 |
CN105184260A (zh) * | 2015-09-10 | 2015-12-23 | 北京大学 | 一种图像特征提取方法及行人检测方法及装置 |
CN105335701A (zh) * | 2015-09-30 | 2016-02-17 | 中国科学院合肥物质科学研究院 | 一种基于hog与d-s证据理论多信息融合的行人检测方法 |
CN105913026A (zh) * | 2016-04-12 | 2016-08-31 | 江苏大学 | 一种基于Haar-PCA特征和概率神经网络的行人检测方法 |
-
2017
- 2017-01-24 CN CN201710052873.0A patent/CN106803080B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1952953A (zh) * | 2006-11-16 | 2007-04-25 | 上海交通大学 | 基于受限玻尔兹曼机神经网络的人脸姿态识别方法 |
CN102609686A (zh) * | 2012-01-19 | 2012-07-25 | 宁波大学 | 一种行人检测方法 |
CN103810503A (zh) * | 2013-12-26 | 2014-05-21 | 西北工业大学 | 一种基于深度学习的自然图像中显著区域的检测方法 |
CN105184260A (zh) * | 2015-09-10 | 2015-12-23 | 北京大学 | 一种图像特征提取方法及行人检测方法及装置 |
CN105335701A (zh) * | 2015-09-30 | 2016-02-17 | 中国科学院合肥物质科学研究院 | 一种基于hog与d-s证据理论多信息融合的行人检测方法 |
CN105913026A (zh) * | 2016-04-12 | 2016-08-31 | 江苏大学 | 一种基于Haar-PCA特征和概率神经网络的行人检测方法 |
Non-Patent Citations (1)
Title |
---|
基于后验HOG特征的多姿态行人检测;刘威等;《电子学报》;20150228;第43卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106803080A (zh) | 2017-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874894B (zh) | 一种基于区域全卷积神经网络的人体目标检测方法 | |
CN107657279B (zh) | 一种基于少量样本的遥感目标检测方法 | |
US8649594B1 (en) | Active and adaptive intelligent video surveillance system | |
Yuan et al. | Fast hyperspectral anomaly detection via high-order 2-D crossing filter | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
JP5010905B2 (ja) | 顔認証装置 | |
CN107909027B (zh) | 一种具有遮挡处理的快速人体目标检测方法 | |
CN106295124B (zh) | 多种图像检测技术综合分析基因子图相似概率量的方法 | |
CN111368683B (zh) | 基于模约束CenterFace的人脸图像特征提取方法及人脸识别方法 | |
Hu | Design and implementation of abnormal behavior detection based on deep intelligent analysis algorithms in massive video surveillance | |
CN109145765B (zh) | 人脸检测方法、装置、计算机设备和存储介质 | |
CN110929687B (zh) | 一种基于关键点检测的多人行为识别系统及工作方法 | |
CN109063626A (zh) | 动态人脸识别方法和装置 | |
CN106599864A (zh) | 一种基于极值理论的深度人脸识别方法 | |
CN109902576B (zh) | 一种头肩图像分类器的训练方法及应用 | |
CN111539320B (zh) | 基于互相学习网络策略的多视角步态识别方法及系统 | |
CN112329784A (zh) | 一种基于时空感知及多峰响应的相关滤波跟踪方法 | |
CN111242971B (zh) | 一种基于改进的双中心粒子群优化算法的目标跟踪方法 | |
Nayan et al. | Real time detection of small objects | |
CN114463843A (zh) | 一种基于深度学习的多特征融合鱼类异常行为检测方法 | |
CN110097067B (zh) | 一种基于层进式特征变换的弱监督细粒度图像分类方法 | |
Ngxande et al. | Detecting inter-sectional accuracy differences in driver drowsiness detection algorithms | |
CN111860056A (zh) | 基于眨眼的活体检测方法、装置、可读存储介质及设备 | |
Shi et al. | Smoke detection based on dark channel and convolutional neural networks | |
CN106803080B (zh) | 一种基于形状玻尔兹曼机的补全式行人检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |