Haar-like特征
Haar-like特征的相关文献在2007年到2022年内共计96篇,主要集中在自动化技术、计算机技术、无线电电子学、电信技术、公路运输
等领域,其中期刊论文94篇、会议论文2篇、专利文献59977篇;相关期刊75种,包括科技风、中国图象图形学报、电子科技等;
相关会议2种,包括第十一届中国智能交通年会、第七届全国Web信息系统及其应用学术会议、第五届全国语义Web与本体论学术研讨会、第四届全国电子政务技术及应用学术研讨会等;Haar-like特征的相关文献由268位作者贡献,包括刘化轩、刘燕、刘琼等。
Haar-like特征—发文量
专利文献>
论文:59977篇
占比:99.84%
总计:60073篇
Haar-like特征
-研究学者
- 刘化轩
- 刘燕
- 刘琼
- 华鑫
- 孙文君
- 成雨风
- 李厚君
- 李玉鑑
- 王海龙
- 贺松
- 陈强
- Huang Qiuxiao
- Jiang Qianyin
- Li Xiying
- Lu Lin
- 丁伟杰
- 万友
- 严梓峻
- 乔洁
- 于明
- 付心浩
- 任琳
- 何勇
- 侯德文
- 俊刚
- 倪鹏宇
- 冯小建
- 刘全
- 刘凡秀
- 刘利琴
- 刘双喜
- 刘国宁
- 刘国强
- 刘帅凤
- 刘成良
- 刘星
- 刘晓克
- 刘梦阳
- 刘礼辉
- 刘福军
- 刘禹欣
- 卞梦云
- 卢林
- 卢鹏
- 原晓佩
- 叶东毅
- 吕成绪
- 吴冬梅
- 吴彩虹
- 吴怀宇
-
-
马利伟;
周明阳;
刘国宁
-
-
摘要:
为解决高铁建设大型装备作业时因为视觉盲区大而产生的人员安全问题,以高铁建设装备运行的典型场所,各工况下不同作业人员典型姿态图像为样本,采用Haar-like特征与Adaboost算法结合的训练方法,构建人员图像识别分类器,为提高分类器的准确性,在训练方法加入正样本自更新的方法以作改进。利用OpenCV分类器训练框架和Python语言,构建了高铁建设装备作业区域内人员的防入侵在线检测系统。试验和现场的运行验证了正样本自更新方法的可行性及系统的可靠性。
-
-
张玉祖;
罗素云
-
-
摘要:
近年来,由于交通事故发生率逐渐上升,智能交通系统受到研究人员的广泛关注.前方车辆检测作为其中的重要组成部分,能够及时提醒驾驶人员潜在的危险来减少交通事故的发生.基于图像处理技术,针对目前车辆检测方法中鲁棒性差、误检过多的问题,提出一种基于HOG和Haar-like特征融合算法,将提取的特征输入AdaBoost级联分类器进行车辆检测.实验结果表明,本文方法对不同天气情况和道路情况都有很高的准确率和精度且鲁棒性好.
-
-
任琳;
岳光;
郭保全
-
-
摘要:
针对我军士兵在高强度的自行武器驾驶军事训练中疲劳导致的装备故障多发,提出了一种基于AdaBoost视觉算法的士兵面部疲劳检测系统.该研究通过机器视觉检测士兵的疲劳状态,采用嵌入式平台对视觉面部图像信息处理并定位人眼,通过AdaBoost算法及Haar-like特征对人眼特征进行疲劳度检测并作出预警,及时更换士兵以提高自行武器的精确驾驶.实验结果验证了算法的有效性和合理性,对提高我军自行武器驾驶人员的精确驾驶和人身安全具有一定的实用价值.
-
-
杨平林;
李泽山;
郭改枝
-
-
摘要:
设计使用智能手机远程控制机器人,以树莓派(Raspberry Pi)作为系统主控核心,充当服务器端的角色,融合Haar-like特征值、分类器的加权系数以及AdaBoost算法,提出WIE-AdaBoost算法,并给出实现流程,最终通过无线网络使用智能手机实现对不同包装瓶的准确分类,并进行实验验证其准确性.实验结果表明,改进后的AdaBoost算法在训练集样本相对适合的情况下,对各种包装瓶的识别准确率达到92.86%,比传统AdaBoost算法的准确率提升9%左右,系统识别时间约为5 ms,已达到工业识别1 s的要求.
-
-
黄孝慈;
舒方林;
曹文冠
-
-
摘要:
针对基于双目视觉的车距测量方法精度低的问题,提出一种基于机器学习和改进定向二进制描述符算法的车距测量方法.首先利用Haar-like特征结合AdaBoost算法训练车辆检测分类器以快速确定车辆位置;然后利用动态阈值方法提高特征点提取质量,并通过渐进一致采样算法减少误匹配,提升视差计算的准确性;最后根据双目测距原理,利用车辆特征点的平均视差计算车距.试验结果表明,在14m的距离范围内,所提出方法的测距误差在2%以内,平均误差降低了4.11%.
-
-
原晓佩;
陈小锋;
廉明
-
-
摘要:
针对目标检测时Haar-like特征值过多、计算时间长、无法描述目标纹理特征且识别率一般的问题,提出一种基于滑窗原点信息的阈值自调节IHL(Improved Haar-like LBP)特征提取算法.该算法首先构造了 IHL特征编码方法,将Haar-like特征和局部二值LBP特征融合;然后在计算Haar-like型局部二值化特征时,使用高斯矩阵获得符合像素分布规律的自调节阈值;同时在求特征值时引入中心点像素信息,确保提取的特征值的合理性;最后使用AdaBoost训练得到级联分类器,将其载入系统,并在KITTI车辆数据集和INRIA Person行人数据集上进行实验测试.实验结果表明,该方法可在65s内识别1102个行人目标,在114.3s内识别1852个车辆目标,相比传统算法其可以明显加快目标识别的速度,对行人和车辆目标的识别率均可达到94%以上,其检测准确性相比其他方法也有显著提升.
-
-
-
-
-
刘琼;
罗晴;
彭绍武
-
-
摘要:
热成像适合低照度行人检测,车载热成像背景灰度分布变化大,行人目标易与背景干扰物混淆,捕捉远距离行人困难,以双阈值分割方法提取RoI(region of interest)很难满足系统召回率和虚警率要求.针对车载热成像行人检测,提出新的RoI提取方法,包括图像预处理、RoI提取和后处理.设计膨胀最大值滤波器进行图像增强;利用Haar-like特征来改进自适应双阈值分割法进行RoI提取,设计增量计算模型以提高计算效率;设计目标时序特性和空间对称性过滤器来排除虚假RoI.与基准方法相比,当虚警率不高于40时,本文方法提高召回率49%,且RoI提取速率不低于18帧/s.
-
-
Jiang Qianyin;
江倩殷;
Huang Qiuxiao;
李熙莹;
Lu Lin;
黄秋筱;
Li Xiying;
卢林
- 《第十一届中国智能交通年会》
| 2016年
-
摘要:
客运站客流量是一项重要的数据,快速、准确的行人检测是客流统计以及行为分析的基础.客运站人流密集,这对传统的行人检测算法提出了新的要求;而在提高检测准确度的同时,如何保证检测算法的实时性也是一大难题.因此,本文提出一种基于背景差分和Harr-like特征的行人检测算法,首先采用背景差分提取运动区域,将特征提取的区域大大缩小,然后在运动区域内提取Haar-like特征,通过事先训练好的Adaboost分类器实现行人的判断与检测.通过对客运站监控视频进行检测统计,本文的行人检测方法解决了背景差分准确率低和Haar-like特征检测的实时性差的问题,检测速度和准确性都达到了应用要求.
-
-
Jiang Qianyin;
江倩殷;
Huang Qiuxiao;
李熙莹;
Lu Lin;
黄秋筱;
Li Xiying;
卢林
- 《第十一届中国智能交通年会》
| 2016年
-
摘要:
客运站客流量是一项重要的数据,快速、准确的行人检测是客流统计以及行为分析的基础.客运站人流密集,这对传统的行人检测算法提出了新的要求;而在提高检测准确度的同时,如何保证检测算法的实时性也是一大难题.因此,本文提出一种基于背景差分和Harr-like特征的行人检测算法,首先采用背景差分提取运动区域,将特征提取的区域大大缩小,然后在运动区域内提取Haar-like特征,通过事先训练好的Adaboost分类器实现行人的判断与检测.通过对客运站监控视频进行检测统计,本文的行人检测方法解决了背景差分准确率低和Haar-like特征检测的实时性差的问题,检测速度和准确性都达到了应用要求.
-
-
Jiang Qianyin;
江倩殷;
Huang Qiuxiao;
李熙莹;
Lu Lin;
黄秋筱;
Li Xiying;
卢林
- 《第十一届中国智能交通年会》
| 2016年
-
摘要:
客运站客流量是一项重要的数据,快速、准确的行人检测是客流统计以及行为分析的基础.客运站人流密集,这对传统的行人检测算法提出了新的要求;而在提高检测准确度的同时,如何保证检测算法的实时性也是一大难题.因此,本文提出一种基于背景差分和Harr-like特征的行人检测算法,首先采用背景差分提取运动区域,将特征提取的区域大大缩小,然后在运动区域内提取Haar-like特征,通过事先训练好的Adaboost分类器实现行人的判断与检测.通过对客运站监控视频进行检测统计,本文的行人检测方法解决了背景差分准确率低和Haar-like特征检测的实时性差的问题,检测速度和准确性都达到了应用要求.
-
-
Jiang Qianyin;
江倩殷;
Huang Qiuxiao;
李熙莹;
Lu Lin;
黄秋筱;
Li Xiying;
卢林
- 《第十一届中国智能交通年会》
| 2016年
-
摘要:
客运站客流量是一项重要的数据,快速、准确的行人检测是客流统计以及行为分析的基础.客运站人流密集,这对传统的行人检测算法提出了新的要求;而在提高检测准确度的同时,如何保证检测算法的实时性也是一大难题.因此,本文提出一种基于背景差分和Harr-like特征的行人检测算法,首先采用背景差分提取运动区域,将特征提取的区域大大缩小,然后在运动区域内提取Haar-like特征,通过事先训练好的Adaboost分类器实现行人的判断与检测.通过对客运站监控视频进行检测统计,本文的行人检测方法解决了背景差分准确率低和Haar-like特征检测的实时性差的问题,检测速度和准确性都达到了应用要求.
-
-
Jiang Qianyin;
江倩殷;
Huang Qiuxiao;
李熙莹;
Lu Lin;
黄秋筱;
Li Xiying;
卢林
- 《第十一届中国智能交通年会》
| 2016年
-
摘要:
客运站客流量是一项重要的数据,快速、准确的行人检测是客流统计以及行为分析的基础.客运站人流密集,这对传统的行人检测算法提出了新的要求;而在提高检测准确度的同时,如何保证检测算法的实时性也是一大难题.因此,本文提出一种基于背景差分和Harr-like特征的行人检测算法,首先采用背景差分提取运动区域,将特征提取的区域大大缩小,然后在运动区域内提取Haar-like特征,通过事先训练好的Adaboost分类器实现行人的判断与检测.通过对客运站监控视频进行检测统计,本文的行人检测方法解决了背景差分准确率低和Haar-like特征检测的实时性差的问题,检测速度和准确性都达到了应用要求.
-
-
-