Haar特征

摘要： 本文以人脸检测技术为研究对象,阐述人脸检测应用场景之广泛且是人脸识别过程中关键的环节和前提条件,常被应用于智监控、安防、工业检测等领域,目前主流算法中的具有级联结构AdaBoost公认有效的检测算法之一,本文阐述AdaBoost算法实现过程及其优缺点,并针对其训练周期长的问题提出改进算法,通过分类器误差比较判断替换人为参数设置,实现训练自主,减少人为参数设定不合理所带来的迭代训练周期长,样本过拟合等问题。对比改进前后算法训练时长和准确率,梳理新旧算法在人脸检测的实验结果,证实了新算法保证准确率的基础上,缩短训练时间,具有一定的优越性。

摘要： 针对复杂背景条件下人脸检测错误率较高问题,提出了基于改进的MBLBP人脸检查算法,算法利用人脸肤色特征明显区别于背景其他颜色特点首先将肤色区域分割出来,将其他背景区域屏蔽掉,然后在肤色区域使用改进后的MBLBP特征进行人脸检查,改进后的MBLBP特征在能保证准确率的前提下计算效率有明显提高。经过多组对比实验和统计得出基于改进的MBLBP人脸检查算法在人脸检查正确率和检查速度上优于其他传统算法。

摘要： 为了快速准确定位到人脸区域,解决人脸检测的速率和准确率有待进一步提高问题,提出了一种基于最优奇异值占比的融合特征人脸检测方法。首先,通过奇异值图像分解方法保留人脸图像有效信息,同时对图像实现降维重构;其次,在不同奇异值占比下,通过对比人脸图像的压缩率和准确率获取最优奇异值占比值;最后,基于最优奇异值占比,提出融合HOG,Haar特征人脸检测方法的集成分类方法。结果表明:在ORL人脸图像数据库上,获取的最优奇异值占比值为98%;人脸图像通过降维及重构处理后其空间复杂度降低了78.5%。在重构后的数据上,所提出的融合特征检测方法相对于HOG,LBP和Haar特征的人脸检测方法,检测准确率分别提高2%,17%和10%;相对于基于CNN的人脸检测方法其检测准确率降低0.5%,但检测速率提高99.2%。因此,作者提出的融合模型取得了较好的人脸检测效果。

摘要： 针对手脚不便的老人或者上体截肢的特殊人群用餐问题,提出了基于机器视觉的辅助进食机械手设计方案.针对系统的设计需求,分析了基于Haar特征Adaboost人脸检测分类器的组织结构以及检测原理,结合基于视觉的目标追踪比例-积分-微分(PID)控制算法,利用其响应快鲁棒性强等特点,有效实现人脸移动的追踪要求.最后通过辅助进食调试,机械手能够完成对人脸的检测和辅助进食工作,达到了预期的控制效果.

摘要： 提出了一种基于Haar特征检测和肤色分割技术相结合的人脸检测算法,用以提高人脸检测的准确率。使用Haar特征进行人脸检测,然后对检测结果进行判断,若检测到人脸,则直接对其进行标记;若发生漏检或误检,则运用GrabCut算法提取目标前景,再将其转换到YCrCb空间,利用肤色特征对人脸进行检测。实验结果表明:利用该算法可以很好地解决单一算法造成的检测率低、容易漏检的问题,为后续的人脸识别提供参考。

摘要： 提出了一种基于Haar特征检测和肤色分割技术相结合的人脸检测算法,用以提高人脸检测的准确率.使用Haar特征进行人脸检测,然后对检测结果进行判断,若检测到人脸,则直接对其进行标记;若发生漏检或误检,则运用GrabCut算法提取目标前景,再将其转换到YCrCb空间,利用肤色特征对人脸进行检测.实验结果表明:利用该算法可以很好地解决单一算法造成的检测率低、容易漏检的问题,为后续的人脸识别提供参考.

摘要： 针对高准确率和快速跟踪摄像功能的需求,基于机器视觉设计了人形识别安防摄像机。首先,确定了整体工作方案;其次,提出一种多特征组合人形识别方法,通过训练3个分类器,分别识别人形正身、侧身和背身,并采用haar特征+adaboost算法实现人形识别和定位功能,再利用PID算法控制步进电机和舵机实现人形跟踪;最后,开发了安卓手机端APP。测试结果表明多特征组合识别方法能够快速识别人形目标,帧率不低于20Hz;与单特征人形识别方法相比,识别准确率提高27.3%;人形目标追踪时间不超过1.7s;摄像机能够流畅实现WiFi控制、无线监视和录像下载等功能。

摘要： 人脸识别技术在日常生活中的应用愈加广泛.本文着重研究如何在人脸识别过程中判断被识别者是否戴眼镜的问题.首先采用基于AdaBoost算法的Haar强特征级联分类器,把图像从起点到各个点之间形成的矩阵中所有像素点的和作为一个元素存进一个新的矩阵中,后将人脸眼部图像单独切割出来,并将眼部图像的像素点所占总像素点的比例作为一个判断是否戴眼镜的条件,运用回溯算法确定一个最佳阈值,最后得到人脸识别正确率为91.43％.

摘要： 针对高准确率和快速跟踪摄像功能的需求,基于机器视觉设计了人形识别安防摄像机.首先,确定了整体工作方案;其次,提出一种多特征组合人形识别方法,通过训练3个分类器,分别识别人形正身、侧身和背身,并采用haar特征+adaboost算法实现人形识别和定位功能,再利用PID算法控制步进电机和舵机实现人形跟踪;最后,开发了安卓手机端APP.测试结果表明:多特征组合识别方法能够快速识别人形目标,帧率不低于20 Hz;与单特征人形识别方法相比,识别准确率提高27.3％;人形目标追踪时间不超过1.7 s;摄像机能够流畅实现WiFi控制、无线监视和录像下载等功能.

摘要： 本文将基于Haar特征和强分类器检测方法用于侧面车辆的检测,Haar特征计算简单且分类器所需特征数量少,检测速度可以达到实时性要求.强分类器是由级联的弱分类器加权而得.首先利用采集好的图片训练分类器,再用参数和阈值固定的分类器做检测.将分类结果做进一步的后续处理后,可以达到较高的正确率.本文还评价了分类器的效果以及讨论了各种环境因素以及阈值对检测效果的影响.

摘要： 本文将基于Haar特征和强分类器检测方法用于侧面车辆的检测,Haar特征计算简单且分类器所需特征数量少,检测速度可以达到实时性要求.强分类器是由级联的弱分类器加权而得.首先利用采集好的图片训练分类器,再用参数和阈值固定的分类器做检测.将分类结果做进一步的后续处理后,可以达到较高的正确率.本文还评价了分类器的效果以及讨论了各种环境因素以及阈值对检测效果的影响.

摘要： 本文将基于Haar特征和强分类器检测方法用于侧面车辆的检测,Haar特征计算简单且分类器所需特征数量少,检测速度可以达到实时性要求.强分类器是由级联的弱分类器加权而得.首先利用采集好的图片训练分类器,再用参数和阈值固定的分类器做检测.将分类结果做进一步的后续处理后,可以达到较高的正确率.本文还评价了分类器的效果以及讨论了各种环境因素以及阈值对检测效果的影响.

摘要： 本文将基于Haar特征和强分类器检测方法用于侧面车辆的检测,Haar特征计算简单且分类器所需特征数量少,检测速度可以达到实时性要求.强分类器是由级联的弱分类器加权而得.首先利用采集好的图片训练分类器,再用参数和阈值固定的分类器做检测.将分类结果做进一步的后续处理后,可以达到较高的正确率.本文还评价了分类器的效果以及讨论了各种环境因素以及阈值对检测效果的影响.

摘要： 随着车载处理器性能的提高,车载图像处理系统也得到越来越广泛的应用。本文基于openCV图像处理库,搭建了一个车辆图像识别系统.该系统首先利用图像中车辆底部阴影确定图像中可能存在车辆的区域,再在这些区域用Haar特征分类器对车辆进行检索,确认之前的假设是否成立.因为减少了用分类器检索的图像范围,系统的实时性得到了保障.经试验验证,系统的识别率达到88.8％,实时性也较好。

摘要： 随着车载处理器性能的提高,车载图像处理系统也得到越来越广泛的应用。本文基于openCV图像处理库,搭建了一个车辆图像识别系统.该系统首先利用图像中车辆底部阴影确定图像中可能存在车辆的区域,再在这些区域用Haar特征分类器对车辆进行检索,确认之前的假设是否成立.因为减少了用分类器检索的图像范围,系统的实时性得到了保障.经试验验证,系统的识别率达到88.8％,实时性也较好。

摘要： 随着车载处理器性能的提高,车载图像处理系统也得到越来越广泛的应用。本文基于openCV图像处理库,搭建了一个车辆图像识别系统.该系统首先利用图像中车辆底部阴影确定图像中可能存在车辆的区域,再在这些区域用Haar特征分类器对车辆进行检索,确认之前的假设是否成立.因为减少了用分类器检索的图像范围,系统的实时性得到了保障.经试验验证,系统的识别率达到88.8％,实时性也较好。

摘要： 随着车载处理器性能的提高,车载图像处理系统也得到越来越广泛的应用。本文基于openCV图像处理库,搭建了一个车辆图像识别系统.该系统首先利用图像中车辆底部阴影确定图像中可能存在车辆的区域,再在这些区域用Haar特征分类器对车辆进行检索,确认之前的假设是否成立.因为减少了用分类器检索的图像范围,系统的实时性得到了保障.经试验验证,系统的识别率达到88.8％,实时性也较好。

摘要： 使用人脸类Haar特征进行人脸检测，采用Daubechies小波去噪变换和PCA降维算法提取人脸特征，将经过PC机变换后的训练样本特征子空间文件通过网络传输到嵌入式平台，并结合最近邻算法识别人脸．实现了一种嵌入式人脸识别系统，解决了嵌入式人脸识别系统由于图像处理数据巨大而造成处理效率低的难点．基于MagicARM2410开发板实现了该系统，结合实际图片进行了人脸识别测试，实践结果表明系统效果良好．

摘要： 使用人脸类Haar特征进行人脸检测，采用Daubechies小波去噪变换和PCA降维算法提取人脸特征，将经过PC机变换后的训练样本特征子空间文件通过网络传输到嵌入式平台，并结合最近邻算法识别人脸．实现了一种嵌入式人脸识别系统，解决了嵌入式人脸识别系统由于图像处理数据巨大而造成处理效率低的难点．基于MagicARM2410开发板实现了该系统，结合实际图片进行了人脸识别测试，实践结果表明系统效果良好．

摘要： 本发明属于视频图像处理技术领域，并提供了一种基于Haar特征和EOH特征的行人检测方法，包括：S1、计算训练样本集中的正/负样本的Haar特征和EOH特征的特征向量；S2、通过改进的Gentle Adaboost算法对训练样本集中的正/负样本进行训练，得到行人分类器；S3、获取监控区域的视频流图像作为输入图像；S4、利用行人分类器对输入图像进行行人检测；S5、基于EKM算法对检测得到的行人进行跟踪和计数。在本发明中，通过将Haar特征与EOH特征一起作为特征向量对行人特征进行描述，提升了行人检测的精确度，并有效地提高了对公共区域内对行人进行人数统计的效率与准确度。

摘要： 一种基于Haar‑like特征的司机面部特征快速检测方法，第一个阶段是利用分类器对当前图像小块进行检测，并根据检测的结果估计图像小块内容与目标的相似程度。第二个阶段是根据本次的检测结果，结合算法来对下一次检测的结果进行相似度估计，并根据估计结果，调节搜索的步长和分类器的检测精度。第三个阶段是结合司机驾驶的场景，根据已检测到的包含目标的区域的位置信息，估计目标所在的准确位置。本发明采用动态调整分类器检测精度的方式，在不降低准确度的情况下，减少了分类器的重复调用次数，缩短了检测时间，提高了检测效率。

摘要： 本发明基于Haar特征和AdaBoost算法的纹理图像质量估计方法，包括以下步骤：步骤1：样本采集：采集正样本和负样本；步骤2：样本标注：分别将正、负样本使用不同的数字进行标注；步骤3：特征选择：Haar特征包含多种模式，根据纹理的不同特征选择相应的特征模式；步骤4：AdaBoost级联分类器搭建和参数设置：AdaBoost算法是将多个弱分类器组合成强分类器的方法，需要指定每一层弱分类器的识别率、误识率以及弱分类器的个数；步骤5：利用样本训练得到正、负二分类的分类器；步骤6：纹理图像的质量估计。本发明方法将纹理图像分割为有交叠的图像子块，利用机器学习方法分类各图像子块，最后通过组合图像子块的分类结果得到质量估计。

摘要： 本发明提供一种基于Haar‑NMF特征和级联Adaboost分类器的脱岗检测方法，涉及视频信号处理技术领域。该方法采用低维Haar‑NMF特征代替传统的Haar特征，Haar‑NMF特征可以很好地表征图像中局部区域的特征，如在岗人员的头部和肩部特征，满足检测方法对检测准确率的要求；采用级联Adaboost分类器代替基本的Adaboost分类器，提高了检测的准确率并减少运算量，满足了检测方法对检测速度的要求。并针对检测过程中的漏检问题和误检问题进行优化，提高了检测方法的整体性能。本发明提供的基于Haar‑NMF特征和级联Adaboost分类器的脱岗检测方法，在保证检测成功率的基础上，缩短了样本的训练和检测的时间，并且通过增加分类器的级数提高了检测方法的部分性能，同时提高了检测速度。

摘要： 本发明属于视频图像处理技术领域，并提供了一种基于Haar特征和EOH特征的行人检测方法，包括：S1、计算训练样本集中的正/负样本的Haar特征和EOH特征的特征向量；S2、通过改进的Gentle？Adaboost算法对训练样本集中的正/负样本进行训练，得到行人分类器；S3、获取监控区域的视频流图像作为输入图像；S4、利用行人分类器对输入图像进行行人检测；S5、基于EKM算法对检测得到的行人进行跟踪和计数。在本发明中，通过将Haar特征与EOH特征一起作为特征向量对行人特征进行描述，提升了行人检测的精确度，并有效地提高了对公共区域内对行人进行人数统计的效率与准确度。

摘要： 一种基于Haar-like特征的司机面部特征快速检测方法，第一个阶段是利用分类器对当前图像小块进行检测，并根据检测的结果估计图像小块内容与目标的相似程度。第二个阶段是根据本次的检测结果，结合算法来对下一次检测的结果进行相似度估计，并根据估计结果，调节搜索的步长和分类器的检测精度。第三个阶段是结合司机驾驶的场景，根据已检测到的包含目标的区域的位置信息，估计目标所在的准确位置。本发明采用动态调整分类器检测精度的方式，在不降低准确度的情况下，减少了分类器的重复调用次数，缩短了检测时间，提高了检测效率。

摘要： 本发明公开了一种基于改进Haar特征的级联迭代算法的前方车辆检测方法。该方法首先通过人工选取车辆及非车辆图片作为正、负样本；然后构造针对前方车辆的改进Haar特征并计算Haar特征值；其次使用AdaBoost迭代算法对每个特征训练弱、强分类器和级联分类器；接着通过车宽匹配筛选感兴趣窗口，利用得到的分类器对窗口进行目标检测，得到所有存在的车辆。本发明不仅提高了目标检测准确率，还有效地缩短了训练与检测的时间。

摘要： 本发明涉及水下目标特征提取领域，尤其涉及一种面向水中目标识别的声学Haar特征提取方法及系统，所述方法包括：对接收到的水中目标水声信号进行预处理；对预处理后的信号进行时频特征变换，生成声学视频特征图；基于Haar‑like特征，对声学时频特征图进行特征提取得到混合声学Haar特征；基于AdapBoost算法完成显著性声学特征提取。本发明的方法面向工程应用，针对水中目标的识别提出声学Haar特征提取方法，提取的显著性特征有助于提高训练效率，该方法具备简单易用、清晰明了、实用性强的特点。

摘要： 本公开提出了基于类Haar特征和帧匹配的车辆超速检测方法及系统，获取待检测的车辆图像；将获取的图像输入至训练好的Haar‑YOLO模型，提取目标车辆的候选区域和对应的类Haar特征；根据候选区域或类Haar特征采用匈牙利匹配算法逐帧匹配车辆，得到目标车辆在各帧图像中的位置的匹配结果，判断车辆是否超速；本公开基于类Haar特征的YOLO模型对车辆进行检测，并且在跟踪过程中采用匈牙利指派算法对存在于各帧图像之间的目标车辆进行快速且准确的匹配，能够在社区复杂场景下结合车辆在连续帧图像中位置关系实现对车辆的实时精准跟踪并且判断其是否超速，实现了车速检测的实时性和精确度。

摘要： 本发明实施例提供一种基于Haar‑like特征的户外全景图生成方法及装置，所述方法包括：接收拍摄装置拍摄的观察点图片，并对所述观察点图片进行分组；根据预设的计算方案构建级联分类器；根据观察点图片确定全景图几何体，应用到全景图几何体，通过级联分类器对全景图几何体进行检测，并根据检测结果对全景图几何体进行标记；获取标记对应的标识符，生成对应的标识符链接，在全景图几何体之间生成全景图框架链接；实现对场景资源的场景投影；并当全景场景为可视交互化，生成对应的全景图。采用本方法进行图片的检测与标记，实现全景图像的半自动生成，降低了开发成本，缩短了开发周期，保证了全景图像导览性、交互性、画面，提高了全屏场景的质量。