目标检测之人头---人头检测,安全帽检测,头盔检测,人流检测

大致思路是:

该算法在行人检测算法的基础上,识别检测出来的行人的头部,并根据头部的颜色值,得到该行人所佩戴安全帽的颜色,然后根据生产规范中得到对应人的身份。

gabor ,sobel,meanshift

http://www.doc88.com/p-8088708062985.html

http://www.pudn.com/downloads456/sourcecode/graph/texture_mapping/detail1919552.html

弊端:

这种算法在正确检测行人的前提下,能够很好的定位到头部,而且识别颜色的准确率达90%以上。然而,在实际场景中,存在遮挡或者行人非站立状态下,头部定位的准确率会大大下降,从而影响了安全帽的颜色识别。

后续的工作将进一步考虑采用模式识别的方式,直接对头部进行特征表达,然后通过训练的方式,学习得到不同类别安全帽的特征表达。这样就可以不依赖于行人检测进行头部的检测和安全帽的颜色识别,能够进一步提高了系统的准确率。

1.hog

利用HOG特征实现人头检测
Dalal等人首先将HOG特征[3]用于静态图像中的行人检测,其主要思想是利用局部区域的梯度方向直方图来描述目标特征。本文用HOG特征结合支撑向量机SVM(Support Vector Machine)分类器进行头部检测,分为SVM分类器训练和人头检测两个阶段。
2.1 HOG特征提取
提取目标的HOG特征步骤如下:首先按照式(1)和式(2)计算灰度图像的梯度幅值和梯度方向。

其中,Gx、Gy分别是(x,y)的水平和竖直梯度,梯度的方向设定为0~?仔。本文梯度的方向反映该像素点周围的灰度变化的方向,梯度的幅度反映灰度变化的大小。
然后进行子块单元的划分和方向直方图统计。如图3(a)所示,将图像划分为若干个图像块(BLOCK),每个块划分为若干个正方形图像单元(CELL),图像单元的边长记为CELLSIZE。图3(a)中CELL的大小为8×8个像素,即CELLSIZE=8;一个BLOCK包含2×2个图像单元CELLNUM=4。以一个图像单元为单位,进行方向梯度直方图的统计。将梯度方向划分为BIN个区间,对于各个区间的梯度相加,形成一个BIN维的向量来描述一个图像单元。最后生成图像的Hog描述子,对于每一个BLOCK对应的BIN×CELLNUM维向量可以根据实际需要按式(3)进行标准化:

最后所有CELL对应的向量构成整个图像的Hog描述子,如图3(b)所示,图像由16个CELL组成。

http://www.eccn.com/design_2011101810512969.htm

http://wenku.baidu.com/link?url=l3HwFyzHLtSP01nTAdV2K4ftK7gtWrfQj-QxGhJGIidVVBhPTSDqXVadR7fvyymvxpO3_NCX16Bf_rHU5xv7CiT69avWcUn7nfGo02z3Tji 人头

2.meanshift

Mean-shift跟踪计数
利用HOG特征,只能实现单幅图像中人头的检测。要完成人员计数,必须利用多帧图像信息,既要检测出图像中新出现的目标,又要利用目标跟踪技术,确定连续多帧图像中的同一个目标,实现人员统计计数。
利用Mean-shift实现人员跟踪计数具体步骤如下:
(1)将人头检测的结果作为初始的搜索窗口,确定窗口大小和位置。
(2)计算搜索窗口内的灰度概率分布函数,并用该分布函数反演下一帧的待搜索图像。
(3)利用前一帧初始搜索窗口的大小和位置信息,确定当前帧的搜索起点和范围,并在计算选取搜索窗口中按照式(4)、式(5)计算零阶矩和一阶矩,并按照式(6)计算搜索窗口的质心:

http://blog.csdn.net/xiaxiazls/article/details/7249799 人脸头部

http://www.zhichenglw.com/lunwen_show.php?lunwen_id=65387

http://it.rising.com.cn/newSite/Channels/Safety/SafeDefend/InspectInfall/200210/31-153701853.htm

http://www.pudn.com/downloads456/sourcecode/graph/texture_mapping/detail1919552.html

http://blog.sina.com.cn/s/blog_49d1bc360101243t.html

http://wenku.baidu.com/link?url=l3HwFyzHLtSP01nTAdV2K4ftK7gtWrfQj-QxGhJGIidVVBhPTSDqXVadR7fvyymvxpO3_NCX16Bf_rHU5xv7CiT69avWcUn7nfGo02z3Tji

http://cdmd.cnki.com.cn/Article/CDMD-10140-1013103793.htm 人影重叠,mean shift 三帧

http://d.wanfangdata.com.cn/Periodical_xdld200306002.aspx 南京雷达检测导弹目标

http://www.pudn.com/downloads446/sourcecode/windows/multimedia/detail1881078.html

http://www.uniview.com/ 浙江宇视科技

时间: 2024-11-05 20:45:42

目标检测之人头---人头检测,安全帽检测,头盔检测,人流检测的相关文章

js+jquery检测用户浏览器型号(包括对360浏览器的检测)

做网站,js检测用户浏览器的版本,是经常要使用到,今天自己写了一个js,完成了对于一些常见浏览器的检测,但是,偏偏对于360浏览器的检测没有任 何办法,研究了一会儿,无果.无论是360安全浏览器,还是360极速浏览器,在极速模式下面,都只能检测到用户是使用的谷歌浏览器.后来在网上找了很 久,看了很多大神的帖子,结合了自己的想法,写出了下面的解决办法: 这是 BrowserCheck.html页面显示文件: <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1

网站图片挂马检测及PHP与python的图片文件恶意代码检测对比

前言 周一一早网管收到来自阿里云的一堆警告,发现我们维护的一个网站下有数十个被挂马的文件.网管直接关了vsftpd,然后把警告导出邮件给我们. 取出部分大致如下: 服务器IP/名称 木马文件路径 更新时间 木马类型 状态(全部) *.*.*.* /path/*144.gif 2017/8/7 5:53 Webshell 待处理 *.*.*.* /path/*132.jpg 2017/8/7 5:23 Webshell 待处理 *.*.*.* /path/*156.txt 2017/8/7 5:2

图像处理之基础---肤色检测算法 - 基于不同颜色空间简单区域划分的皮肤检测算法

本文涉及的很多算法,在网络上也有不少同类型的文章,但是肯定的一点就是,很多都是不配代码的,或者所附带的代码都是象征性的,速度慢,不优雅,不具有实用价值,本文努力解决这些问题. 文中各算法出现的顺序并不代表算法的优越性,仅仅是作者随机排布的而已. 2.基于RGB颜色空间的简单阈值肤色识别 在human skin color clustering for face detection一文中提出如下简单的判别算式: R>95 And G>40 And B>20 And R>G And R

机器视觉中的目标检测

今天撇去不同目标追踪算法的框架,比如KCF.TLD.Mean Shift等,忽略它们繁琐的公式,看了对目标检测的基本理解.这里做一个简单的总结,目标检测的框架一般是下图这样的: 目标检测分为以下几个步骤: 1. 训练分类器所需样本的创建 训练样本一般包括正样本和负样本,正样本是指第一帧图中框定的待检测的目标,负样本是指其它不包含目标的任意图片(比如背景),所有的样本图片都被归一化同样的尺寸大小(比如20C20). 2. 特征提取 我们一般通过图像.视频或者波形获得的数据量是很巨大的,比如一个简单

模式识别开发之项目---计算机视觉目标检测的框架与过程

个人接触机器视觉的时间不长,对于机器学习在目标检测的大体的框架和过程有了一个初步的了解,不知道对不对,如有错误,请各位大牛不吝指点.   目标的检测大体框架: 目标检测分为以下几个步骤: 1.训练分类器所需训练样本的创建: 训练样本包括正样本和负样本:其中正例样本是指待检目标样本(例如人脸或汽车等),负样本指其它不包含目标的任意图片(如背景等),所有的样本图片都被归一化为同样的尺寸大小(例如,20x20). 2.特征提取: 由图像或波形所获得的数据量是相当大的.例如,一个文字图像可以有几千个数据

基于深度学习的目标检测

普通的深度学习监督算法主要是用来做分类,如图1(1)所示,分类的目标是要识别出图中所示是一只猫.而在ILSVRC(ImageNet Large Scale Visual Recognition Challenge)竞赛以及实际的应用中,还包括目标定位和目标检测等任务.其中目标定位是不仅仅要识别出来是什么物体(即分类),而且还要预测物体的位置,位置一般用边框(bounding box)标记,如图1(2)所示.而目标检测实质是多目标的定位,即要在图片中定位多个目标物体,包括分类和定位.比如对图1(3

DPM目标检测算法(毕业论文节选)

各位看客,如发现错误(应该还有蛮多--),望不吝指教.训练部分没有写 以前写的部分内容: DPM(Deformable Parts Model)--原理(一) DPM(Defomable Parts Model) 源码分析-检测(二) DPM(Defomable Parts Model) 源码分析-训练(三) 推荐阅读: DPM: http://blog.csdn.net/masibuaa/article/category/2267527 HOG: HOG(毕业论文节选) DPM目标检测算法 D

目标检测程序开发(二)——Boosting算法简介

本文主要参考了OpenCV的官方文档 http://docs.opencv.org/modules/ml/doc/boosting.html boosting算法是一个监督式机器学习算法,它解决的是一个二元分类问题.本文包括对算法思想的理解,不包含算法的数学推导. 目标检测就是用这个分类算法,把只含有目标的图片作为一类,不含有目标的作为另一类,然后训练分类器,进行检测的时候,输入一张图片,用一个窗口扫描这个图片,对每个窗口应用分类器,返回是目标的类别时,就检测到了目标. 监督式机器学习目标是找到

传统目标检测方法的比较

· 适用范围 优点 缺点 帧 差 法 (1)摄像头固定场景: (2)实时性要求高: (3)目标的信息要求不高: (1)对运动目标敏感: (2)计算简单: (3)检测速度快.实时性高: (1)光线变化快时,算法失效: (2)缓慢运动和背景颜色一致时不能提取出特征像素点: (3)相邻帧之间目标重叠部分不能检测来: 背 景 减 除 法 (1)摄像头固定: (2)实时性要求不高: (3)目标信息要求高: (1)速度快,检测准确,易于实现, (2)能够达到实时检测视频中运动物体的要求 (3)轮廓完整,信息