多特征级联式检测变轮廓运动目标

总结了变轮廓运动目标的特点,并将其应用到方向盘上操作手数的检测中。提出了先进行方向盘自动定位,再快速检测其上操作手数目的技术路线。预定位中运用Haar特征的AdaBoost分类器进行初检,得到包含目标轮廓的图像。利用HOG特征的Real-AdaBoost分类器进行精确检测,并确定操作手位置点集。对取得的操作手质心点坐标集进行奇异值分解并拟合椭圆,获取图像中方向盘位置,最终实现操作手的快速准确检测。算法在保证了原算法的实时性和准确性外,提高了检测系统应用的灵活性。     

特征级联在车辆检测中的应用与研究

对现有的采用机器学习算法检测车辆进行研究,分析其存在的不足;表现在特征或者算法单一,对光照等条件变化鲁棒性不够;针对这些问题,提出一种融合LBP特征与HOG特征,并结合Adaboost与SVM的车辆检测算法;借鉴级联的思想,首先采用AdaBoost对训练样本提取LBP特征进行训练,得到的分类器用于初步筛选并将其分类结果作为下一层分类器的输入;然后采用SVM算法对训练样本提取HOG特征进行训练,得到的分类器用于二次筛选上一层分类器的分类结果;实验结果证明Adaboost-SVM相结合的办法检测结果精度高,准确率和召回率均达到95%以上,FPPW与FPPI的值均在5%左右;同时由于算法采用的特征对光照条件具有较强的鲁棒性,因此光照条件的变化对算法的识别结果影响较低;实时性方面,每帧图像的处理时间为75 ms,满足实时性要求。     

结合卡尔曼滤波器噪声分析的车道线检测跟踪算法

使用卡尔曼滤波对视频序列图像中的具体信息进行跟踪的研究目前是跟踪方向的一个热点.但是在处理卡尔曼滤波跟踪过程中的过程噪声和测量噪声,大部分研究普遍采用的是初始赋值.通过不断的调整数,达到较好的跟踪效果.但是这样做不但没有遵循原始数据的规律,同时调整参数是一项耗时的工作.基于这个原因,提出了一种对卡尔曼滤波的过程噪声和测量噪声进行预估计的方法并将其应用到车道线跟踪过程中.通过对一部分离线数据进行处理,可以基本估计出系统的噪声参数.最后采用车道线跟踪算法对论文中的方法进行验证,实验证明,提出的参数估计方法在车道线的跟踪过程中达到很好的效果,同时处理每帧的时间为50ms左右,满足了实时性的要求.     

SVM参数优化方法分析与决策

针对支持向量机应用过程中的参数选择问题,从UCI数据库选择样本集,分别采用传统的网格法、智能优化算法中的粒子群法及遗传算法实现核函数参数寻优过程,将所得最佳参数应用到样本测试中。在深入分析优化过程中各参数关系、参数对支持向量机性能的影响以及传统与智能优化算法的优劣后,得出了核函数优化策略。即先使用智能优化算法初步确定最优解范围,再结合网格法进行高精度寻优。实验数据验证了参数优化策略的有效性,为扩大支持向量机泛化率、提高应用性做了铺垫。