精华内容
下载资源
问答
  • 行人检测系统的权值文件,用此文件可以恢复行人检测系统的网络参数
  • 行人图像检测,行人检测系统,Python源码
  • 行人检测,本例程是通过py实现了道路的行人检测功能,可以很好的应用于无人驾驶领域
  • 对基于HOG+SVM的行人检测算法进行理论研究,最终实现了基于HOG+SVM的行人检测系统并测试。然后着重研究基于深度学习目标检测框架的行人检测技术,对常见几种框架进行理论分析论证,分别对基于Faster-RCNN和基于YOLO v2...
  • 视频行人检测系统

    2019-06-25 14:34:16
    视频行人检测系统 目的 设计一个视频行人检测系统,能够分割出多个行人。 代码 import cv2 import numpy as np #判断是否处于人像区域 def is_inside(o, i): ox, oy, ow, oh = o ix, iy, iw, ih = i return ox &...

    视频行人检测系统

    目的

    设计一个视频行人检测系统,能够分割出多个行人。

    代码

    import cv2
    import numpy as np
    
    #判断是否处于人像区域
    def is_inside(o, i):
       ox, oy, ow, oh = o
       ix, iy, iw, ih = i
       return ox > ix and oy > iy and ox + ow < ix + iw and oy + oh < iy + ih
    
    #读取视频文件
    cap= cv2.VideoCapture("lzq3.mp4")
    #cap= cv2.VideoCapture(0)
    while (True):
        #读取视频帧图像
        ret, frame = cap.read()
    
        # 进行行人检测
        hog = cv2.HOGDescriptor()
        hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector())
        found, w = hog.detectMultiScale(frame)
        found_filtered = []
        for ri, r in enumerate(found):
            for qi, q in enumerate(found):
                if ri != qi and is_inside(r, q):
                    break
                else:
                    found_filtered.append(r)
    
        # 用蓝线框出人像区域
        for person in found_filtered:
            x, y, w, h = person
            cv2.rectangle(frame, (x, y), (x + w, y + h), (255, 0, 0), 2)
    
        # 显示检测到的行人图像
        cv2.imshow("people detection", frame)
    
        #等待10毫秒,如果按下ESC键则停止检测
        if cv2.waitKey(10) == 27:
            camera.release()
            cv2.destroyAllWindows()
            break
    

    结果

    展开全文
  • 本资源为HOG+SVM实现的行人检测系统,包括完整的训练、检测和测试程序。检测程序运行环境为VS2013+opencv2.4.13和QT+opencv3.1.0,测试程序运行环境为matlab2016,具体运行方法见资源中的.txt说明文件。
  • 行人检测系统.rar

    2020-05-09 15:51:51
    基于Matlab的行人检测程序,基于Matlab开发的用于行人检测程序代码。自己训练的分类器导入进行视频行人检测 代码亲测可行,算法需要再完善 提高实时性
  • 基于ARM的嵌入式行人检测系统.pdf
  • 行人检测系统拥有功能区,显示区和菜单区,功能区包括读取检测图片、检测行人、检测结果展示和保存检测结果等功能,显示区负责以文字或者的形式显示功能运行的过程和结果,菜单区用于展示算法的基本原理、使用说明和...

    mac版的自取:

    链接: https://pan.baidu.com/s/1huLJ4qG-k4IsPUZEqzUX0Q  密码: ojhp

    代码链接:

    https://github.com/fanxinglanyu/pedestrian_Detection/blob/master/README.md

    1,界面

    2,功能展示

     

    3.3行人检测系统的界面设计

    行人检测系统拥有功能区,显示区和菜单区,功能区包括读取检测图片、检测行人、检测结果展示和保存检测结果等功能,显示区负责以文字或者的形式显示功能运行的过程和结果,菜单区用于展示算法的基本原理、使用说明和报告Bug如图 3.6

    3.6行人检测系统界面

    3.4 行人检测系统展示

    3.4.1 数据读入

    在行人检测系统中,首先点击选择图片按钮,选择需要检测的图片,如果选择图片非空和图片格式有效,则数据读取成功,如图3.7;如果图片格式不是pngjpg或者选择路径为空,则数据读取失败,如图3.8

    3.7行人检测系统 读取图片成功

    3.8行人检测系统 读取图片失败

    3.4.2 行人检测

    读取检测图片后,点击开始检测按钮,如果图片中含有行人,则检测成功,如图3.9;如果图片中没有行人,则检测失败,如图3.10;如果没有读入检测图片,直接检测,则会提示错误,如图3.11

     

    3.9 行人检测系统 检测成功

    3.10 行人检测系统 检测失败(图片中不含行人)

    3.11 行人检测系统 检测失败(没有读取检测图片)

    3.4.3 检测结果展示

    如果需要展示检测后的结果图片,则点击结果展示按钮,则检测图片中行人位置上将会出现绿色框,如图3.12;如果没有读取或者检测图片直接进行结果展示,则会出现错误,如图3.13

    3.12 行人检测系统 结果展示成功

    3.13 行人检测系统 结果展示失败

    3.4.4 结果保存

    如果想要在本地保存检测后的结果图片,则点击结果保存按钮,选择要存储的路径,如图3.14;如果存储图片的路径是有效的,则存储成功,如图3.15;如果存储路径无效,如不是文件夹等,则存储失败,如图3.16;如果没有读取或者检测图片,则存储失败,如图3.13

    3.14 行人检测系统 保存图片

    3.15 行人检测系统 存储检测结果成功

    3.16 行人检测系统 存储检测结果失败

     

     

    3.4.5 菜单使用

    如果是第一次使用本系统,可以在菜单栏的帮助之中点击使用说明,就会出现本系统的详细使用说明,如图3.17。如果想要删除检测后的结果图片,可以在菜单栏的编辑中国点击删除按钮,如果之前进行过行人检测,则可以成功删除,如图3.18;如果之前没有进行行人检测,则会显示删除失败,如图3.19; 如图3.19;如果用户使用过程中发现了系统的Bug,则可以点击菜单栏的帮助中点击报告Bug”按钮,如图3.20;如果用户想要知道该系统的详情,可以点击菜单栏的帮助的关于按钮,如图3.21

    3.17 行人检测系统 使用说明

     

    3.18行人检测系统 成功删除检测结果

    3.19行人检测系统 删除检测结果失败

    3.20行人检测系统 报告Bug

    3.21 行人检测系统的关于

     

    展开全文
  • matlab滑动条码行人检测器 用于行人检测系统的MatLab代码的当前实现。 该系统使用带有HOG特征分类器的滑动窗口方法。 要使用此代码,将需要导入MatLab的计算机视觉系统工具箱以及统计和机器学习工具箱。
  • 行人检测系统难以同时具有高检测率、低误报率和较快的检测速度。为解决该问题,提出一种基于快速级联分类的行人检测系统。该系统包括预处理和分类检测2个部分,在分类检测阶段,利用AdaBoost算法选取部分最优的特征...
  • 基于OpenCV的行人检测系统的实现 OpenCV在图像处理中的应用
  • opencv行人检测系统

    2017-09-10 17:27:11
    在vs2013版本以上,利用opencv实现对运动目标的检测,能够将AVI、MP4、RMVB等文件中的移动的目标圈出来并动态更新,适用于新手学习机器视觉。
  • 基于Faster-RCNN的智能家居行人检测系统设计与实现.pdf
  • 行业分类-设备装置-机载平台快速行人检测系统和方法.zip
  • 现代社会的飞速发展对身份鉴别的快速性...如今,身份识别系统在诸多领域发挥着重要作用,其市场前景也十分广阔,研究更为快速有效的人脸检测与识别系统,对社会发展以及公共安全、国家安全等方面都有着十分重要的意义。
  • 分区基于密度的聚类算法在激光雷达行人检测系统中的应用.pdf
  • 1.行人特征 行人特征描述子可以分为三类:底层...这些单一特征可以计算速度快,并且可以利用积分图技术快速计算,但是只从某一方面如梯度或者纹理来描述行人特征,判别力较差。混合特征指的是多种底层特征的

    http://blog.csdn.net/perry_pku/article/details/52370519

    1.行人特征

    行人特征描述子可以分为三类:底层特征,混合特征和基于学习的特征。底层特征指的是颜色、纹理和梯度等基本的图像特征。这些单一特征可以计算速度快,并且可以利用积分图技术快速计算,但是只从某一方面如梯度或者纹理来描述行人特征,判别力较差。混合特征指的是多种底层特征的融合,或者是底层特征的高阶统计特征。这种特征能从不同的侧面来刻画图像特征,提高检测的准确率,但是随着特征的维度增加,特征的计算和分类器的检测时间也增加,影响实时性。基于学习的特征目前一般是指神经网络直接从原始图像学习得到的特征。这种特征能从大量的样本中学习出判断能力较强的特征,在行人检测中表现很出色,但是它的计算依赖高性能的硬件,也和训练样本密切相关,若样本不具有代表性,很难学习到好的特征。

    用于行人检测的底层特征主要包括Haar, HOG, LUV, LBP等。Haar特征由VJ在应用到人脸检测中,其特征的简单表示如图所示。每一个特征值对应为图中一个矩形区域块的计算结果,在计算时通过黑色部分像素之和减去白色部分像素之和得到。对同一个区域块做计算时,不同的计算方法将得到同一个区域块不同的特征值。


    Dalal等提出的HOG[2] 特征是目前最有效的行人单一特征描述子。HOG刻画了图像的局部梯度幅值和方向特征,基于梯度特征,对块的特征向量进行归一化处理,允许块之间相互重叠,因此对光照变化的小量的偏移并不敏感,能有效地刻画出人体的边缘特征。HOG尤其缺点:维度高、计算慢。针对这些缺点,Zhu等[3]允许HOG中块大小可变,利用积分直方图技术来快速计算HOG特征,通过Adaboost 算法选择判别能力较强的块,然后构建级联分类器,该方法的检测速度比Dalal等的快将近70倍。Wojek等[4]则采用并行技术,在GPU上实现HOG,构建了一个实时的行人检测系统。

    LBP 最早是由Ojala等[5]提出的一种用于纹理分类的特征提取方法,广泛应用在人脸识别中。Mu等[6]根据行人的特点,提出 LBP 的两个变种:Semantic –LBP( S -LBP) 和Fourier LBP (F-LBP)。Wang等[7]则简单地将局部图像块的LBP直方图特征串联起来作为行人的特征描述子,其检测性能不比S-LBP差,但Walk等[8]在其它行人数据集上的实验表明 HOG 与 LBP 特征的结合并没有提高检测性。究其原因是 LBP 在图像比较模糊或者光照变化强烈等成像条件较差时,不能有效地刻画出纹理特征。与LBP特征类似的有,Wu等[9]提出的CENTRIST特征,即 CENsus TRansformhISTogram。该特征能刻画场景的全局信息,最早用在场景分类中。2011年Wu等将CENTRIST应用在行人检测中[10],利用积分图技术快速计算该特征,并与级联分类器相结合构建了一个实时的行人检测系统。

    颜色特征如LUV,是最基本的图像特征,易受光照的影响,不适合作为行人的特征描述子,但是由于人体的结构具有相对的稳定性,不同部位的颜色之间差异较小,因此Walk等[11]提出了颜色自相似特征来刻画局部块特征之间的相互关系,与HOG特征相结合,大大提高了检测性能。

    Dollar等提出的积分通道特征[12]是一种典型的混合特征。他利用积分图技术对图像的各特征通道,如局部和,梯度方向直方图和哈尔特征等进行快速计算。该方法不仅将多特征有机结合起来,且解决了多特征融合计算速度慢的特点。2014年,Dollar等又提出了使用近似计算构建聚合多通道特征的特征金字塔的方法[13]。这种方法采用的混合特征包括LUV颜色特征、梯度幅值和梯度方向直方图,利用相邻尺寸之间特征比与尺寸比的幂指关系近似计算图像的多尺寸特征构建特征金字塔。

    基于学习的特征一般是神经网络的特征,如使用卷积神经网络提取的特征。卷积神经元每一个隐藏层的单元提取图像的局部特征,将其映射成一个平面,特征映射函数采用sigmoid函数作为卷积网络的激活函数,使得特征映射具有平移不变性。每个神经元与前一层的局部感受野相连。卷积神经网络通过局部感受野,共享权值和亚采样来保证图像对位移、缩放和扭曲的鲁棒性。

    2.行人检测典型方法

    目前用于行人检测的方法大致可以分为两类:手工设计模型和深度学习模型。手工设计模型使用人工设计的特征,如HOG,LBP等以及它们之间的组合,分类器一般采用SVM或增强学习等。深度学习模型使用卷积和池化操作从原始图像中提取卷积特征,并使用全连接层作为行人分类器。

    手工设计模型又称为传统方法。VJ等[1]采用Adaboost和多尺度Haar小波过完备基结合的方式进行行人检测,并利用用积分图来完达到快速特征计算的目的。Dalal等[2]提出了HOG特征用于行人的特征描述,并通过实验证明HOG比基于灰度的特征更富有信息,同时利用线性SVM作为分类器。这种方法是速度和效果综合平衡性能较好的一种行人检测算法,后来很多种改进的算法都是以该算法作为基本框架。因此HOG+SVM作为一个里程碑式的算法被写入到OpenCV中。2007年,PedroFelzenszwalb等提出了DPM[14]的模型,其大体思路与HOG一致,首先计算梯度方向直方图,然后使用SVM训练得到物体的梯度模型。为了适应物体的运动和变形,加入子模型检测物体的子部件,这种方法取得了很好的检测效果,连续获得VOC 07,08,09年的检测冠军。Dollar等首次使用了融合多种通道的特征[12],采用局部和,梯度方向直方图和哈尔作为行人的特征描述子,并且借助于积分图来快速地计算,分类器采用AdaBoost。并且通过实验证明多种通道特征比单一HOG特征具有更好的性能。2014年Dollar等又提出快速构建特征金字塔的方法[13],使用了LUV颜色特征、梯度幅值和梯度方向直方图组成的聚合多通道特征,使用AdaBoost方法检测行人。这种方法在640×480的图片上达到每秒30帧的检测速度,基本接近实时检测。

    深度学习模型模拟了人脑的视觉感知系统,从原始图片中直接提取特征,特征通过逐层传递,,获得图片的高维信息,使得其在计算机视觉领域取得了巨大的成功。随着深度神经网络日趋火热,深度学习模型也被大量的应用于行人检测中。Ouyang等[15]使用深度模型从图片中提取特征,通过网络学习人体子部件的可见性处理行人检测中的遮挡问题。Sermanet等[16]利用卷积稀疏编码非监督训练卷积神经网络,并将其应用于行人检测。Tian等[17]通过对行人的标注加入语义信息如背包,骑车等来训练网络,取得良好的效果。

    [1] P. Viola, M. J. Jones, and D.Snow, “Detecting pedestrians using patterns of motion and appearance,” IJCV,vol. 63, no. 2, pp. 153–161, 2005.

    [2]N. Dalal, and B. Triggs, “Histograms of oriented gradients for human detection,”in CVPR, 2005, pp. 886- 893.

    [3]Q. Zhu, C. Yeh, and T. Cheng, “Fast human detection using a cascade of histogramsof oriented gradients,” in CVPR , 2006, pp. 1491- 1498.

    [4]C. Wojek, and B. Schiele, “A performance evaluation of single and mult- ifeature people detection,” in DAGM, 2008.

    [5]T. Ojala, M. Pietikainen, and D. Harwood, “A comparative study of texturemeasures with classification based on feature distributeons,” PatternRecognition, 1996, vol. 19, no. 3, pp. 51- 59.

    [6]Y. Mu, S. Yan, and Y. Liu, “Discriminative local binary patterns for pedestriandetection in personal album,” in CVPR, 2008.

    [7]X. Wang, X. Han, and S. Yan, “A HOG - LBP human detector with partial occlusionhandling,” in ICCV, 2009.

    [8]S. Walk, N. Majer, and K. Schindler, “New features and insights for pedestriandetection,” in CVPR, 2010.

    [9]J. Wu, and J. Rehg, “CENTRIST: A visual descriptor for scene categorization,” PAMI,vol. 33, no. 8, pp. 1489- 1501, 2011.

    [10]J. Wu, C. Geyer, and J. Rehg, “Rea- l time human detection using contour cues,”in ICRA, 2011, pp. 860- 867.

    [11]S. Walk, N. Majer, and K. Schindler, “New features and insights for pedestriandetection,” in CVPR, 2010.

    [12]P. Dollar, Z. Tu, and P. Perona, “Integral channel features,” in BMVC, 2009, pp.1-11.

    [13]P. Dollar, R. Appel, S. Belongie, and P. Perona, “Fast feature pyramids forobject detection,” PAMI, vol. 36, no. 8, pp. 1532–1545, 2014.

    [14]P. F. Felzenszwalb, R. B. Girshick, D. McAllester, and D. Ramanan, ”Objectdetection with discriminatively trained part-based models,” PAMI, vol. 32, no.9, pp. 1627–1645, 2010.

    [15]W. Ouyang and X. Wang, “A discriminative deep model for pedestrian detectionwith occlusion handling,” in CVPR, 2012, pp. 3258–3265.

    [16]W. Ouyang and X. Wang, “A discriminative deep model for pedestrian detectionwith occlusion handling,” in CVPR, 2012, pp. 3258–3265.

    [17] Y. Tian, P. Luo, X. Wang, and X. Tang,“Pedestrian detection aided by deep learning semantic tasks,” in CVPR, 2015,pp. 5079–5087.
    展开全文
  • 行业分类-设备装置-基于移动机器人平台的分布式行人检测系统和方法.zip
  • 过去的一年我都在忙着实现我的本科毕业设计课题项目:行人检测系统。我们团队的目标是实时检测现场CCTV摄像机视频流中出现的行人。本文是对此项目的简要总结,同时对我们在开发这个行人检测系统中用到的一些开源项目...

    过去的一年我都在忙着实现我的本科毕业设计课题项目:行人检测系统。我们团队的目标是实时检测现场CCTV摄像机视频流中出现的行人。本文是对此项目的简要总结,同时对我们在开发这个行人检测系统中用到的一些开源项目和库进行简单的评价。

    行人检测是目标检测的一个分支。目标检测的任务是从图像中识别出预定义类型目标的存在。目标检测任务包括识别目标并给出每个目标的矩形包围框。一个用来检测行人的目标检测系统,就称为行人检测系统。

    在这里插入图片描述

    要快速掌握机器学习应用的开发,推荐汇智网的 机器学习系列教程

    我将从行人检测的早期实现方法开始介绍。这些方法源于21世纪早期,虽然称为早期,但实际上这些方法还在行业内使用。在下一篇文章中,我将介绍基于深度学习的技术。

    1、测试基准

    本文中提到的结果都是由附带的代码在笔记本上运行获得的,笔记本的规格如下:

    • CPU:Intel Core i7 7700 HQ (up-to 3.8 GHz)
    • 内存:16 GB
    • GPU:nVidia Geforce GTX 1060 6GB VGA
    • 软件栈:Ubuntu 16.04 and Open CV 3.4.

    虽然有GPU,但是测试中没有记录其使用情况,因为整个算法基本都是靠CPU在跑。

    所有的测试都是基于牛津大学提供的TownCenter视频,该视频取自项目:Coarse Gaze Estimation in Visual Surveillance Project

    2、行人检测的早期实现思路

    2.1 基于Haar特征的级联分类器

    基于Haar特征的目标检测算法是Paul Viola 和Michael Jones在2001年发表的论文 “Rapid Object Detection using a Boosted Cascade of Simple Features” 中提出的。这个方法在人脸检测中得到了广泛的应用。

    OpenCV包含了内置的Haar级联检测器实现,同时也提供了用于全人体检测、上半身检测和下半身检测的预训练模型,可以在这里下载。这个Python代码使用Open CV 3.4的Haar级联检测器进行行人检测。在我的测试中处理一帧的用时大约是90~100毫秒。

    2.2 基于方向梯度直方图特征(HOG)的检测

    HOG行人检测算法是N. Dalal和B. Triggs在2005年的论文“Histograms of oriented gradients for human detection”中提出的。

    OpenCv也包含了的基于HOG特征的检测功能,以及一个用于人体检测的预训练模型。这个Python代码使用OpenCV 3.4的HOG行人检测器处理视频,在我的测试中处理一帧大约需要150~170ms。

    3、早期行人检测实现思路的缺点

    下面列出的都是我在使用harr级联检测器和HOG检测器时发现的一些常见问题。这些 现象都是基于Open CV提供的预训练模型。

    3.1 漏检

    这两种方法都不是很擅长检测多姿态的行人,除非同时使用处理不同姿态的多个模型。 Open CV可用的预训练模型用来识别行人的站立姿态,因此当从正面和背面检测时效果 很好,但是从侧面检测的效果就比较差了。

    3.2 误报与重复检测

    这些早期的方法还存在将非人体目标识别为人的问题。可以通过调节阈值参数来 折中处理漏检和误报的情况。

    有些误报可以通过定义最小检测盒尺寸来避免:

    在这里插入图片描述

    也可能会发生下图右方的重复检测。非极大值抑制算法(Non Max Suppression)可以用来 处理这种情况。

    在这里插入图片描述

    3.3 包围框定位不准

    Haar级联检测器和HOG检测器得到的检测边界框都不能紧密地贴合被检测到的人体,事实上 包围框的边界在不同的检测中并不是固定的。这就给提取人体的位置(例如脚的位置)造成了困难。

    在这里插入图片描述

    3.4 检测闪烁

    常常会观察到的一个现象是,在前一帧里检测到的行人,在下一帧里又没了,或者反之。这就造成了检测结果闪烁的问题:

    在这里插入图片描述

    4、早期检测方法的优势

    虽然存在上面提到的这些问题,早期的检测方法依然还在业界使用。因为这些算法 需要的算力要少于现代的深度学习方法,不需要GPU就可以实时处理视频。在OpenCV之类 的计算机视觉开发库中也包含了这些算法的实现,因此成为实现行人检测的有吸引力 的首选。

    早期行人检测算法碰到的大部分问题,在新的基于深度学习的方法中都被解决掉了。我 将在下一篇文章中分析现代的方法是如何解决这些问题的。


    原文链接:行人检测原理及代码之一 —— 汇智网

    转载于:https://my.oschina.net/u/3794778/blog/3084903

    展开全文
  • 行人检测系统(PDS) 作为保障汽车、行人安全的一种主动安全手段,已成为产业界和研究界共同关注 的一个研究热点. 特别是近5 年来,随着传感器、核心算法等的不断进步和使用,PDS 研究发展很快. 不同于已有的针 对PDS ...
  • 基于TensorFlow框架、Faster RCNN模型、SSM框架(SpringMVC+Spring+Mybatis)的实时行人检测系统-附件资源
  • 实时的人脸检测系统,AdaBoost算法是当今流行的人脸检测算法之一。
  • Pro-SiVIC对行人检测系统进行基于搜索的软件测试的源代码。 我们希望所提供的示例代码可以帮助未来的开发人员和研究人员使用ESI Pro-SiVIC进行软件测试。 这些示例分别使用数据分发服务(DDS)在ESI Pro-SiVIC与...
  • 基于深度学习的自动化行人检测和监控系统 监控在安保和巡查中发挥着重要作用,但也是一项非常乏味的任务,深度学习的出现在一定程度上将人类从这一任务中解放出来。本项目基于深度学习的目标检测去搭建了一个简单...
  • 在ADAS(高级辅助驾驶系统)中,行人检测和自动紧急制动是两个重要的功能,在路人突然出现的时候,借助车载摄像头和计算机视觉技术,这两个功能让汽车判断出是否有碰撞发生的危险,并决定要不要紧急制动以避免碰撞。...
  • 原标题:干货!一文读懂行人检测算法1引言行人检测可定义为判断输入图片或视频帧是否包含行人,如果有将其检测出来,并...行人检测系统的研究起始于二十世纪九十年代中期,是目标检测的一种。从最开始到2002 年,...
  • 基于深度学习的行人自动检测与监控系统 监视在安全性和检查中起着重要作用,但这也是非常繁琐的任务。 深度学习的出现使人类从某种程度上解放了这项任务。...2.基于TensorFlow平台的行人检测系统 系统依赖于以下内容:
  • 【实例简介】可以进行行人检测的简单代码,测试有效,可以执行,运行结果良好【实例截图】【核心代码】可以用的行人检测└── 可以用的行人检测├── alpha.mat├── bias.mat├── HOG.m├── imhogtrace.m├...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 11,453
精华内容 4,581
关键字:

行人检测系统