Haar-like特征

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。

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.

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.

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.

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％.

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.

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.

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.

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.

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.

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.

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.

摘要： 文章利用Haar-Like小波及其扩展特征,把AdaBoost算法应用于眉毛的自动检测与定位。实验数据包括114人的228幅眉毛图像,每人闭眼和睁眼各一幅,分别用于训练和测试,大小均为768×586.通过把这些图像缩小1/10后进行AdaBoost训练,解决了其速度较慢和对内存需求较高的问题。实验结果表明,AdaBoost级联分类器的训练耗时约2.7s,测试耗时每幅图像约24ms,对眉毛检测和定位测试的精度达到了97.4%。

摘要： 文章利用Haar-Like小波及其扩展特征,把AdaBoost算法应用于眉毛的自动检测与定位。实验数据包括114人的228幅眉毛图像,每人闭眼和睁眼各一幅,分别用于训练和测试,大小均为768×586.通过把这些图像缩小1/10后进行AdaBoost训练,解决了其速度较慢和对内存需求较高的问题。实验结果表明,AdaBoost级联分类器的训练耗时约2.7s,测试耗时每幅图像约24ms,对眉毛检测和定位测试的精度达到了97.4%。

摘要： 文章利用Haar-Like小波及其扩展特征,把AdaBoost算法应用于眉毛的自动检测与定位。实验数据包括114人的228幅眉毛图像,每人闭眼和睁眼各一幅,分别用于训练和测试,大小均为768×586.通过把这些图像缩小1/10后进行AdaBoost训练,解决了其速度较慢和对内存需求较高的问题。实验结果表明,AdaBoost级联分类器的训练耗时约2.7s,测试耗时每幅图像约24ms,对眉毛检测和定位测试的精度达到了97.4%。

摘要： 本发明公开了一种基于纹理特征与形状特征相融合的水声图像特征提取方法，主要步骤包括图像分割，边界提取，生成基元阵，计算灰度‑基元共生矩阵，获取五项个特征量等几个关键步骤。本发明着手于海底底质水声图像的图形学特征，利用海底底质水声图像的边界形状特征及其灰度相关性，应用并结合边界提取与灰度‑基元共生矩阵法，实现海底底质的水声图像特征提取。本发明不仅能够保证平移、旋转和缩放不变性，并且对噪声不敏感，既可以描述闭合区域，对于非闭合区域也能很好的完成特征提取，实现了基于海底底质水声图像图形学特征的间接识别及提取。

摘要： 本发明涉及一种融合用户时间特征和个性特征的数据特征提取方法，属于人工智能技术领域；本发明基于多用户的批量时序数据，通过时间卷积神经网络建模数据的序列关系，同时引入时间通道和个性特征通道注意力机制自动选择与预测下一个数据点所密切相关的数据特征，从而获取用户的综合数据特征，在此基础上，可以利用现有神经网络模型提供基于用户历史习惯的相关服务。对比现有技术，本发明有效解决了传统神经网络模型在使用数据时效率低下的问题，通过时间通道和个性特征通道两种注意力机制，强调了时间信息和用户个性对于特征提取的重要性，提高了特征提取的有效性。

摘要： 本发明的目的在于提供一种选择特征量并且根据所选择的特征量的值将样品分类为多个类中的任一个的多类分类方法、多类分类程序、多类分类装置、以及用于这样的多类分类的特征量选择方法、特征量选择装置及特征量集。在本发明中，处理伴随特征量选择的多类分类问题。特征量选择是预先按照字面意思对样品所具备的大量的特征量中的用于后续的各处理(在本发明中尤其是多类分类)所需的特征量进行取舍选择的方法。多类分类是确定给定的未知样品属于多个类中的哪一个的判别问题。

摘要： 从位置信息历史中提取用户的停留位置与行为类型之间的相关性。行为模式存储单元(202)存储来自多个停留点的停留点信息(212)，该多个停留点包括与第一行为类型对应的第一行为地点类型的停留点和与第二行为类型对应的第二行为地点类型的停留点。行为特征提取单元(302)参考停留点信息；提取在第一行为地点类型的停留点进行了停留的日子以作为第一行为类型的日子；在第一行为类型的任意日子，如果在与第一和第二行为地点类型的停留点不同的另一停留点进行了停留，则针对第一行为类型的日子而提取与在该另一停留点进行停留的相同时段期间在第一行为地点类型的停留点的停留频率；并且确定该另一停留点与第一行为类型之间的关系。

摘要： 具有处理器和存储器的计算机取得保存有访问网页服务器的内容的用户终端的历史信息的会话数据和保存有用户的属性信息的用户属性数据来作为用户数据，取得保存有所述内容的属性的页面属性数据和保存有提供了所述内容的发布者的属性的发布者属性数据作为发布者数据，取得作为提取对象的发布者和该发布者设为获得目标的用户特征作为目标类型，根据目标类型计算提取对象的数据的项目和值的范围，根据所述用户数据和所述发布者数据计算与所述项目对应的提取对象数据，根据所述提取对象数据和所述发布者数据，基于所述项目的值的范围计算访问的特征量。

摘要： 一种具有用于收纳杆的收纳器和/或收纳器盖的脊柱外科手术系统。盖具有大致圆柱形的主体和从主体径向延伸的一组相对的抗张开凸缘。收纳器具有臂，该臂各自在近侧端部处或邻近近侧端部具有内近侧突起部，以及在近侧突起部远侧的内倾斜张开表面。每个盖凸缘具有面向近侧的盖防张开表面和面向远侧的盖弹出表面。每个收纳器近侧突起部具有面向近侧的倾斜收纳器弹出表面和面向远侧的倾斜收纳器防张开表面。收纳器弹出表面间隔开，因此每个盖弹出表面在操作中接触相应的收纳器弹出表面。每个张开翻修表面向远侧且沿径向向内朝向纵向轴线延伸并进入由盖的内径限定的圆柱形平面中。盖内径大于杆宽度。

摘要： 本发明公开了一种根据特征间的相关性将特征聚类分析并排除无关特征的方法，包括如下步骤：包括如下步骤：S1、去除无关特征：根据特征间的相关性将特征进行聚类分析,根据特征与类间的相关性从高到低进行排序，去除无关特征；S2、特征类聚：对去除无关特征后特征子集采用特征类聚；S3、选出指定数量的特征；本发明首先基于ReliefF算法去除无关特征，然后在特征子集中，将信息含量高的特征作为特征簇的初始中心，然后根据特征关联度对特征进行聚类，聚类完成之后，从每个特征簇中挑选有代表性的特征，该算法同时考虑了特征间的关联性以及特征与类标的相关性，能较好地去除冗余特征和无关特征，有效提高软件缺陷预测的性能。

摘要： 提供一种基于深度神经网络的人工特征与卷积特征融合的特征提取方法，所述方法包括：获取电动液压舵机的故障预测数据；对所述故障数据进行综合预处理，以得到训练数据集和测试数据集；将所述训练数据集分别送入卷积神经网络一次自编码器和基于专家知识的人工时域特征提取模块；在所述卷积神经网络一次自编码器中进行基于卷积神经网络的特征提取，获得卷积特征集；在所述人工时域特征提取模块进行基于专家知识的时域特征提取，获得人工时域特征集；对所述卷积特征集和所述人工时域特征集进行特征拼接，得到融合特征；将所述融合特征送入二次自编码器和解码器，进行基于堆叠自编码器的深度特征融合。

摘要： 相似度计算部(213)将多个类型分别作为对象，计算基准特征量与识别特征量的相似度，基准特征量是从对象类型的图像数据中提取出的特征量，识别特征量是从作为识别对象的图像数据即识别对象数据中提取出的特征量。影响度计算部(214)将与各类型有关的相似度和识别特征量作为输入，计算与识别对象数据的各部分图像有关的对相似度的影响度。特征确定部(215)根据影响度对识别特征量进行变更。

摘要： 本发明的目的在于提供一种能够计算出准确表示对象结构体的化学性质的特征量的特征量计算方法、特征量计算程序、特征量计算装置、能够使用特征量来有效进行医药候选化合物的筛选的筛选方法、筛选程序、筛选装置及能够使用特征量来有效创建医药候选化合物的立体结构的化合物创建方法、化合物创建程序、化合物创建装置。对象结构体的化学性质被表示为对象结构体与其周围的探针之间的相互作用的结果，因此在对象结构体彼此之间探针的聚集程度相似是表示这些对象结构体的化学性质相似的情况。因此，通过本发明的一方式所涉及的特征量计算方法，能够计算出准确表示对象结构体的化学性质的特征量。