不用深度学习，(行人检测 目标检测 ）基于图像处理的人体粗略估计

原创 已于 2022-06-02 17:40:42 修改 · 1.2k 阅读 · 10 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#计算机视觉 #人工智能

于 2022-05-28 21:17:07 首次发布

目录

目录

一  基于腿部定位的粗略估计方法

二 基于头发定位位的粗略估计方法

三  基于图像图形二值化—+灰度投影法的结果

四 基于kmeans聚类分割+图像处理的结果

五  边缘检测+图像腐蚀操作等确定人体位置

背景

行人检测 目标检测 行人追踪是当前的热点

应用图像处理技术，结合计算机视觉可以得到目标检测和追踪的效果，目前比较流行的是深度学习，transfmer,MLP等方法

深度学习有CNN,SSD,yolo算法等，yolov1-yolov5都可以进行很好的目标检测，行人检测，目标追踪等问题，可以给大家带来很好的效果，目前主流的开发语言是python,基于pytocrh或者ztensorflow框架进行编程处理

当然比较流行的方法有 hogsvm  gaborsvm等，都在开始的时候广泛的应用到行人检测的方法中

但是最原始的基于图像处理技术还是很值得研究的，本文主要采取图像处理技术，进行行人检测的技术研究。

并且不断和持续的更新采取和探索的技术。

一  基于腿部定位的粗略估计方法

这是进行粗略估计的 结果

原始的视频是基于yolov5的结果

本文主要采取图像处理的结果

通过观察视频，可以看出小姐姐的肤色腿部很明显

那么根据图像处理的基本常识，首先定位到肤色，基于ycbcr的模型 得到粗略的分割模型 也就是杉树图中的第二幅图

然后对分割的图进行一系列的操作，比如闭运算等，得到第三幅图，并且画出来连通域

通过观察第三幅图的连通域，可以知道很多小的连通域也被标记出来，因此删除了很小的面积的，得到了第四幅图

通过第四幅图，可以看出在上册有一个横幅是在干扰我们的识别，因此对于长宽比在大于2的时候，将横幅屏蔽，因此屏蔽后的结果图如上述的第五幅图

根据第五幅图，那么定位到腿部，然后根据人体的比例，将外接矩形的坐标和长宽进行设计，得到最后估算的结果数据。。

通过调整参数和配置，得到的其他数据的结果如下

code的下载地址

不用深度学习，基于图像处理的人体粗略估计-统计分析文档类资源-优快云文库

二 基于头发定位位的粗略估计方法

方法为粗略的定位到头发

然后去除干扰区域

然后根据身体的特征，得到数据的结果

图 袁术图像

他 定位到头发区域

 粗略得到连通域

删除无关的连通域

根据体型得到粗略估计

得到原来的图像得到人体的估计

可以看出能粗略得到人体数据吧

其他数据的结果见

 

可以看出可以通过头发 粗略的得到数据

所有的试验原始图像来源于网络 如果有侵权，请联系作者删除

详细code见



(2条消息) 二基于头发定位位的粗略估计方法-其它文档类资源-优快云文库

---------------------2022.5.29-------

----------------------持续更新---------------------------

三  基于图像图形二值化—+灰度投影法的结果

持续更新

首选得到RGB 然后选择r通道做实验

对r通道，进行二值化

然后求求解得到灰度投影曲线，垂直投影和水平投影曲线

得到的结果如上所示

图 经过二值化翻转后的数据结果，可以看出，在第四个图像上，可以很明显的可以看出来人体的大概的卷度，因此对于人员的定位骐达了关键的作用

图 采取的第三个通道做的数据研究

图 当改变otsu的阈值时候，这时候的阈值是0.13.得到的数据结果如上所示 

 

阈值是0.53的数据结果

详细的code

二值化和灰度投影的人体定位系统-其它文档类资源-优快云文库

四 基于kmeans聚类分割+图像处理的结果

上述的图 第一个是kmeans的数据结果

这里聚类成三类，可以卡出第二个图像的数据较好，可以聚类很明显的区分出来

右侧的图，经过数据分析后，用二值化处理，加上膨胀操作，进一步得到了原始数据的边界框 ，得到人体

详细的code见

四基于kmeans聚类分割+图像处理的结果-其它文档类资源-优快云文库

五  边缘检测+图像腐蚀操作等确定人体位置

首选确定了candyB边缘检测

然后进行闭运算

进行闭运算后，进一步进行填充操作 

填充完毕，进一步进行imclose操作，求解外接矩形，得到最后的数据结果

当然选择其他的边缘检测时候

效果不是很好

 当采取soble算法，采取4次闭运算的时候结果，如上所示

当选择 prewitte算法的时候，得到的结果也不好

 

当选择log算子，并且最后进行区域面积筛选，得到的结果较好

详细的code见

基于边缘检测和图形处理的，人体区域定位和检测-机器学习文档类资源-优快云文库

行人检测数据集/目标检测
01-08
计算机视觉相关算法研究，把之前用过的数据库下载进行上传 ，以方便更多的人下载。
基于视频的人体多目标检测和跟踪
11-19
图像检测论文，在知网上下载，为不能上知网的提供方便
数字图像处理---行人检测
商少
05-13 2861
数字图像处理----行人检测 行人检测概述 目前行人检测方法主要分为两类 1.基于背景建模：利用背景建模方法，提取处前景运动的目标，在目标区域内进行特征提取，然后利用分类器进行分类，判断是否包含行人。 2.基于统计学的方法：根据大量的样本构建行人检测分类器。提取的特征主要有目标的灰度、边缘、纹理、颜色、梯度直方图等信息。分类器主要包括神经网络、SVM、adaboost 以及深度学
目标检测（未用深度学习）
weixin_41695199的博客
04-28 1414
目标检测1图像分割前景背景分割基于阈值的分割方法基于边缘的分割方法基于区域的分割方法区域生长法分水岭算法基于图论的分割方法Graph CutGrab Cut人脸识别Haar-like特征Haar级联分类器级联分类器Boosting分类器行人检测HOG-SVM梯度计算Block拆分对比度归一化HOG步骤SVM模型DPM 图像分割 基于灰度、颜色、纹理和形状将图像进行分割。 （没有涉及语义，主要还是灰...
行人检测(Pedestrian Detection) Resources
weixin_30399155的博客
09-11 945
行人检测(Pedestrian Detection)资源 一、论文 CVPR2012与行人检测相关的论文 [1]ContextualBoostforPedestrianDetectionYuanyuanDing,JingXiao [2]UnderstandingCollectiveCrowdBehaviors:LearningMixtureMod...
Deep Learning回顾之基于深度学习的目标检测
u012507022的博客
10-24 2万+
转自：https://www.52ml.net/20287.html 引言 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
阅读笔记-目标检测/行人检测
GerinT的博客
09-02 352
PENDING READ Intro to Graph NN/Embedding/CN OBJECT DETECTION/FRAMEWORK 数据增强 行人检测数据集 物体检测的轮回: anchor-based 与 anchor-free Guided Anchoring: 物体检测器也能自己学 Anchor 目标检测模型的评估指标mAP详解(附代码） 干货 | 目标检测入门 CVPR2019目标检测方法进展综述 FCOS anchor-free 目标检测源码 mask r-cnn源码 CornerNet-
基于CNN目标检测方法（RCNN，Fast-RCNN，Faster-RCNN，Mask-RCNN，YOLO，SSD）行人检测，目标追踪，卷积神经网络
热门推荐
是否龍磊磊真的一无所有的博客
06-10 4万+
一、研究意义 卷积神经网络（CNN）由于其强大的特征提取能力，近年来被广泛用于计算机视觉领域。1998年Yann LeCun等提出的LeNet-5网络结构，该结构使得卷积神经网络可以端到端的训练，并应用于文档识别。LeNet-5结构是CNN最经典的网络结构，而后发展的卷积神经网络结构都是由此版本衍生而来。 在过去六年中，由于深度学习和卷积网络的发展和进步，基于图...
深度学习图像处理目标检测图像分割计算机视觉 03--传统方式的图像处理
guoxinxin0605的博客
10-23 837
深度学习图像处理目标检测图像分割计算机视觉 03--传统方式的图像处理摘要一、三、四、5六、总结二级目录三级目录 摘要 一、 三、 四、 5 六、 总结 二级目录 三级目录
目标检测YOLO实战应用案例100讲-基于深度学习的雾天交通图像车辆及行人目标检测研究
qq_36130719的博客
07-19 1219
在如今电子产品快速发展的时代，智能化、机械化、信息化逐步代替了传统 行业的发展和经营模式，人工智能越来越贴近人们的日常生活，计算机更加频繁 的出现在各种生产生活场景中，成为不可或缺的电子设备。计算机视觉的工作之 一就是对拍摄的图片进行处理从而感知周围环境，在智慧交通和无人驾驶等领域 中，计算机采集周围环境的信息，在信息加工处理后依照不同环境做出不一样的 方案，来完成自动驾驶等任务。
目标检测YOLO实战应用案例100讲-基于深度学习的人眼视线检测
qq_36130719的博客
11-05 885
视觉是人和动物最重要的感觉。人可以通过视觉获得外界信息，外界也可以通过视线 获知人的想法，视线检测技术由此而兴。根据视线的检出结果，可以知晓目标人物当前的 关注点，在某些场景下甚至可以预测其行动。一般来说，视线指由起点到终点的一个方向 向量。目标人物瞳孔的中心位置为视线起点，其正在关注区域的位置为视线终点[1]。捕捉 到此信息意味着建立了视线起点至视线终点的映射关系，这一关系可以应用于许多场景：（1）疲劳驾驶。
目标检测YOLO实战应用案例100讲-基于深度学习的可见光遥感图像目标检测
qq_36130719的博客
09-12 511
遥感图像的获取一般是借由装载在空天载具上的各种光学相机进行拍摄而 来。在农林灾害防治、森林火灾预警、环境保护、地质勘探、城市规划、交通管 理、国防军事等领域，各种处在不同高度、不同视角、不同波段的相机所拍摄的 遥感图像有着及其广泛的应用。随着近年来航空航天事业的进步，一系列对地观 测卫星发射升空，空天平台的迅速发展，遥感图像的数据来源增多，对这些数据 进行处理的需求也在增加。如何利用好海量的遥感图像数据为人们服务已经成 为亟需解决的问题。
4、单目图像中物体的检测与深度估计
最新发布
perl8的博客
07-10 12
本文提出了一种基于Faster R-CNN的多任务神经网络方法，用于从单目RGB图像中同时实现物体检测与深度估计。通过在Faster R-CNN基础上添加深度估计分支，并利用ROI Pooling提取的特征进行物体级深度预测，结合改进的对数损失函数和惩罚因子优化远距离物体的估计精度。实验在KITTI数据集上进行，结果表明该方法在保持检测准确性的同时，能够有效预测物体深度，具有较快的收敛速度和良好的实用性，适用于自动驾驶等场景理解任务。
DeepSort行人车辆识别系统（实现目标检测+跟踪+统计）
qq_44231797的博客
04-07 4081
DeepSort行人车辆识别系统（实现目标检测+跟踪+统计）
传统图像处理方法实现目标识别
gaoshiqinga的博客
05-13 2927
传统图像处理方法实现目标识别一系列流程
没有深度学习之前的图像检测
u011613695的博客
04-25 516
在没有深度学习的时候也是可以识别人脸的 ，利用Haar的级联检测 传统的方式在遮挡严重，倾斜严重，肤色差严重的情况下识别不出来 这种方式的图像分割还是传统的，利用深度学习可以实现语义分割。 关于如何切直方图是很有讲究的，比较著名的方法是OTSU大津算法：https://baike.baidu.com/item/otsu/16252828 先定义一个区域，然后一点一点往进加，扩大范围，在...
基于深度学习的行人目标检测系统设计与实现计算机毕设
11-24 558
在当前行人目标检测技术中，深度学习技术已经取得了显著的进展，通过设计并实现高效、准确的检测算法，可以提高系统的性能，为行人安全提供有力保障。Flask具有轻量、易用、高效的特点，将有助于实现快速、可靠的系统。3. 面向实际应用：本文将关注行人目标检测在实际应用中的需求，如视频监控、自动驾驶和智能安防等领域，通过与实际场景的结合，提高系统的实用性和可操作性。为了解决这些问题，本文将研究一种基于深度学习的行人目标检测系统，通过设计并实现高效、准确的检测算法，提高系统的性能，为行人安全提供有力保障。
基于YOLOv8的行人目标检测项目（超级详细）
m0_73414212的博客
05-13 1万+
解压目录下的其他的txt文件是数据集的划分情况，知道就好，不用做出处理。这里我只是简单地去跑一个检测项目，快点跑完知道如何运行就可以了，所以我这里Images中只保留了2000张图片（上面的网盘链接中是完整的数据）。可以将上面的batch改小一点，但是记住修改后的数值要保证是2的倍数。我这里的yolov8项目是放在E:/yolov8Project下的，和上面的图片路径是相对应的。如果你的路径和我的完全一样直接运行就可以了，我这里是按照9:1的比例划分数据集的，如果想要其他的比例按照注释修改即可。
【行人检测】行人检测综述
m0_61112058的博客
11-24 4335
行人检测综述--从手工特征到深度特性
基于深度学习的3D目标检测算法
03-12
### 基于深度学习的3D目标检测算法概述 在单目3D目标检测领域，存在多种基于深度学习的方法来提升检测精度和效率。这些方法主要分为三类：直接回归法、基于深度信息的方法以及基于点云信息的方法[^1]。 #### 直接回归法 这类方法利用卷积神经网络(CNNs)直接从未标注图像中预测物体的位置、尺寸及其朝向。该技术路线的优势在于不需要额外的数据处理步骤即可完成端到端的学习过程。然而，由于仅依赖二维视觉特征来进行三维空间定位，因此可能面临准确性不足的问题。 #### 基于深度信息的方法 为了提高估计精度，一些研究引入了深度传感器获取的距离数据作为辅助输入给定场景中的每个像素对应的实际距离值。通过融合RGB图片与深度图的信息，可以更精确地重建出被观测对象的空间结构，从而改善最终的结果质量。此方向上的工作通常涉及到如何有效地联合训练多模态感知模型并解决不同源之间存在的域差异问题[^2]。 #### 基于点云信息的方法 不同于前两种方式侧重于从传统相机视角出发解决问题，另一种思路则是充分利用激光雷达(LiDAR)等设备产生的稠密点集表示环境几何特性。此类方案能够提供更为丰富的形状描述符用于识别特定类型的障碍物或行人，并且不受光照条件变化的影响，在自动驾驶等领域展现出巨大潜力。不过，处理大规模稀疏分布的数据也带来了新的挑战，比如内存占用大、计算成本高等方面需要特别考虑。 针对上述各类别的具体实现细节和技术难点，学术界已经发表了一系列高质量的研究成果可供参考： - **Monocular 3D Object Detection via Deep Learning**: 提出了一个名为Mono3D的新框架，它能够在仅有单一摄像头的情况下准确地标记道路上行驶车辆的确切位置和姿态参数。项目主页提供了详细的实验设置说明及预训练权重文件下载地址。 - **Deep MANTA: A Coarse-to-Fine Many Task Network for Joint 2D and 3D Vehicle Trimming from Monocular Images**: 描述了一种新颖的设计理念——即采用粗略至精细的任务级联机制同时执行多个子任务（如分类、分割），进而达到更好的整体性能表现。GitHub仓库里包含了完整的PyTorch版本源码供开发者进一步探索优化可能性。 - **Pseudo-LiDAR++: Accurate Depth Map Prediction with Differentiable Adaptive Sampling**: 探讨了怎样借助可微分自适应采样策略生成逼真的伪LiDAR信号序列，以此增强现有纯视觉驱动型系统的鲁棒性和泛化能力。官方给出了TensorFlow平台下的演示实例帮助初学者快速入门理解核心概念。 关于r-fcn系列的工作进展值得注意的是，后续出现了诸如r-fcn-3000这样的改进版架构设计，旨在缓解原始版本中存在的因过多类别引起的高维度输出带来的效率低下状况。新提出的解决方案通过对原有PS RoI池化层内部操作做出调整简化了整个流程的同时保持甚至提升了原有的辨识效果[^3]。 ```python import torch.nn as nn class R_FCN_Improved(nn.Module): def __init__(self, num_classes=80, k_size=(7, 7)): super(R_FCN_Improved, self).__init__() # 定义改进后的 PS ROI Pooling 层 self.ps_roi_pool = PositionSensitiveRoIPooling(output_dim=num_classes * np.prod(k_size)) def forward(self, x): pooled_features = self.ps_roi_pool(x) return pooled_features ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

交通上的硅基思维

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值