Haar特征类有哪些最新发表的毕业论文呢？

一、总体简介

Haar特征的相关文献在2006年到2020年内共计132篇，主要集中在自动化技术、计算机技术、无线电电子学、电信技术、公路运输 等领域，其中期刊论文100篇、会议论文4篇、专利文献28篇；相关期刊78种，包括广西工学院学报、实验室研究与探索、电视技术等； 相关会议4种，包括第二届全国图象图形联合学术会议、2012中国汽车工程学会第十五届汽车安全技术学术会议、2010年中国自动化学会华东六省一市学术年会等；Haar特征的相关文献由367位作者贡献，包括区苏、李春贵、蒋兆峰等。

二、Haar特征类论文发文量统计

三、Haar特征类论文发文趋势统计

中文期刊文献发文趋势

中文会议文献发文趋势

中文专利文献发文趋势

四、主题主要研究者

区苏、李春贵、蒋兆峰、蒋先刚、邹利华、高倩、丘赟立、凌永国、刘艳洋、张涛、曹玉东、李世友、李林峰、李湘、杨才广等学者

五、相关发表期刊

包括《计算机工程与设计》、《电子设计工程》、《计算机工程》、《计算机系统应用》、《软件导刊》、《广西工学院学报》、《实验室研究与探索》、《电视技术》、《电子科技》、《现代电子技术》、《信息技术》、《工业控制计算机》、《计算机工程与科学》、《现代计算机（专业版）》、《计算机光盘软件与应用》等期刊

六、相关发表会议

《2010年中国自动化学会华东六省一市学术年会》

《2012中国汽车工程学会第十五届汽车安全技术学术会议》

《第二届全国图象图形联合学术会议》

《第18届全国图象图形学学术会议》

七、中文期刊文献示例

1．基于新增haar特征和改进AdaBoost的人脸检测算法

2．Haar特征耦合级联分类器的车道线检测算法

3．融合Haar型局部特征的人耳识别算法

4．一组用于快速人脸检测的分开Haar特征

5．应用Camshift跟踪算法提高视频中人脸检测速度

八、中文专利示例

1. 基于Haar特征的Adaboost检测算法的优化方法

摘要：本发明提供了一种基于Haar特征的Adaboost检测算法的优化方法，第一步、利用积分图快速计算Haar特征的特征值；第二步、使用训练好的级联分类器对特征值进行选择，即，使用缩放后的模型作为模板在原始图像上滑动窗口，通过所有级联分类器的子窗口被判定为目标；第三步、所有判定为目标的子窗口作为候选矩形，通过非极大值抑制方法进行融合精简，直到获取最终目标。本发明的优点是：在保证检测的准确率轻微降低的基础上，大大提高了检测速度。优化训练分类器的方法相比，本发明并没有减少Haar特征的类别，使用的是PC上相同的分类器，检测效果更好。

2. 一种基于Adaboost Haar-Like特征的SVM目标检测方法

摘要：本发明提供一种基于Adaboost Haar‑Like特征的SVM目标检测方法，该方法采用Haar‑Like特征，通过Adaboost方法将若干个该类特征组成一个强特征分类器，重复按这种方法选取多个强特征分类器，然后将这些强特征分类器的特征值按照一定的顺序组成特征向量，采用SVM方法对特征向量进行训练和检测。本发明虽然与基于级联结构的Adaboost Haar‑Like特征目标检测算法相比速度有所降低，但准确率有较明显的提升。

3. 一种基于Haar特征和EOH特征的行人检测方法

摘要：本发明属于视频图像处理技术领域，并提供了一种基于Haar特征和EOH特征的行人检测方法，包括：S1、计算训练样本集中的正/负样本的Haar特征和EOH特征的特征向量；S2、通过改进的Gentle Adaboost算法对训练样本集中的正/负样本进行训练，得到行人分类器；S3、获取监控区域的视频流图像作为输入图像；S4、利用行人分类器对输入图像进行行人检测；S5、基于EKM算法对检测得到的行人进行跟踪和计数。在本发明中，通过将Haar特征与EOH特征一起作为特征向量对行人特征进行描述，提升了行人检测的精确度，并有效地提高了对公共区域内对行人进行人数统计的效率与准确度。

4. 基于颜色与HAAR特征融合的人群规模统计方法

摘要：本发明公开了一种基于颜色与HAAR特征融合的人群规模统计方法，该方法包括以下步骤：数据预处理；特征提取；Adaboost构建目标模型；行人检测以及人数统计。本发明融合颜色特征和Haar特征的方法，将颜色这种先验知识作为Haar特征权值进行目标判断，再通过adaboost训练分类器进行人群中个体的检测与识别。本发明首先训练Haar模型，通过加权基于人脸肤色的颜色属性构建分类器用于人脸检测，将人脸子窗口进行K‑NN分类，分类结果即为行人个数。本发明能避免光线过弱、目标集中、目标过小等因素造成的影响。

5. 基于HAAR特征和ADABOOST级联分类器识别前方车辆分层检测方法

摘要：本发明提供了基于HAAR特征和ADABOOST级联分类器识别前方车辆的分层检测方法，基于Haar特征的AdaBoost级联分类器通过离线训练，可利用大量时间完成分类器的离线训练，不影响在线检测效率。在识别过程中提取的感兴趣区域(ROI)，有效排除了不需要处理的部分，减少了无关内容的影响，从而可以显著降低算法计算量，达到提高检测速度的目的。检测中对感兴趣区域的分层过程考虑了目标在车辆实际运动时在图像场景中的变化及移动特性，针对性地采用了更为高效的检测子窗口遍历方式。且相对于传统的滑窗算法进一步设置里每层子窗口的最大值，能够明显减少子窗口的数目，从而降低计算量，提高检测程序的运行效率。