基于梯度方向直方图的行人检测方法研究

为满足汽车安全性的要求,基于图像的梯度方向直方图特征,利用支持向量机的方法,实现了行人检测。该方法提取正负样本图像的局域梯度直方图特征,利用支持向量机进行样本训练,得到行人分类器。利用训练好的分类器进行检测,实验结果表明,该方法可以有效检测出前方出现的行人,并达到了较好的检测效果。     

基于HOG-LBP算法的铁路路基识别

随着铁路运输的快速发展,对不断扩张的铁路进行维护越来越需要一种不依赖人工、安全、可靠的新技术。铁路路基的识别对后续轨道的识别、枕木的识别、扣件的识别有着不可或缺的影响。针对铁路路基的纹理和形状特征,结合了LBP纹理特征和HOG形状特征采用了HOG-LBP算法,用于检测铁路路基。通过实验证明,在自采集的视频图像中,采用SVM训练,路基的识别率达到96.3%,这对后续的扣件识别,枕木识别,轨道识别提供了良好的基础。     

基于梯度方向直方图的融合图像跟踪算法研究

为了提高跟踪精度,本文提出了一种基于梯度方向直方图的融合图像跟踪算法。首先采用帧差法并结合形态学处理获得运动目标大致区域,在此基础上计算目标区域的有向梯度方向直方图(Histgrams of oritented gradients,HOG),利用HOG特征描述目标轮廓和形状的优点生成完整的目标描述,通过在粒子滤波框架下对多个假设状态进行匹配估计,获得目标的最优位置,最后对模板进行更新。实验结果表明,该方法能够获得清晰准确的跟踪结果,能够较好地避免跟踪中的漂移问题,且跟踪精度高。     

基于支持向量机的长波红外目标分类识别算法

红外图像的分辨率低和色彩单一,但由于红外设备的全天候工作特点,因而在某些场景具有重要作用.本文采用一种基于支持向量机(support vector machine,SVM)的长波红外目标图像分类识别的算法,在一幅图像中,将算法提取的边缘特征和纹理特征作为目标的识别特征,输入到支持向量机,最后输出目标的类别.在实验中,设...     

基于多尺度自卷积归一化直方图的仿射不变量模式识别

 仿射不变量特征提取方法已成为计算机视觉研究的重点课题之一.本文提出一种归一化直方图算法,该算法基于多尺度自卷积变换中密度函数的概念,研究归一化密度函数的方法,构建了从目标图像中提取直方图仿射不变量特征提取算法,实现了基于多尺度自卷积归一化直方图的仿射不变量模式识别.仿真实验表明,本算法对一定范围内的噪声,局部遮挡,照度及视角变化具有良好的适应性,特别是在多种环境下,其识别率优于多尺度自卷积和基于多尺度自卷积的其它直方图算法.     

基于特征值的激光成像雷达目标识别算法

提出了一种基于特征值的激光成像雷达目标识别算法。首先从激光成像雷达中获取目标场景的距离像,将场景中各个目标分离,分别提取各个目标距离像的特征值,然后用网格搜索算法对支持向量机参数进行优化,最后应用支持向量机对分离出来的三种目标进行分类识别。仿真实验表明:该方法简单易于实现,识别效果较好。     

HOG特征混合模型结合隐SVM的感兴趣目标检测定位算法

针对传统基于梯度方向直方图特征检测算法对解决目标模型单一、发生形变、存在遮挡及目标受干扰下定位困难的问题,提出一种基于HOG特征混合模型结合隐SVM的感兴趣目标检测算法。首先利用用训练图像的HOG特征金字塔表示得到包含感兴趣目标根模型、部件模型和对应可变形部件特征表示,该模型不仅描述目标的整体轮廓,而且能够捕捉到更为精细的目标部件轮廓,在一定程度上提高了检测算法在目标姿态复杂情况下的鲁棒性。然后利用HOG特征混合特征训练部件检测分类器LSVM(Latent Support Vector Machine)。最后通过动态规划和距离转换算法在测试图上扫描出与可变形部件模型相匹配的区域,实现感兴趣目标的检测定位。经过多组实验结果表明,所提出的算法能较好地解决目标在发生较大形变和存在遮挡等复杂姿态下的定位问题。      

梯度方向直方图和子流形在目标跟踪中的应用

针对光照、姿态变化等情况下的目标稳定跟踪问题,提出了一种基于梯度方向直方图和子流形的目标跟踪方法。首先对目标区域进行划分,将各子区域的梯度方向直方图组合作为目标初始特征描述;然后通过局部保留投影将初始特征投影到子流形得到低维特征描述。在特征提取过程中使用了积分直方图以提高运算速度。在跟踪阶段,首先使用离线训练方式得到了目标类的子流形空间特征,然后使用子流形空间中特征与训练样本均值的距离作为相似性度量,采用粒子滤波框架进行跟踪。针对目标亮度、尺度、姿态变化以及存在遮挡等复杂条件下的视频跟踪结果验证了所提出方法的有效性和鲁棒性。     

基于窗口边缘梯度势能的人体遮挡多尺度检测算法

为提高对于图像中人体检测的准确率,该文提出窗口边缘梯度势能(Window Gradient Potential Energy,WGPE)的概念和一种基于窗口边缘梯度势能快速人体检测方法。采用稀疏-稠密梯度势能窗口集对人体进行多尺度检测过滤,缩短了检测时间。采用改进后的加权级联支持向量机训练正负样本,将遮挡情况下的人体正样本进行加权划分,以检测遮挡环境下的人体。在对检测窗口进行过滤时,该算法并不需要增加过多的计算开销。在背景较为平滑的图像中,与多尺度面向梯度直方图(HOG)和HOG-LBP(Histograms of Oriented Gradients and Local Binary Pattern)方法相比在相同的准确率下,具有较少的检测时间。实验表明在人体检测的准确率和效率方面有所提高,对于处于半遮挡情况下人体检测,准确率也有明显提高。     

基于多实例回归模型的视觉跟踪算法研究

目前大部分基于检测的跟踪算法将跟踪任务看作是一个类别分类的任务,当目标发生形变或者遇到相似物体的干扰时,容易导致模型漂移。为此该文提出一种多实例回归跟踪算法。在该算法中,跟踪任务被认为建立在实例模型之上更为合适,为此该文利用一帧图像建立实例模型,并在时间序列上建立多实例模型集合表征目标的最近状态;为使跟踪算法能够适应目标的形变,利用逻辑回归将实例模型作为隐变量,由最近若干帧建立的正负样本集作为训练集,共同构建多实例回归跟踪模型。由于跟踪模型在整体上对多个实例模型建模,把它们紧密地联系在一起,故能有效应对目标的形变;由于模型漂移仅会影响当前帧的实例模型,各个实例模型之间互相独立,故跟踪算法能够有效减轻模型漂移对鲁棒跟踪的影响。实验中,OTB 2013数据库和UAV 123数据库被用来验证该文算法,DeepSRDCF, Siamese-fc等算法作为对比算法,实验结果表明,该文算法不仅充分发挥了基于多实例回归模型进行跟踪的优势,在形变等属性上具有很好的性能,而且在整体性能上优于各类先进算法3%~5%。     

基于多重分形特征的通信调制方式识别研究

该文提出一种基于多重分形特征的数字通信信号调制方式识别新方法。对接收信号进行去噪预处理,基于2维数据阵列求取信号的广义维数和多重分形谱;详细讨论了权重因子q对多重分形谱的影响,提取了13个多重分形特征参数;设计了基于多重分形特征的支持向量机分类器对不同信号进行调制方式识别。仿真结果表明,该算法在低信噪比情况下具有很好的识别性能。     

基于最优参数搜索的车辆中网识别方法研究

目前国内外车型识别方法中基于中网区域特征的研究较少,且分类识别的效率和精度较低。该文在分析中网格栅区域结构特征、中网窗口形状特征及区域纹理特征的基础上,提出基于最优参数搜索的改进型C参数的支持向量分类(C-SVC)车辆中网分类识别方法,该方法采用双角度约束以提高分类的效率和精度,即一方面设计基于马氏距离和a-原则对样本数据进行优化分选,并结合加权判别算法加快支持向量机的训练测试速度,以提高算法泛化效率;另一方面在核函数参数设定过程中,设计了基于先验知识的迭代最优参数搜索算法,以提高分类器的分类识别精度。实验表明,上述车辆中网识别方法检测准确率达到97.53%,具有精度高、误检率低的优点,同时极大优化分类识别效率,能够满足识别分类的实时性要求。     

基于多尺度细节增强的面部表情识别方法

人类面部表情是其心理情绪变化的最直观刻画,不同人的面部表情具有很大差异,现有表情识别方法均利用面部统计特征区分不同表情,其缺乏对于人脸细节信息的深度挖掘。根据心理学家对面部行为编码的定义可以看出,人脸的局部细节信息决定了其表情意义。因此该文提出一种基于多尺度细节增强的面部表情识别方法,针对面部表情受图像细节影响较大的特点,提出利用高斯金字塔提取图像细节信息,并对图像进行细节增强,从而强化人脸表情信息。针对面部表情的局部性特点,提出利用层次结构的局部梯度特征计算方法,描述面部特征点局部形状特征。最后,使用支持向量机(SVM)对面部表情进行分类。该文在CK+表情数据库中的实验结果表明,该方法不仅验证了图像细节对面部表情识别过程的重要作用,而且在小规模训练数据下也能够得到非常好的识别结果,表情平均识别率达到98.19%。     

基于生成对抗数据增强支持向量机的小样本信号调制识别算法

着眼于解决小样本信号调制识别问题,该文首先研究了利用支持向量机(SVM)进行分类识别的理论可行性;其次根据统计学习理论,对利用生成对抗网络(GAN)生成数据增强支持向量机分类识别能力进行了理论分析;最后通过构建包含层归一化的深度卷积生成对抗网络(LDCGAN),与普通深度卷积生成对抗网络相比,其生成数据映射至高维空间后特征更加明显,更有利于支持向量机的分类,实验验证了该生成对抗网络生成数据可以在小样本条件下实现对支持向量机分类识别能力的有效增强。     

基于感兴趣区域和HOG-MBLBP特征的交通标识检测

交通标识检测中样本类别间的不平衡常常导致分类器的检测性能弱化,为了克服这一问题,该文提出一种基于感兴趣区域和HOG-MBLBP融合特征的交通标识检测方法。首先采用颜色增强技术分割提取出自然背景中交通标识所在的感兴趣区域;然后对标识样本库提取HOG-MBLBP融合特征,并用遗传算法对SVM交叉验证进行参数的优化选取,以此来训练和提升SVM分类器性能;最后将提取的感兴趣区域图像的HOG-MBLBP特征送入训练好的SVM多分类器,进行进一步的精确检测和定位,剔除误检区域。在自建的中国交通标识样本库上进行了实验,结果表明所提方法能达到99.2%的分类准确度,混淆矩阵结果也表明了该方法的优越性。     

一种基于二值粒子群优化和支持向量机的目标检测算法

针对复杂场景下目标检测和目标检测中特征选择问题,该文将二值粒子群优化算法(BPSO)用于特征选择,结合支持向量机(SVM)技术提出了一种新颖的基于BPSO-SVM特征选择的自动目标检测算法。该算法将目标检测转化为目标识别问题,采用wrapper特征选择模型,以SVM为分类器,通过样本训练分类器,根据分类结果,利用BPSO算法在特征空间中进行全局搜索,选择最优特征集进行分类。基于BPSO-SVM的特征选择方法降低了特征维数,显著提高了分类器性能。实验结果表明,该文算法不仅有效提高了复杂场景下目标姿态、尺度、光照变化和局部被遮挡时的检测准确率,还大大缩短了检测时间。     

基于不同Margin的人脸特征选择及识别方法

Margin在机器学习中具有很重要的意义,基于margin的特征选择方法就是从分类的角度对特征集各特征的权重进行分析。该文对不同的margin进行了分析,提出将sample-margin和hypothesis-margin分别作为特征选择标准对SBS特征选择方法进行改进,然后设计具有最佳超参数的SVM多项式分类器进行人脸识别。实验在FRERT人脸图像库上进行并与Relief特征选择方法进行了比较,对SVM和NN分类器的实验结果也进行了分析。实验结果显示：该文提出的人脸识别特征选择及识别方法是有效、适用的。     

基于粒子群优化-支持向量机方法的下肢肌电信号步态识别

为提高下肢表面肌电信号步态识别的准确性和实时性,该文提出一种基于粒子群优化(PSO)算法优化支持向量机(SVM)的模式识别方法。首先对消噪后的肌电信号提取积分肌电值和方差作为特征样本,然后利用PSO算法优化SVM的惩罚参数和核函数参数,最后利用步态动作的肌电信号样本数据对构造的SVM分类器进行训练、测试。实验结果表明PSO-SVM分类器对下肢正常行走5个步态的识别率,明显高于未经参数优化的SVM分类器,优化后平均识别率达到97.8%,并兼顾了分类的准确性和自适应性。