基于改进HOG特征提取与SVM分类器输电线路金具识别

目的:针对识别输电线路金具的检测方法存在精度低、分类结果较差的问题,提出解决方案。方法:提出一种基于支持向量机(SVM)分类与改进HOG梯度方向直方图特征提取相结合的输电线路金具识别算法。对图像进行去噪预处理,提取特征信息,输入到SVM进行识别分类。将绝缘子规定为正样本,耐张线夹规定为负样本,选取500个样本进行试验。结果:准确率由未改进前的81%提升到96%。结论:所提出的算法可行、有效,为机器学习在输电线路金具识别中的应用提供一定的参考。

基于申威众核处理器的HOG特征提取算法并行加速

HOG特征是一种简单高效的常用来进行物体检测的特征描述子,广泛应用于行人检测等领域,然而在处理海量图片时却面临着严峻的性能挑战。解决方法之一就是通过使用"神威太湖之光"超级计算机的处理器节点对海量图像背景下的行人检测算法进行加速。主要采用了两种并行方案:一种是一个处理器同时处理4张图片,另一种是同时处理256张图片。大量的串行和并行处理的实验测试结果表明,对高分辨率多幅图像的并行处理可采用第一种方案,加速比可达83倍;对低分辨率图像可采用第二种方案,加速比最高可达到95。两种并行设计方案在"神威太湖之光"的多处理器节点上具有很好的可扩展性能。

基于HOG特征提取和模糊支持向量机的西夏文字识别

提出了基于方向梯度直方图(Histogramoforientedgradient,HOG)特征提取和模糊支持向量机(Fuzzysupportvectormachine,FSVM)的西夏文字识别技术.在模糊支持向量机模型中引入了新的隶属度函数,构造了基于多超平面的模糊支持向量机模型,增强了分类能力,降低了噪声点的干扰,提高了分类效率.将HOG特征提取和FSVM相结合应用于西夏文字识别,提高了文字识别效率.通过在数据集上测试,并与已有的文字识别方法相比较,结果表明,HOG特征提取结合FSVM的方法性能优于现有的其他方法.

HOG特征提取中的三线性插值算法

有效提取行人的特征是行人检测技术的关键之一。梯度向量直方图（Histogram of Oriented Gradients,HOG）特征能有效描述人体的大致轮廓且不易受到复杂背景的影响。探讨了行人检测中的HOG特征,重点研究了其中的三线性插值算法。三线性插值算法可以消除因区域混叠问题对行人特征造成的影响,对准确检测行人非常重要。

基于改进HOG特征提取与SVM分类器的建筑裂缝识别方法

针对现有的建筑外墙裂缝检测及分类算法在裂缝所处环境复杂的条件下,存在检测精度不高、分类效果不理想的问题,提出了一种基于改进的梯度方向直方图(Histogram of Oriented Gradients,HOG)特征提取与支持向量机(Support Vector Machine,SVM)相结合的建筑裂缝识别方法。在原有的HOG特征提取步骤上增加了图像增广、直方图修正和中值滤波三项预处理技术,然后将提取出的特征传入SVM进行分类识别。根据所提方法对300张图片进行检测,其准确率达到93%。对比于直接将HOG与SVM相结合的方法,获得了更高的图像识别精度,验证了所提方法的有效性和可行性。

基于特征提取的数字识别算法研究

基于模板匹配的数字识别算法需要保证训练样本和模板样本一致,基于深度学习的数字识别算法需要保证有大量的训练样本。然而户外环境复杂,很难找到所有与训练样本相匹配的模板样本,搜集到的图像也比较有限,很难建立一个大的数据集,因此识别准确率欠佳。基于这种情况,本文提出了一种采用方向梯度直方图(histogram of oriented gradients,HOG)特征提取和支持向量机(support vector machine,SVM)分类器训练的方法对数字进行识别。为了增强复杂样本识别的鲁棒性,本文还对获取的图像进行了一系列的投影分割操作。实验后发现,本文所提算法可以有效避免模板匹配和深度学习方法的缺点,具有较高的识别准确率,且运行速度较快。

基于旋转不变HOG特征的焊缝缺陷类型识别算法

根据某钢管厂实际采集到的X射线焊缝图像,并通过对焊缝缺陷多样性和形态多变性特点的研究,给出一种基于旋转不变HOG特征提取的焊缝缺陷类型识别算法.首先,将项目前期己经检测到的多种缺陷进行分类和统计,截取每幅焊缝图像的ROI部分,构成实验所需的缺陷样本.通过尺度变换和圆形细胞划分方式,得到具有尺度不变性和旋转不变性的HOG特征,将所有样本特征进行PCA降维,维数由贡献度决定.最后使用LSSVM模型对缺陷进行类型识别.通过研究block块重叠范围对识别正确率的影响,发现在一定范围内,重叠范围越大,识别正确率越高.该算法通过改进传统HOG特征提取方式,提高了缺陷识别的正确率.

非线性时空正则化的相关滤波目标跟踪算法

针对目标跟踪过程中跟踪模型容易漂移,以及对于多样性形态变化的目标不能进行鲁棒跟踪的问题,结合生物视觉感知规律提出了非线性时空正则化的相关滤波目标跟踪算法。在目标函数中提出贴近人类视觉感知幂定律的非线性滤波更新的时间正则项,相比于时空正则相关滤波器(spatial-temporal regularized correlation filters,STRCF)中固定的时间正则项,非线性滤波更新的时间正则项可以根据跟踪的时间变化进行自适应更新,同时采用交替乘子法降低算法复杂度。提取非线性的梯度方向直方图(histogram of oriented gradient,HOG)特征,使用符合生物映射的对数极坐标进行尺度适应。根据最大响应值与平均峰值相关能量的关系进行遮挡异常检测,降低模型漂移的机率,增强算法的抗遮挡能力。实验结果表明,该算法在OTB2015数据集上的精确率和成功率分别达到89.8%和83.3%,该算法相比于STRCF在精确率上提升了2.5%,在成功率上提升了3.2%,在OTB2013与OTB2015数据集上的11种属性的分类对比中,该算法在旋转、低分辨率、背景杂乱、光照变化等因素干扰下的目标跟踪中具有较高的精确率和较强的鲁棒性。

基于边缘几何特征的乳腺X线图像中微小肿瘤检测方法

乳腺癌是女性高发恶性疾病,乳腺X线图像是乳腺癌诊断的主要依据。目前乳腺X线图像中微小肿瘤检测方法的肿瘤边缘特征提取效果不佳,导致检测结果假阳性过高,影响病患的诊断与治疗,故研究基于边缘几何特征的乳腺X线图像中微小肿瘤检测方法。根据形态学原理,对乳腺X线图像进行增强处理。采用HOG特征提取方法获取乳腺微小肿瘤的边缘几何特征,并构建肿瘤边缘几何特征稀疏表示字典。使用边缘字典与差影技术,完成微小肿瘤检测。实验结果表明,与传统的检测方法相比,此方法可有效降低检测假阳性个数,能够提高微小肿瘤检测精度。因此,说明本文方法具有较高的可行性。

结合HOG与SVM的电子元件多位姿目标检测研究

针对电子元件体积小,由振动供料器翻转后,位置、旋转角度随机,姿态十分相似,且会出现元件重叠的情况;使用HOG-SVM目标检测算法通过机器学习进行研究,并分析了电子元件各不同角度的特征提取丰富程度以及样本数量对于算法性能的影响。通过几种旋转角度人工获取并标注多组不同数量的样本集,以OpenCV库为基础,分别训练分类器,进行检测分类。最终经过多次实验表明,每隔10度旋转进行特征提取更加丰富;且当样本数量达到由此角度获得的180个时,分类器整体性能趋于稳定,达到较好的分类精确率。

基于HOG-GentleBoost的车辆检测方法

针对实际场景中的车辆检测,提供了一种快速有效的检测方法。首先对检测图像进行拉普拉斯锐化增强图像的边缘,其次进行方向梯度直方图(HOG)特征提取,然后用Gentleboost算法训练的分类器来对目标车辆进行分类。实验结果及正确—召回曲线(Precision-Recall)表明,该方法能在在道路、地下停车场等不同光照环境下进行车辆检测,检测精度较高且算法检测收敛速度较快。

状态监测视觉辨识技术研究

采用基于人体HOG特征提取算法,对变电站安全管控系统状态监测视觉辨识技术进行研究。根据变电站具体环境,人体特征等现象,采用级联Adaboost分类器,经离线训练和在线分类,可准确、快速实现对变电站状态监测视觉辨识,从而提高系统的技术性能,使系统具有较强的实用性。实验结果表明,采用的状态监测视觉辨识技术人体检测算法检测率为93.8%,误检率为4.7%,平均耗时为62 ms,比SVM分类器的检测率要高出9.5%,误检率要低9.8%,平均耗时要少132 ms。采用级联Adaboost分类器检测性能得到提高,从视频序列中能快速、准确提取人体区域,较好地满足了动态目标检测、分析的需求。

基于图像的车道线内车辆目标识别

为了获取本车道内前方车辆信息,文章提出一种基于HOG特征与SVM模型的车辆识别方法。根据检测出的车道线确定搜索区域,结合车底阴影特征实施车辆的检测并确定车辆可能存在的假想区域,针对假想区域进行HOG特征提取,构建车辆正、负样本库,将假想区域进行HOG特征输入到训练好的SVM识别器,实现车辆目标的识别。通过大量测试图像进行验证,结果表明文章采用的方法可识别出本车道内前方车辆目标。

基于静态手势识别的视力检测系统设计

基于计算机视觉的手势识别是人机交互的热点,文章提出一种自助式视力检测系统设计方案。核心算法是采用基于HOG特征提取和SVM分类的静态手势识别技术,对视力检测中上下左右方向的手势进行判别。软件设计以Windows系统为平台,采用Python3.7语言,调用OpenCV开源库进行编程实现。经系统测试,本系统运行稳定,操作简单,可实现视力检测过程。

采用模糊支持向量机算法的前车识别系统

针对辅助驾驶汽车在行驶过程中对前方车辆识别的实时性差、效率低等问题,提出基于方向梯度直方图(histogram of oriented gradient,HOG)特征提取与模糊支持向量机结合的一种前车识别系统。对汽车行驶过程中的图像灰度化、二值化等预处理后,进行HOG特征提取。对模糊支持向量机算法进行研究,通过增加模糊度变量的优化来选择最优分类决策面,使其对每个训练的正、负样本集的区域特征进行分类后识别。实验结果显示:模糊支持向量机算法不仅能够降低训练时的噪声,与支持向量机相比增强了支持向量,而且提高了训练时间与准确率;在能见度低的情况下识别效果较好,满足前车实时识别。

一种基于多尺度滑动窗口图像检测行人的新方法

针对行人检测领域的相关现实问题,传统机器学习算法通常采用对整幅图片以滑动窗口逐步检测的方法解决,这样会因检测非必要背景窗口过多而大大降低计算效率,针对上述问题提出一种基于多尺度滑动窗口图像检测行人的新方法。首先以滑动窗口遍历图像,对整幅图片进行显著性检测,然后通过二值化处理的方式,将显著性物体分割出来,最后过滤非必要窗口,继而提高检测效率。实验中采用HOG方法提取行人特征,运用线性SVM进行检测,最后验证新方法的有效性。实验中,使用大小为300×451Dpi、261×400Dpi的图像,检测窗口数量分别减少了44.21%、34.96%,检测速率分别提高了9.30%、12.73%。实验结果表明,相比于传统检测方法,新方法提高了检测效率。

基于支持向量机的印制电路板瑕疵目标检测

由于人工智能技术以及深度学习的不断进步,目标检测有了更多的应用。因为在印刷电路板(Printed Circuit Board)的制作和运输保存过程中许多因素都可能会使电路板产生不同类型的瑕疵,这些瑕疵会影响到电子设备的性能。目前PCB瑕疵检测任务都是通过人工检验的方法去完成,但是人工瑕疵检测一直存在诸多弊端。因此我们尝试将基于机器学习的目标检测技术引入到印刷电路板瑕疵检测中。本文是把PCB瑕疵检测问题转化为目标分类问题,利用梯度直方图(Histogram of Gradient)特征作为分类特征并使用支持向量机(Support Vector Machine)作为分类器。本文从两个层面对传统基于SVM的目标检测算法进行改进。首先,本文提出了一种负样本提取方式,通过增加样本数量以及引入随机性的方式提升了算法的检测精度。第二,我们发现SVM检测过程中的搜索框大小会显著影响检测精度。因此本文利用训练集中的目标框大小作为检测框大小。基于这两种改进方法,本文算法可以实现在检测过程中显著提升检测精度并降低误检率的目的。我们将算法在主流PCB检测数据集,即HRIPCB上进行验证,得到了37.0%的检测准确率。本文算法可以广泛应用于实际PCB瑕疵检测任务中,帮助节省人工成本。

基于计算机视觉的菜青虫检测系统的研究

针对传统人工识别及计数受人为主观性等因素的影响,致使虫识别效果与计数准确性不佳的问题,本文采用Hog特征及SVM分类器实现菜青虫的识别,通过对图片进行模块划分和梯度计算获取HOG特征,通过Cell复用获取样本,运用SVM分类器进行菜青虫的分类识别,实验结果表明SVM+HOG分类识别方法正确识别率高,识别速度快。

基于SoC的海天背景下红外斑状目标检测技术

基于红外目标检测的算法在军事和民用领域发挥着重要的作用,然而,在低信噪比条件下,对于飞机、船舶等红外斑状目标的检测存在难度大,误检率、虚警率高等困难。对此,提出了一种基于机器学习的红外斑状目标的算法,检测像素面积在3×3到100×100的红外目标。算法部分采用了形态学方法对目标进行预提取,并使用HOG特征提取与SVM机器学习分类出真实目标。算法分别在大、中、小三个尺度的目标检测上实现了94.01%、92.86%和92.19%的检测精度。此外,在SoC平台上实现了该算法,在低资源使用率的基础上,算法具有很高的实时性。

图像分类算法在酒花图像分类中的研究

"摘酒"是白酒生产的重要工艺环节,现有的摘酒方法依然沿用传统的人工操作模式。摘酒工需要熟知不同酒花的特点和其对应的酒精度范围,对白酒进行分类,"看花摘酒"完全依赖摘酒工的个人经验,且容易出现人为误差等,造成产品质量不稳定。为了改善这一现状,提出采用机器视觉代替人眼的思想对不同特点的酒花进行分类。首先采用图像处理技术对原始图像进行图像滤波,hog特征提取,然后对不同类别的酒花选取适当的样本作为分类的参考,运用核支持向量机(KSVM)对数据进行分类实验,对白酒酒花的分类结果达到90%。为进一步实现自动化摘酒提供理论支持。