基于边缘分割的车载单目远红外行人检测方法

基于机器学习的车载单目远红外行人检测方法存在实时性较差和检测精度较低的问题.为此,文中提出了基于边缘分割的头部-方向梯度直方图-支持向量机(Head-HOGSVM)行人检测方法,引入加权Sobel算子强化行人的垂直边缘以分割行人候选区域;根据不同距离行人的外观模式选择行人检测方法:使用头部特征检测中、近距离行人以改善系统的实时性,使用头部识别级联基于方向梯度直方图特征的支持向量机(HOG-SVM)分类器检测成像模糊的远距离行人.在多个郊区场景视频数据集上的实验结果表明,与基于双阈值分割的HOG-SVM分类方法相比,文中方法的检测精度和检测速度分别提高了约33%和200%.

利用CBIA与WSN构建的植物叶片分类系统

为了将计算机辅助植物叶片分类算法从理论研究向实际应用推进,利用基于内容的图像分析与无线传感器网络技术实现了移动设备终端的植物叶片分类功能。利用基于Sobel边缘检测子的全自动图像分割方法获取叶片的准确形状,利用基于霍特林变换的方法对叶片进行旋转预处理并提取傅里叶描述子等九种形状特征,然后使用多类支持向量机分类器对叶片进行分类,再进一步使用早期融合的方法对分类结果进行加强,随后利用以上叶片分类方法作为核心技术建立无线传感器网络,最后利用Java与安卓技术实现移动客户端的应用功能。实验结果显示,对于两个叶片数据库,分别达到了80%的分类准确率水平,与国际同类研究水平相当;对于无线传感器网络,移动终端用户可在9 s内从服务器得到叶片分类的反馈结果;移动客户端实现了安卓操作系统上的应用程序。综上所述,研究已经取得了显著的阶段性成果,并将在下一阶段的工作中引入更加新颖高效的方法来进一步提高叶片分类准确率。