基于形状特征及纹理特征的中药材检索方法

为有效提取中药材图像的特征,提高中药材图像分类准确率并提升检索性能,对中药材图像的梯度方向直方图形状特征和局部二元模式纹理特征进行研究,对2种特征进行维数改进,提出一种基于形状特征和纹理特征的中药材检索方法。使用改进的图像梯度方向直方图和分块局部二元模式进行形状及纹理的特征提取;对提取得到的特征向量进行线性组合;采用一对一方式构造多分类器,使用支持向量机进行分类检索。实验结果表明,组合降维特征提取算法能在中药材图像数据集中取得较好的识别效果。

方向梯度直方图及其扩展

介绍方向梯度直方图(HOG)及其扩展。结合HOG的计算步骤阐述其内在理念和捕获的主要图像特征,指出其局限性,论述对HOG的重要扩展,包括多尺寸HOG、梯度方向直方图金字塔、分析降维HOG,给出对各扩展使用积分图加速计算的方法以及其他改善方法,从措施、复杂度、维数、思想等方面对各HOG改善方法进行比较,给出HOG未来的研究方向。

一种方向梯度直方图的降维方法

为描述对象的局部外观和形状,方向梯度直方图首先将图像划分成小区域(被称为cell),然后在其上累加像素梯度方向的一维直方图.在被称为block的较大区域(由数个相邻的cell组成)上连接cell的直方图,经归一化处理形成特征向量.为减弱由block引起的区域量化走样,在计算检测窗口的特征时,采取部分重叠block的措施,从而大大增加了特征维度以及目标检测时的计算量.通过扩大参与相邻cell之间像素梯度插值的面积,并设置适当的高斯平滑核尺度,可消除block重叠,从而将64×128尺寸的窗口的方向梯度直方图特征维度由3 780降低为1 152.INRIA的行人数据集实验表明,该方法也可减弱区域量化走样,且其性能与原方向梯度直方图几乎相当,而检测速度却显著提高.

面向图像分类的多层感知机BBO优化方法

为了通过优化多层感知机权重及偏置提高图像分类决策的正确率,借鉴生物地理学优化(BBO)算法的思想,提出面向图像分类的多层感知机BBO方法.首先提取图像的颜色矩和降维梯度方向直方图(DRHOG)的组合特征作为多层感知机的输入数据,然后使用BBO优化方法得到迭代250次的最优权重及偏置,最后经多层感知机得出测试图像的类别.该方法有效避免算法早熟现象,增强图像分类能力.通过仿真实验,验证此方法比粒子群优化算法优化多层感知机具有更高的求解质量和效率,为图像分类提供又一可行方案.

基于混合高斯和HOG+SVM的行人检测模型

为了提高行人检测系统的检测率,提出了一种基于混合高斯背景建模结合方向梯度直方图(histogram of oriented gradient,HOG)+支持向量机(support vector machine,SVM)的行人检测模型.首先,采用混合高斯模型进行前景分割,有效提取出运动目标区域;然后,在行人识别部分通过缩小检测窗口尺寸来降低HOG特征维数;另外,利用误识别区域,对样本库的信息进行二次更新,以优化SVM分类器;最后,以随机视频帧为测试样本进行模型性能验证.结果表明,在保证检测率和检测速率的情况下,该混合高斯结合HOG+SVM模型的误检率仅为4%,说明该模型能够在复杂场景下实时准确地进行行人检测.

基于梯度方向和强度直方图的红外行人检测

由于梯度方向直方图(HOG)特征很难区分与行人具有相似轮廓的物体,并且未能较好利用红外图像中行人轮廓内部的亮度信息。为此,提出一种新的特征——梯度方向和强度直方图(HOGI),将其应用于红外行人检测中。通过支持向量机(SVM)融合多特征的方法,避免多特征串联时维度过高的问题。实验结果表明,与HOG相比,HOGI在不增加特征维度和计算量的情况下,漏报率平均降低50%左右。通过基于滑动窗搜索法对实际红外图像进行检测发现,HOGI+SVM方法比HOG+SVM方法具有更好的检测效果。

非重叠低维度梯度方向直方图

作为衍生于尺度不变特征变换的特征描述,梯度方向直方图(HOG)在人体检测、手势识别、人脸识别、场景分类等方面得到广泛应用.但HOG的特征维数高,导致维数灾难和大计算量.文中发现HOG特征的高维度源自它需在众多重叠块中计算直方图.虽然重叠块机制对特征的鲁棒性有积极作用,但也导致信息冗余.为去除冗余信息并降低特征维数,从直方图归一化入手,提出非重叠式梯度方向直方图.所提方法的维数降低为传统方法的1/3.在人手和人体检测上的实验表明,该方法不仅物体检测速度得到显著提高,检测准确度也得到改善.

决策表属性约简算法及其在行人检测中的应用

由于行人集刚性特性和柔性特性于一身,使行人检测成为继人脸检测之后计算机视觉的又一研究难点和热点。但现有行人检测技术中普遍采用的梯度方向直方图特征存在维度高、特征冗余计算慢和存储量大等缺陷。针对上述缺陷,引入粗集属性约简理论来降低该特征的维度,以提高行人检测的性能和速度,降低行人特征的存储量,从而应对目前大数据计算以及低存储能力和低计算能力的移动设备中进行实时行人检测的需要。基本思路如下:首先,利用一个知识对另一个知识的正域概念来刻画属性的重要度,即属性重要度值越大,则该属性对分类越有帮助;反之则对分类帮助较小;然后,引入粗集属性约简理论,删除原始决策表中属性重要度值小的冗余属性。实验结果表明:将该算法引入行人检测,在维度下降到原来的18.52%仍然保持95.88%的准确率和召回率,同时也提升了检测速度,降低了行人特征的储存量,验证了粗集约简理论在行人检测中的有效性。