加权HOG与特征融合行为识别方法研究

人体行为识别作为计算机视觉领域的重要核心,丰富行为特征表达是提高行为识别准确率的关键之一。方向梯度直方图(HOG)特征与尺度不变特征变换(SIFT)的融合特征可以很好地表征人体目标的静态外观信息,但缺乏对动态信息的表述,因此提出一种用光流场强度对HOG特征进行加权,再与SIFT特征进行融合形成新的改进融合特征,最后利用分类器中的支持向量机(SVM)完成特征分类的行为识别方法。基于MATLAB平台,在标准数据集KTH上验证该算法的有效性。实验结果表明,该算法的行为识别准确率为93.1%,识别效果明显好于传统的单一特征算法,较未加权特征融合方法的识别率提高了1.4%左右,对尺度缩放、亮度等变化也具有很好的鲁棒性,在视频人体动作领域具有较高应用价值。

OD-LBP与加权HOG特征融合表情识别方法研究

面部表情识别是人机交互领域的重要核心,丰富的面部表情特征是提高面部表情识别率的关键之一。正交差分局部二值模式(Orthogonal difference-local binary pattern,OD-LBP)和方向梯度直方图(Histogram of Oriented Gradient,HOG)的融合特征可以很好地表达出面部表情的局部和全局特征信息,但是没有考虑到面部不同部分对表情识别贡献程度不同。因此提出了一种先对人脸图像中的面部表情敏感区域提取OD-LBP特征,再将人脸图像均匀分块并提取HOG特征,计算每子块的改进空间频率值对HOG特征加权,然后与OD-LBP特征融合形成新的特征,并利用主成分分析(Principal Component Analysis,PCA)降维,最后利用分类器中的支持向量机(Support Vector Machine,SVM)完成特征分类的面部表情识别方法。基于Pycharm平台,在表情数据集JAFFE和CK上验证该算法的有效性。仿真实验结果表明,该算法的表情识别率分别为95.4%和96.9%,较未考虑区域重要性的融合特征的识别率提高了2.2%和2.1%,且在不同姿态、光照条件下具有良好的鲁棒性。