利用局部二值模式和方向梯度直方图融合特征对木材缺陷的支持向量机学习分类

根据木材缺陷类型及视觉特点的不同,将木材缺陷分为6类,加上正常无缺陷木材共分7类;实验将图像样本转化为灰度图后生成680个训练样本数据集和94个测试样本数据集。在分析单一方向梯度直方图(HOG)特征及局部二值模式(LBP)采用不同核函数对木材缺陷分类性能的基础上,提出局部二值模式和方向梯度直方图融合特征对木材缺陷分类。融合特征经主成分分析并降维,利用支持向量机的4种不同核函数分别验证局部二值模式和方向梯度直方图融合特征对木材缺陷分类的性能。结果表明:利用局部二值模式和方向梯度直方图融合特征比单一缺陷特征具有更高效的分类性能;采用线性核函数及高斯核函数对局部二值模式和方向梯度直方图融合特征进行支持向量机分类,分类准确率分别可达98.9%和97.8%,木材缺陷可实现自动检测分类。

基于方向梯度直方图和局部对比度特征的海面背景红外图像分类

在复杂多变的海面环境下,应用红外成像技术对海面中小目标进行搜救时,为有利于后续针对不同场景的目标处理,有必要对采集的原始图像进行分类处理。根据不同的环境条件,将海面红外图像分为五类场景。从两个方面对训练集图像进行特征提取,一个是通过高斯滤波将图像分为基础层和细节层,然后使用改进的方向梯度直方图(HOG)方法提取特征;另一个是提取图像的局部对比度得到局部特征。将提取的特征向量融合并输入到分类器中,使用支持向量机(SVM)对测试集图像进行分类。文章使用了HOG和局部对比度方法(LCM)结合的新特征描述符对海面红外图像的场景进行分类,与其它方法相比,结果表明改进方法的准确率达到96.4%,体现了可行性和有效性。

基于方向梯度直方图属性空间的局部放电模式识别改进算法

该文提出一种基于方向梯度直方图(HOG)属性空间的局部放电模式识别改进算法,旨在提高特征对样本信息的概括能力,并克服分类器对高维特征的识别局限。首先,构造局部放电脉冲序列分布(PRPS)模式作为识别依据,利用局部细分叠加窗口滑移的迭代算法自动化构建PRPS图像的HOG属性空间;然后,通过线性变换协方差矩阵的方式重构HOG属性空间,使其满足相互独立性;接着,根据属性重要性重新排列空间后,依次增加输入朴素贝叶斯分类器的属性个数,基于分类精度搜索最佳属性子集;最后,按照归约属性的相对重要性进行加权,最终设计出HOG属性选择加权朴素贝叶斯分类器。大量样本测试结果证明,此算法能够达到很高的识别精度,对传统识别算法的优化效果明显,有较好的应用价值。

基于方向梯度直方图和局部二值模式混合特征的水稻病虫害识别方法研究

为解决判定水稻病虫害类型所需样本多、处理设备要求高等问题,以健康水稻及褐斑病、铁甲虫病、稻瘟病水稻为研究对象,基于方向梯度直方图(histograms of oriented gradients,HOG)和局部二值模式(local binary pattern,LBP)加权融合的方法对水稻病虫害图像提取特征,利用支持向量机(support vector machine,SVM)对水稻进行分类识别。结果表明,基于HOG和LBP混合特征的水稻病虫害识别方法在小样本的情况下识别分类正确率为94.2%,优于HOG、LBP及GLCM(gray-level co-occurrence matrix)单一特征描述分类准确率。通过进一步结合多尺度检测对病斑目标定位,该方法所得检出率为90.7%,高于YOLO v3和Fast R-CNN深度学习算法,并获得最短训练时间。本研究在样本量少及处理效率方面具有明显优势,能够满足田间对水稻病虫害分类及检测的农业需求,在今后农业信息化领域具有巨大应用潜能,适用于结合移动设备进行田间交互采集处理。

联合梯度直方图和局部二值模式特征的人体检测

针对采用单一梯度方向直方图(HOG)特征进行人体检测时易受竖直梯度分量干扰的缺点,提出了将分块局部二值模式(LBP)特征加入HOG特征的方法。首先,将检测窗口划分为大小为16×16的不重叠块,以块为单位统计LBP特征直方图,并通过大量实验获得了LBP算子的最佳参数;然后用优化过的插值方式计算HOG特征,将两者组成联合直方图。最后,用线性支持向量机(SVM)通过Bootstrapping的方式训练,得到判别模型。在INRIA人体库上的测试表明,检出率在误检率(FPPW)为10-4时由原始的89%提高到95%,单窗口检测速度由0.625ms提高到0.533ms。本文将纹理特征加入原始描述轮廓的HOG特征中,排除了部分梯度干扰信息造成的误检,提高了检出率。

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。

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。

梯度方向直方图特征的人耳身份识别方法

人耳特征体具有普遍性、唯一性、稳定性和可采集性等作为生物特征识别必备的基本特性,易实现非打扰式识别.研究一类新型的基于梯度方向直方图的人耳身份识别方法,将人耳图像划分为不同子区域,分别提取各子区域梯度方向直方图特征,采用模糊隶属度匹配融合策略获取识别结果.重点讨论了局部遮挡时基于梯度方向直方图特征描述的人耳识别问题,定义并分析了人耳子区域识别贡献率,探讨累计遮挡问题,可为人耳图像有效鉴别子区域的确定提供参考.实验结果表明,基于梯度方向直方图的人耳身份识别方法是可行的与有效的.

一种梯度方向直方图的人耳识别方法

为了提高多姿态人耳的识别准确率,提出了一种结合梯度方向直方图(HOG)特征和监督保局投影的人耳识别方法.人耳图像被划分成重叠的子区域,在每个子区域中计算局部HOG特征.所有的局部HOG特征构造成包含丰富信息的高维向量,高维向量映射到流形空间利用监督保局投影进行鉴别分析,获得强鉴别力的特征.利用最小欧氏分类器进行分类识别.结果表明,本文方法提高了大姿态人耳的识别率.稀疏的子区域表示和局部HOG特征能在一定程度上克服姿态变化造成的对齐误差,对角度变化有很好的鲁棒性.

基于多尺度局部直方图均衡化的矿井图像增强方法

针对当前常用的直方图均衡化、基于Retinex理论、基于同态滤波、基于小波分析等矿井图像增强方法存在欠增强、过增强等问题,提出了一种基于多尺度局部直方图均衡化的矿井图像增强方法。根据HSI颜色空间图像的颜色分量(色调分量、饱和度分量)与亮度分量相互独立特性,将矿井低照度RGB图像转换到HSI颜色空间;采用双边滤波将亮度分量分解为光照图像和反射图像;对光照图像进行小、中、大3个尺度分块,对图像块分别进行局部直方图均衡化处理,以提升图像亮度和对比度;对反射图像进行8方向梯度增强,以丰富图像的纹理边缘;将经多尺度局部直方图均衡化的光照图像和方向梯度增强的反射图像进行Retinex反变换,得到增强的亮度分量,将其与色调分量和饱和度分量转换至RGB颜色空间,得到增强的矿井图像。采用煤矿井下实际监控图像对基于多尺度局部直方图均衡化的矿井图像增强方法进行实验验证,对其增强效果进行主客观评价。结果表明:该方法与现有图像增强方法相比,在图像亮度和对比度方面均有更大的提升,细节信息更丰富,信息熵提升7.23%以上,平均梯度均值提升31.6%以上,具有更好的图像增强效果。

基于加权局部梯度直方图的头部三维姿态估计

在实时估计人的头部三维姿态时,基于局部梯度方向直方图的面部特征表示方法容易受到背景和环境的影响,其检测精度无法满足实际需求。为了减少图像或视频序列中背景和环境的影响,提出了一种新的对面部特征进行描述的方法,即基于肤色权值和高斯权值加权的局部梯度方向直方图特征表示方法。在具体计算时,首先进行人脸检测并将人脸区域缩放到统一大小,然后计算人脸区域每个像素点对应的梯度方向,接着计算肤色权值并利用肤色权值和高斯权值对梯度方向进行加权得到加权局部梯度方向直方图,从而强化面部特征在直方图中的比重,有效减小背景对头部三维姿态估计的影响,最后利用非线性支持向量回归机求解加权局部梯度方向直方图与头部三维姿态之间的关系。实验结果表明:该特征表示方法具有更高的检测精度。

融合局部纹理和形状特征的人脸表情识别

针对局部二值模式(LBP)、中心对称局部二值模式(CS-LBP)和梯度方向直方图(HOG)的不足进行改进,该文提出中心对称局部平滑二值模式(CS-LSBP)和绝对梯度方向直方图(HOAG),并提出一种融合局部纹理特征和局部形状特征的人脸表情识别方法。该方法首先采用CS-LSBP算子和HOAG算子分别提取人脸表情图像的局部纹理特征和局部形状特征,然后使用典型线性分析法(CCA)进行特征融合,最后利用支持向量机(SVM)进行表情分类。在JAFFE人脸表情库和Cohn-Kanade(CK)人脸表情库上的实验结果表明,改进的特征提取方法能更加完整、精确地提取图像的细节信息,基于CCA的特征融合方法能充分发挥特征的表征能力,该文所提人脸表情识别方法取得了较好的分类识别效果。

基于局部二元模式特征的行人检测

针对复杂背景下的行人检测问题,从纹理信息的角度,提出了基于分块的局部二元模式(LBP)算法。利用局部二元模式均匀模式算子提取小块图像的特征直方图后,并进行归一化,最后将所有的小块特征级联起来形成最终的局部二元模式特征。为了便于比较,采用了支持向量机(SVM)算法分别对梯度方向直方图(HOG)特征和局部二元模式特征训练了相应的分类器。实验结果表明,基于分块的局部二元模式特征在公开的INRIA数据集上能得到较好的检测效果。

分层纹理特征和梯度特征融合的图像分类

为了提高分类检索和识别的准确率,提出了分层纹理特征和梯度特征融合的方法,即分层中心对称局部二值模式(CS-LBP)和梯度方向直方图(HOG)的特征融合方法。首先,对原始图像进行多次CS-LBP特征的提取,得到3层不同的特征图像;然后对特征图像进行大小相等、不重叠分块,分别提取每块CS-LBP特征和HOG特征,形成每一层的特征;再将特征图像的特征进行融合。分别在标准图像库和人脸库上进行仿真,研究结果表明:提出的分层融合方法的分类查准率和识别率比传统方法分别提高了15%和10%。

HOG结合傅立叶局部二值模式特征的行人检测

针对局部二值模式(Local binary patterns,LBP)和梯度方向直方图(Histogram of Gradients,HOG)的联合特征,在行人检测中易受行人肢体偏转影响的问题,本文将傅立叶局部二值模式算子(Local binary patterns-HF,LBPHF)与HOG算子联合对行人进行特征描述。在每个滑动窗口中,分别计算HOG特征与LBPHF特征,将两者结合,构成联合特征。利用线性支持向量机训练分类器,通过自举法不断更新优化分类器,获得最优判别模型。将提取所得的联合特征输入分类器中进行判别,采用非极大值抑制的融合方法对重叠检测窗口进行融合。实验结果表明,LBPHF算子与HOG相结合的方法检出率高,计算复杂度低,抗行人肢体偏转干扰能力强。

一种基于局部HOG特征的运动车辆检测方法

在平均车头时距较小的交通拥挤情景中,针对传统的基于截取完整车辆作为待检区域的方向梯度直方图(HOG)特征匹配方法较难取得准确的待检区域及其漏检率与误检率较高等问题,本文提出一种基于局部HOG特征提取及识别方法。首先采用中值滤波的方式对图像进行预处理,然后在图像中选取特定区域并设置一条虚拟检测线,将此检测线作为感兴趣区域(ROI)来提取灰度图像的局部HOG特征向量,最后采用支持向量机(SVM)对局部HOG特征向量进行模型训练,以及对车辆处于检测线和离开检测线这2种状态进行分类和计数。针对支持向量机的输出结果存在噪声点的问题,使用检测队列和二次确认模块相结合的方法进行过滤,且在选取训练样本时利用车尾阴影来提高检测的灵敏度。该方法与传统的基于车辆整体外观的HOG特征检测方法及其他车辆计数方法相比,具有检测率高、实时性强、灵敏度高的特点,尤其在平均车头时距较小的交通拥挤状况中,检测效果明显优于其他方法。

局部二次加权与多特征融合的行人检测算法

针对复杂背景下采用单一特征进行行人检测时的局限性,提出了一种融合多种特征并运用模板弹性模型与局部二次加权的算法,将梯度直方图(HOG)、肤色、发色与曲率有效融合,建立了适用行人检测的各特征模型。第一级采用改进HOG特征结合模板弹性模型利用SVM分类器初次检测;第二级提取局部模板感兴趣区域(ROI)进行头部肤色、发色与腿部曲率检测。实验表明,该算法弥补了单一特征的不足,有效检测了行人整体与局部关键特征,提高了识别性能。

基于深度和局部HOG的交通车流监测研究

针对交通车流监测问题,提出一种基于深度和局部HOG的交通车流监测算法,该算法首先将车辆的划分为9个特征区域,利用HOG算法对特征区域的图像进行数据化,构建一个车辆局部特征区域数据库;再利用KPCA算法对其进行降维,从而降低计算复杂度;最后利用随机森林对特征数据进行分类,从而得到分类器,完成车辆检测过程。结合Kinect的深度摄像功能,计算车辆特征区域距离交通信号灯的距离,进而完成车辆的监测。实验结果表明:算法较传统算法有更好的检测率,在交通车辆监测中有较高的监测准确率。

一种基于局部拓扑与l_(1/2)范数的解析字典分类的人群事件检测

所提方案在传统解析字典算法基础上,加入局部拓扑项用以描述数据之间的结构信息,同时用l_(1/2)范数代替l1范数作为稀疏约束,从而提高表示系数的稀疏度。在特征提取上,融合了包含丰富运动信息的相互作用力直方图与包含纹理信息的梯度方向直方图,然后用改进的字典对特征数据进行训练,最后通过计算测试样本在该字典下的重构误差来判断测试样本是否为异常样本。在标准行为库UMN(University of Minnesota)数据库上进行的实验证实了算法具有较高的性能。与传统的算法相比,提出的改进的解析字典分类算法在针对人群异常事件中取得了更为有效的检测。

基于HOG局部双线性插值的机械零部件检测与识别

传统方向梯度直方图(HOG)特征方法用于机械零部件检测时,对零部件的微小缺陷点的检测和识别不是很有效,因此课题组提出了一种局部双线性插值的HOG特征提取改进算法,将其用于小缺陷点的零件的检测和识别。首先,在图像内部的某个块上实现局部双线性插值;然后对局部双线性插值图像块进行梯度计算,提取新的梯度方向直方图;最后利用神经网络分类方法对具有微小缺陷点的零件进行检测。实验结果表明:局部双线性插值HOG特征提取方法比传统的HOG特征提取方法具有更好的检测性能;增强图像的抗混叠识别效果。