帧间方向梯度直方图特征关联的行人检测方法

当前行人检测算法是无人驾驶领域的研究热点,但行人遮挡问题由于样本量相对比较少、遮挡情况多样、可视特征减少等因素,仍未得到很好的解决。针对行人之间相互遮挡或行人被其他物体遮挡导致的漏检问题,给出一种帧间方向梯度直方图特征关联的行人检测方法。首先,在YOLOv7基线网络模型的基础上添加跟踪的方法,以发现漏检行人并估计其位置信息;将含有漏检行人的最新局部图像作为新的信息,利用方向梯度直方图特征,采用支持向量机的方法,在漏检目标估计位置处进行行人检测,以改善由于部分遮挡所导致的漏检问题。实验结果与基线网络相比,该方法的精确度(P)值提高了6.25%,被遮挡行人的平均精度(AP)由26.67%提升到了53.42%。实验表明帧间方向梯度直方图特征关联的行人检测方法可以提高行人检测准确率,计算复杂度低,不明显增加原方法的计算开销,具有一定的应用价值。

基于金字塔方向梯度直方图特征的核相关滤波目标跟踪算法

在使用传统的核相关滤波目标跟踪算法(KCF)对环境背景庞杂下的目标进行跟踪时,会出现目标丢失的情况。为解决该问题,提出了将金字塔方向梯度直方图特征与多峰检测机制相结合的核相关滤波目标跟踪算法。该改进算法在原有的KCF算法的基础上,采用金字塔方向梯度直方图的特征提取方式,并使用多峰值检测更新机制(APCE)对目标是否被遮挡进行判断。与传统的KCF算法相比较,该算法在光照化较大、目标存在遮挡等背景复杂的情况下有更好的跟踪效果,减少了目标的漂移。

应用方向梯度直方图和低秩分解的织物疵点检测算法

织物疵点检测是织物表面质量控制的关键环节。基于方向梯度直方图(HOG)和低秩分解,提出一种有效的织物疵点检测算法。首先,将织物图像划分为大小相同的图像块,提取每个图像块的HOG特征,并将图像块特征组成特征矩阵,针对特征矩阵构建有效的低秩分解模型,通过方向交替方法(ADM)优化求解,生成低秩阵和稀疏阵;最后采用改进最优阈值分割算法对由稀疏阵生成的显著图进行分割,从而定位出疵点区域。实验结果表明,低秩分解能有效实现织物疵点的快速分离,与已有方法进行对比,本文方法能显著提高复杂织物纹理图像的疵点检测性能。

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。

基于角点类别特征和边缘幅值方向梯度直方图统计特征的复杂场景文字定位算法

针对复杂场景中纹理丰富的非文字区对文字定位算法的干扰,提出了基于光度不变量的角点类别特征和边缘幅值方向梯度直方图(Histogram of oriented gradients of edge magnitude,HOG-EM)统计特征两种新特征,并据此设计了一种两级多层复杂场景文字定位算法。首先获取边缘图像并提取根据HSL颜色空间特性划分的8层二值化图像,将其组成9层子图并做连通域分析提取文字候选区。然后提取文字候选区的角点类别特征和HOG-EM统计特征,将二者分别用于剔除非文字候选区和获取文字。实验表明:本文算法可以较为准确地剔除纹理丰富的非文字区,有效地降低复杂场景文字定位算法的虚警率,取得比较理想的准确率和召回率。

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。

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.

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的行人检测与跟踪

为了更好更快速的实现行人检测,通过优化参数,提出了改进的基于方向梯度直方图的行人检测算法,对视频跟踪中不包含行人信息的图像进行背景筛除,从而减少了特征的计算量。实验结果表明,该算法对行人检测是有效的,并提高了检测效率和精度。

基于广义可信度阈值判别和多分辨率方向梯度直方图的字符预分类

针对字符预分类问题,提出基于广义可信度阈值判别的规则和多分辨率方向梯度直方图特征,证明该规则具有"错误率"和"平均候选类别数"的最优折衷.基于梯度图像高斯金字塔,提取了多分辨率方向梯度直方图特征.实验结果表明,该规则和特征具有一定的优越性.

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。

基于兴趣点方向梯度直方图的图像检索方法

提出了一种基于图像兴趣点方向梯度直方图的检索方法。为了提高检索准确度,首先采用直方图均衡化增强图像对比度,然后利用SURF(Speeded Up Robust Features)检测子检测图像中的兴趣点,以兴趣点为中心,对兴趣点邻域内分块方向梯度直方图进行图像特征描述,最后进行相似性度量。该算法通过直方图均衡化,提取到图像中更丰富的细节信息,尤其对于颜色单一与颜色较深的图像,而且算法中充分利用了图像中包含信息量较多的图像兴趣点。实验证明。该算法提高了图像检索的准确度,相比其他算法取得了更好的检索结果。

基于旋转主方向梯度直方图特征的判别稀疏图映射算法

非约束环境下采集的人脸图像复杂多变,将其直接作为字典原子用于稀疏表示分类(sparserepresentation based classification, SRC),识别效果不理想.针对该问题,本文提出一种基于旋转主方向梯度直方图特征的判别稀疏图映射(discriminative sparse graph embedding based on histogram of rotated principalorientation gradients, DSGE-HRPOG)算法,用于构建类内紧凑、类间分离的低维判别特征字典,提高稀疏表示分类准确性.首先,采用旋转主方向梯度直方图(histogram of rotated principal orientation gradients,HRPOG)特征算子提取非约束人脸图像的多尺度多方向梯度特征,有效去除外界干扰和像素间冗余信息,构建稳定、鉴别的HRPOG 特征字典;其次,引入判别稀疏图映射(discriminative sparse graph embedding,DSGE)算法,以类内重构散度最小、类间重构散度最大为目标计算特征字典的最佳低维投影矩阵,进一步增强低维特征字典的判别性、紧致性;最后,提出投影矩阵和稀疏重构关系交替迭代优化算法,将维数约简过程伴随在稀疏图构建过程中,使分类效果更理想.在AR, Extended Yale B, LFW 和PubFig 这4 个数据库上进行大量实验,验证了本文算法在实验环境数据库和真实环境数据库上的有效性.

基于方向梯度直方图的陨坑预检测算法

陨坑是行星软着陆导航与避障过程中的主要检测目标,目前陨坑检测方法需要被检测图像尽可能地包含完整且清晰的单一陨坑,因此对图像陨坑进行预检测处理得到了广泛关注。通过人工模拟地形方法建立行星陨坑图像数据库,提出一种基于灰度梯度直方图特征(HOG)的支持向量机(SVM)图像陨坑分类方法。该方法可以有效地提取图像中可能包含陨坑的图像子图,并作为后续精确标记陨坑位置的图像处理方法的输入数据。仿真结果表明,该方法能够有效地提高陨坑标记的准确性和实时性。

基于方向梯度直方图特征的车脸识别方法研究

随着道路监控系统的数字化和智能化发展,车辆类型识别成为智能交通系统的研究重点之一。本文基于道路监控系统中的视频图像,对车前脸进行粗定位,并在粗定位车脸的基础上对车脸进行精确定位。对精确定位的车前脸进行水平梯度水平投影和水平梯度垂直投影,提取车标的方向梯度直方图——HOG特征,由此提出了基于HOG特征描述的车脸特征点提取方法,并采用支持向量机(SVM)对车标特征向量进行了分类识别。实验结果表明,只有选择适当的HOG特征参数,才能提高车型识别率。

基于改进方向梯度直方图的行人检测

针对提高行人检测速度和精度的问题,对于传统方法:方向梯度直方图(Histogram of Oriented Gradient,HOG)和支持向量机(Support Vector Machine,SVM)作了改进,主要包括下面两个方面,第一,对每个单元特征的计算采用积分梯度向量,以提高行人特征的提取速度;其次,对于每一个像素点的梯度方向bin进行一维的线性插值,来改善梯度信息提取的准确性,从而提高检测的精度。在INRIA静态行人检测数据集上,相对于传统方法,其检测速度和精度均有一定的提升。

基于方向梯度直方图和粒子采样定位的目标跟踪算法

针对静态背景和缓动背景下的多目标跟踪,提出一种基于HOG与粒子采样定位的单目标和多目标跟踪方法。从背景建模与更新策略出发,采用方向梯度HOG特征与朴素贝叶斯分类学习方法对检测的可疑目标进行判别,识别出兴趣目标。同时提出粒子采样定位算法,在初步确定的目标位置附近,利用一定分布特性的粒子对目标的位置状态进行逼近。对多场景多实例的跟踪仿真实验结果表明:该方法能够自动检测并判别兴趣目标,可以稳定跟踪单个或多个目标,并具有较高的定位精度。该方法可应用于静态背景和缓动背景下的单目标和多目标跟踪。

基于方向梯度直方图和灰度共生矩阵混合特征的金文图像识别

金文图像识别的关键步骤是提取金文的图像特征,针对金文的形态特点,提出了一种基于方向梯度直方图(HOG)和灰度共生矩阵(GLCM)的金文图像识别算法.使用双边滤波对金文图像进行预处理,针对金文的结构特征和局部纹理特征,提取其HOG特征和GLCM特征并将二者进行融合.用融合后的特征作为样本训练支持向量机分类器,用训练后的模型识别金文图像.实验结果表明,该算法相比基于HOG特征的算法,分类准确率提高了19.47个百分点,能更好地提取金文的图像特征,提高识别的准确率.

基于形状上下文和方向梯度直方图特征的异源图像配准

针对单模态图像包含的信息存在局限性的问题,提出了一种基于形状上下文和HOG(histogram of oriented gradient)特征的红外和可见光图像配准方法.在混合高斯模型前景检测的基础上,通过提出的形状上下文和HOG特征结合的方法实现轮廓特征匹配,再利用TPS(thin plate spline)转换模型将匹配延伸到整个形状,并使用正则化和缩放特性迭代重组对应关系及估计转换降低估计误差.最后,采用RANSAC(random sample consensus)算法去除错误匹配点.与已有的形状上下文方法相比,此方法结合了边缘和轮廓特征信息,降低了误差,鲁棒性更好.