一种目标跟踪中的模糊核直方图

针对目标模型内的背景像素造成目标跟踪定位偏差的问题,提出了一种适合于目标跟踪的模糊核直方图。通过在核直方图中引入模糊隶属度,可降低背景像素对目标特征的影响。另外,研究了模糊隶属度函数,根据中心-周围方法提取背景特征,并给出了确定模糊隶属度函数的两种策略,即比率策略和差分策略。在比率策略中采用对数似然函数技术,而在差分策略中采用目标特征与背景特征的差分技术。实验表明,基于比率策略的目标跟踪更适合于场景简单的情形,而基于差分策略的目标跟踪适合于场景复杂的情形。

基于特征联合和直方图交叉核函数的动作识别方法

为提高动作识别的识别率和实时性,提出了一种新颖的基于特征联合和直方图交叉核函数的动作识别方法。该方法首先跟踪视频中运动物体上的局部时空特征点形成运动轨迹,并计算出轨迹的梯度方向直方图(HOG)、光流直方图(HOF)、运动边界直方图(MBH)特征和轨迹上各点所在视频帧局部区域的局部二值模式(LBP)特征组成联合特征矩阵;然后等量地对每种动作的各训练样本的联合特征矩阵进行平均采样,将采样结果合并后运用bag-of-features方法进行K-means聚类形成码书,在此基础上利用码书量化各样本的联合特征矩阵得到表示视频样本中运动信息及结构信息的特征向量;最后将形成的特征向量作为支持向量机(SVM)的输入,同时选择直方图交叉核函数作为SVM的核函数,训练动作识别的分类器并进行测试。实验结果表明,该方法不仅提高了动作识别的识别率,而且通过利用直方图交叉核函数可缩短分类器的训练与测试时间。

多特征融合和交叉核SVM的车辆检测方法

为了能够提高车辆检测的准确率和效率,利用不同分辨率下图像中的信息,文章提出一种多分辨率下的方向梯度直方图特征(multi-resolution histograms of oriented gradients)和局部二值模式算子(local binary pattern)相融合的车辆检测算法。由于融合后的特征维数明显高于单一特征,使得检测的实时性较差,通过主元分析(principal component analysis)来实现对融合后特征降维,并采用直方图交叉核支持向量机(HIK-SVM)对特征进行分类,完成车辆的检测。实验结果表明,该检测方法有较高的车辆检测率,且实时性较好。

基于多核学习的静态图像人体行为识别方法

提出一种基于广义性多核学习的静态图像人体行为识别方法。从图像中提取基于边缘的梯度方向直方图和基于稠密采样的尺度不变特征描述子,并使用空间金字塔模型加入粗略空间信息;运用直方图内交核函数计算金字塔模型各层核矩阵,通过广义性多核学习方法求解各个核矩阵权重,以线性组合方式得到最优核矩阵;最后利用多核学习决策函数进行行为识别。Willow-actions数据集实验结果表明,本文方法比其他几种方法更加有效。

基于特征融合和交叉核SVM的快速行人检测方法

行人检测是目标识别领域的一大难点。现阶段用于行人检测的特征维数都比较高,为克服高维特征对实时性的影响,本文运用主元分析(PCA)对特征进行降维,加快检测速度。单一特征的信息有限,本文运用基于线性鉴别分析(LDA)的线性权重融合原则对一些底层特征(颜色、梯度、直方图)和多层次导向边缘能量特征进行特征融合使特征具有多源信息。且上述特征可采用积分图技术进行快速计算,所以行人检测系统的鲁棒性和实时性得到加强。在目标识别领域直方图交叉核支持向量机(HIKSVM)具有分类快,且准确率高的优点,采用其进行分类,系统实时性更进一步提升。实验表明本文方法检测速度和检测率优于经典的HOG+SVM算法。

基于多特征和多核学习的行人检测方法的研究

行人检测系统涉及交通安全问题,需要很高的鲁棒性,基于单特征结合单核支持向量机的方法效果有限,为解决这一问题,提出采用多特征和多核学习的方法来提升系统的鲁棒性,通过将积分信道特征、多层次导向边缘能量特征和CENTRIST特征分别与直方图交叉核、高斯核和多项式核进行线性组合,采用简单多核学习(Simple MKL)来分别计算核函数的权重系数,将多核学习方法与经典的梯度直方图特征/支持向量机、多尺度梯度直方图特征/直方图交叉核支持向量机和特征融合/直方图交叉核支持向量机的行人检测方法进行比较,实验表明所提出的行人检测算法的鲁棒性有明显提升。

基于特征融合的核量化图像分类方法

局部特征和全局特征是图像的两种重要的特征描述,在图像分类时起着至关重要的作用。据此提出一种通过融合全局与局部特征核量化图像分类方法。首先,分析全局特征及局部特征各自优缺点,并对图像进行特征提取;其次,通过核方法将特征映射到适当的高维空间中,来进行码书的获取与量化,并进行特征的融合以更好地对图像进行描述;最后,采用基于直方图交叉核的支持向量机对获取的量化特征进行分类。通过实验证明了所提出的方法的可行性。

基于多核学习SVM的图像分类识别算法

针对单核支持向量机在图像分类识别中检测精度较低的问题,提出一种多核学习SVM的图像分类识别算法,并将其应用到行人检测问题中。首先,提取行人的积分通道特征包括梯度直方图、彩色通道和梯度特征;然后,使用直方图交叉核、多项式核和径向基核构建混合核SVM分类器;最后,使用交叉验证和网格搜索的方法确定各种核的融合系数。在TUD数据集上的测试结果表明,该方法具有较好的鲁棒性和较高的检测精度。

基于特征贡献度的MeanShift目标跟踪

为有效提高Mean Shift算法的模板匹配精确度,采用基于特征贡献度的Mean Shift目标跟踪方法,对不同贡献度的特征向量赋予不同的权重,以彰显目标特征、抑制背景因素。分别介绍传统Mean Shift目标跟踪算法和基于特征贡献度的Mean Shift算法,并针对多组视频进行实验验证与分析。结果表明:改进后的Mean Shift算法不仅能提高跟踪精度、提升系统的鲁棒性,而且对640 pixel×480 pixel大小的视频处理平均帧速度为22 frames/s,满足实时跟踪要求。

基于自适应多特征融合的mean shift目标跟踪

经典mean shift目标跟踪算法简单快速,具有较好的跟踪效果,但是它用单个特征描述目标,易受相似目标与背景的干扰,鲁棒性较差.针对此不足,推导出多特征融合mean shift目标定位公式;为了适应跟踪过程中目标与背景的变化,提出利用概率分布可分性判据动态评价特征对目标与背景的区分能力,并自适应地计算特征融合权重.在上述两个方面的基础上,对mean shift目标跟踪算法进行了改进,提出一种多特征融合mean shift目标跟踪算法.实验结果表明:提出的算法比经典mean shift目标跟踪算法具有更强的抗干扰性能和较高的跟踪精度.

基于均值偏移的灰度图像分割方法

针对灰度图像分割往往存在的过分割或欠分割问题,提出了一种基于均值偏移的图像分割方法.该方法通过联合像素的空间位置和灰度特征,建立图像的特征矢量,构造基于像素的位置和灰度的改进核函数直方图.采用均值偏移算法搜索图像的特征模式,并以此对图像进行平滑滤波和分割.对以地物为背景的图像分割结果表明,该方法既能抑制具有纹理的大片背景,又能提取出面积较小且轮廓清晰的物体,分割的物体完整且符合人眼视觉,较有效地避免了图像过分割和欠分割的问题.

基于均值偏移和卡尔曼滤波的目标跟踪方法

分析了Mean-shift难以有效地跟踪复杂背景下灰度运动目标的主要缺陷,提出了结合Mean-shift和卡尔曼滤波器的目标跟踪方法。该方法利用卡尔曼滤波器预测目标在当前时刻的起始位置,然后Mean-shift在该位置的邻域内寻找目标所处位置。同时,采用Bhattacharyya系数度量"目标模型"和"候选模型"相似程度,确定"候选模型"是否更换为"目标模型",避免目标模型过度更新。以地物为背景的飞机目标图像序列试验结果表明该方法较原Mean-shift方法可明显提高阻挡情况下的目标跟踪稳定性。

基于多线索融合的目标跟踪算法及其在DM3730上的实现

研究了一种基于多线索融合的目标跟踪算法并在TIDM3730上实现。该算法结合在线AdaBoost和颜色目标跟踪算法,选用Haar小波和核颜色直方图两种特征类型,利用粒子的状态散度矩阵的行列式对这两种不同类型的特征进行融合,实现了对所选定目标的鲁棒跟踪。分析及实验结果表明,与传统的基于单一特征的目标跟踪方法相比,本算法融合了两种不同类型特征的互补性,在具有挑战性的复杂环境下,例如目标遮挡,旋转以及光照变化等,都有更好的跟踪效果。

LMSF Mean Shift目标跟踪算法

Mean shift作为一种有效的目标跟踪算法近年来得到了广泛的应用,但如何有效地更新核函数直方图模型仍是一个需要解决的问题.本文针对mean shift跟踪算法中模型更新问题,提出了一种新的模型更新策略.对mean shift中目标模型核函数直方图的分量进行自适应LMS滤波(LMS Filter),并且动态更新目标模型的核函数直方图分量,即解决了目标模型更新过快引起的过更新问题,同时核直方图模型又可以及时反映当前目标的颜色、外观变化.本方法通过实验证明取得了较好的跟踪效果.

基于生成树的人脸识别

为了提高人脸识别的准确率,研究了基于生成树核的人脸识别.定义了最大生成树的概念,7个生成树核和3个基于直方图核和生成树核的复杂核,并给出了人脸图像的图示,阐述了人脸图像转化成图的过程.实验结果表明,生成树核的性能优于通路核.

基于层次化BoF模型和Spectral-HIK过滤的手势识别算法

为了解决基于计算机视觉的人类手势识别问题,提出一种名为层次化Bag-of-Features(BoF)的模型.该模型通过对人手区域进行划分和对图像特征分别向水平和垂直轴投影来提取图像特征的空间分布信息.为了准确快速地实现手势识别,构建一种基于直方图交叉核的手势识别分类算法.该算法结构简单、运行效率高,而且充分利用层次化BoF模型的结构特点.为了进一步提高在复杂背景下手势识别准确率和运行效率,采用一种基于谱和直方图交叉核的背景特征点过滤算法.实验结果显示,所提算法对于简单背景下的手势识别准确率可达99.79%,而对于复杂背景下的识别准确率为80.01%.

基于改进的空间金字塔词袋模型的图像分类算法研究

基于空间金字塔词袋模型的图像分类算法相比于传统的词袋模型的图像分类算法的准确率有了一定的提高,仍无法满足实际的高标准图像分类的需求。为此提出了一种基于改进的空间金字塔词袋模型的图像分类算法,即使用轮盘法的改进的K-means聚类方法和支持向量机的直方图交叉核函数。分别优化改善了K-means聚类算法的聚类容易陷于局部最优的缺陷和支持向量机使用径向基核函数可能产生非常严重的过拟合问题。通过仿真验证了基于改进的空间金字塔词袋模型的图像分类算法的准确率明显高于原基于空间金字塔词袋模型的图像的分类算法。

多特征融合下的快速行人检测

文章根据头顶像素点的梯度方向具有固定范围的特性在前景中找出头顶候选点,依此快速确定人体头肩部区域,将其作为待测窗口;然后提取待测窗口的照度不变性色彩特征与旋转不变性LBP纹理特征,并通过引入背景权重直方图算法(BWH)实现多特征融合;最后采用直方图交叉核支持向量机(HIKSVM)进行分类检测。实验结果表明,与传统的滑动窗口搜索方法相比,根据头顶点可以快速选取含有人体头肩部的待测窗口,提高了检测的效率;HSV和LBP多特征融合提高了检测的精确性,本文方法对于复杂动态场景、遮挡现象以及目标自身形变具有较强的鲁棒性和较高的准确性,在多种行人数据集中测试取得良好的效果。

基于关键帧特征库统计特征的双人交互行为识别

针对双人交互行为识别算法中普遍存在的算法计算复杂度高、识别准确性低的问题,提出一种新的基于关键帧特征库统计特征的双人交互行为识别方法。首先,对预处理后的交互视频分别提取全局GIST和分区域方向梯度直方图(HOG)特征。然后,采用k-means聚类算法对每类动作训练视频的所有帧的特征表示进行聚类,得到若干个近似描述同类动作视频的关键帧特征,构造出训练动作类别对应的关键帧特征库;同时,根据相似性度量统计出特征库中各个关键帧在交互视频中出现的频率,得到一个动作视频的统计直方图特征表示。最后,利用训练后的直方图相交核支持向量机(SVM),对待识别视频采用决策级加权融合的方法得到交互行为的识别结果。在标准数据库测试的结果表明,该方法简单有效,对交互行为的正确识别率达到了85%。

基于数据流和精确定位的多线程行人探测系统

行人防撞警告系统(Pedestrian Collision Warning System,PCWS)是车载主动安全系统的一项主要功能。目前通常的行人检测算法在商用化过程中的主要制约是庞大的计算量导致的低处理帧率。研究了PCWS中的关键技术,综合运用了基于VP评估的空间限制滑动窗口分布、基于数据流的多线程处理流程、基于CENTRIST特征的快速线性SVM分类器、基于直方图交叉核SVM(HIKSVM)的非线性分类器等多种加速技术,达到了实时处理的要求。对于CENTRIST特征不能精确描述对象轮廓所造成的定位不准问题,通过基于高斯权重分布的极大化抑制以及基于外轮廓边缘差异微调包围框尺寸来精确重定位探测框,以满足商用化对测距准确性的要求。