基于金字塔梯度方向图像特征的检索模型设计

随着互联网的普及和发展,电子商务网站数量急剧增长,迫切需要一个平台对在线销售商品进行标注以方便用户进行搜索。通过提取类别图像和测试图像的金字塔梯度方向直方图(PHOG)全部特征,然后计算两者之间的距离,测试图像与类别图像距离比较近的就属于同一类图像。利用Matlab语言开发出了能够实现这一检索分类模型。实验证明这一模型灵活性好,准确性高。

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。

基于特征脸的Adaboost检测算法与识别应用研究

随着人工智能理论与技术的发展,人脸检测与识别作为计算机视觉重要的分支,近年来成为学术界研究的重点。研究和实现了Adaboost人脸检测算法和基于特征脸的人脸识别算法。利用结合Adaboost检测器级联的特性,引入基于梯度方向金字塔和支持向量机的人脸分类算法,去除了部分误检测的结果;引入基于肤色模型的分割算法,对人脸区域进行精确定位,并对第二代身份证、Feret人脸数据库以及互联网图片资源进行人脸识别实验。结果表明,算法对正面人脸效果显著,识别速度快,准确率高。

仿人脑视皮层机制的目标识别方法

针对传统方法存在目标特征提取不足和计算复杂度高等问题,从人脑视觉认知出发,提出一种仿人脑视皮层机制的目标识别方法。引入卷积神经网络,提出基于Gabor卷积核的目标边缘特征,以拟合简单细胞感受野;结合初级视皮层腹侧通路目标识别方式,模拟视皮层信息处理机制,抽取边缘图像PHOG特征来描述目标,建立PHOG特征的仿人脑皮层识别模型。采用多类SVM分类器对特征向量进行识别实验,实验结果表明,该方法减少了计算复杂度,提高了识别率。

融合改进PHOG与KPCA的人脸识别算法

针对PHOG特征在描述人脸形状时容易受到梯度强度突变及噪声干扰的缺点,提出了一种基于改进PHOG特征的人脸识别算法。首先对仅适用于描述清晰人脸轮廓形状的PHOG特征进行了改进,使其对人脸局部结构描述更加精细化,并通过改进的归一化方法达到对噪声的抑制,最后通过KPCA变换将改进的PHOG特征非线性映射到高维核空间中,进一步选择区分能力较强的特征分量,用最近邻分类器进行分类。在ORL、FERET和YALE人脸库中做了多组实验分别取得了98%、95%及98.67%的识别率,实验证明:该算法在抑制轮廓噪声提高识别率方面达到了较好的效果。

多检测器融合的行人检测研究

针对基于梯度方向直方图的行人检测尚存在实时性不足的问题,提出了一种多检测器融合的行人检测方法。利用Haar型特征的Adaboost进行头部粗检,由于图像行人姿态或尺度的原因会导致这一过程出现漏检;采用Canny算子获取图像轮廓,并根据颜色信息获取图像轮廓,通过椭圆拟合提取图像中可能检测区域;根据前面粗检的结果,对候选区域合适变换尺度,提取PHOG特征,并采用线性SVM对其进行判决。在INRIA样本库上的测试结果表明该方法是有效可行的。

基于生物启发特征的真实环境笑脸分类方法

为解决生物启发模型(BIM)存在的3个问题,即高计算复杂度、有争议的视觉皮层关系建模,以及类前向反馈机制带来的盲目特征选择,提出一种基于生物启发特征(BIF)的真实环境笑脸分类方法。构建基于BIF的笑脸分类系统,提取人脸表情图像嘴部区域的金字塔梯度方向直方图特征,使用局部保持投影进行BIM特征降维,采用Adaboost算法进行BIM特征选择。实验结果验证,该系统的最佳识别率达96.5%。

干旱区植物叶片识别研究

现有植物叶片识别方法都是基于扁平状叶片,而干旱区植物叶片多呈针叶,因此不适合干旱区植物叶片的识别,使得对于干旱区植物研究主要依靠专家识别,不利于对干旱区植物叶片的进一步研究。提出使用差异性值监督局部线性嵌入算法D-LLE,充分挖掘样本之间的类别信息,提高干旱区植物叶片的识别效率。首先利用金字塔梯度方向直方图(PHOG)的方法提取叶片图像特征,再使用PCA、LLE、WLLE、D-LLE等主流的降维算法,对提取的PHOG特征进行降维,最后建立支持向量机(SVM)的分类模型对植物叶片图像分类。经过这四种降维算法后的平均识别率分别为76.3%、85.3%、89.1%、95.5%;骆驼刺、苦豆子和沙枣的叶片正确识别率,相对其他植物叶片较低。通过实验证明了PHOG特征在植物叶片特征提取的可行性,使用D-LLE算法相比传统特征降维的算法具有更高的效率,且较适合于干旱区植物叶片的自动识别分类。