基于边缘梯度方向直方图的图像检索

图像检索是计算机视觉研究的热点问题之一。首先对数字图像进行边缘检测;接下来对各个边缘点求其梯度;然后根据各个边缘点的梯度求得边缘梯度方向直方图;最后用街区距离进行相似性度量,实现图像检索。仿真实验表明,本文提出的算法是一种有效的图像检索方法。

融合车尾边缘特征的前车识别与纵向车距检测

以提升车辆主动安全、减少纵向碰撞事故为目标,提出了一种基于车尾边缘特征信息的前车识别方法与基于单目视觉的纵向车距检测方法。有别于传统算法利用全局边缘特征或灰度纹理特征来识别前车,该算法首先依据路面灰度分布特性来分割车底阴影,再利用车尾水平与竖直边缘的分布特性建立前车ROI,进一步利用竖直边缘的对称强度验证车辆身份。根据摄像机的小孔成像原理建立纵向车距测量模型,避免了复杂的内外部参数标定。道路试验表明,算法对车辆的平均识别率达到88.5%,纵向车距检测的平均相对误差小于3%,能够实现的有效测距范围为(6.9~78.3)m,其精度与运行速度可以满足实际驾驶中的纵向车距检测。

融合颜色和边缘特征的改进型CamShift跟踪算法

CamShift算法仅用颜色作为目标特征,在相似色干扰、遮挡、高速运动以及光照变化等条件下易出现跟踪不准确甚至目标丢失,提出基于运动分割和特征融合的改进型Camshift算法。采用三帧差分结合最大类间方差自动获得初始搜索窗口,自适应获得最优搜索窗口,用色度和边缘加权联合直方图表征目标,对色度直方图的每个像素位用高斯模型核函数进行加权处理并实时更新,有效解决相似色干扰、遮挡等问题。实验证明,改进型算法在目标干扰、遮挡等情况下与同类算法相比都具有良好的跟踪效果,具有较高的鲁棒性和准确度。

融合式空间塔式算子和HIK-SVM的交通标志识别研究

在交通标志识别问题上,提出了一种基于融合式的空间塔式算子和直方图交叉核支持向量机(HIK-SVM)的分类方法.在该方法中,通过提取图像的灰度塔式词袋直方图(Gray-PHOW)特征、颜色塔式词袋直方图(Color-PHOW)特征和塔式边缘方向梯度直方图(PHOG)特征来对交通标志的外观、颜色和轮廓信息进行描述.通过提取空间塔式直方图特征,能很好地对图像各种特征的空间分布状况进行描述.提取到图像的外观、颜色、轮廓和特征的空间分布信息后,对其进行融合,最后得到的融合式的空间塔式特征具有很强的鲁棒性.将该融合式特征送入HIK-SVM进行训练和分类,取得了极其高的识别效果.

基于深度卷积神经网络的船舶识别方法研究

为解决目前船舶识别率较低的问题,基于深度卷积神经网络算法,提出一种在深度卷积神经网络基础上的改进算法。利用卷积神经网络对船舶图片进行深度特征提取,结合HOG算法得到准确的边缘特征,结合HSV算法得到颜色特征,通过SVM分类器对船舶进行分类。算法主要包括2个阶段:训练阶段实现卷积神经网络的预训练,将得到特征归一化,PCA降维,通过HOG算法得到边缘特征,最后训练SVM分类器;测试阶段则对算法的准确性进行核实。实验结果表明,该方法平均识别正确率达到93.6%,可以很好地实现船舶识别。

舰船分类的PHOG和支持向量机联合检测方法

针对普通舰船分类检测方法容易受到物理噪声干扰、实时性差等问题,采用塔式边缘方向梯度直方图和支持向量机联合检测方法对不同类别水面舰船图像进行实时分类检测。通过对不同类别舰船图像进行分类实验,进一步综合确定适合的图像特征参数及核函数参数,实验结果表明,舰船分类检测准确率较现有检测方法有所提高。基于塔式边缘方向梯度直方图和支持向量机的联合检测方法能够实现实时、可靠的舰船分类检测。

基于数字图像和支持向量机的交通路况检测

为了避免物理检测方法对道路损坏严重、受天气因素影响大以及算法复杂等弊端,研究了利用支持向量机对不同程度交通路况图像进行分类的交通路况检测方法,采用塔式边缘方向梯度直方图作为图像的描述特征。实验结果表明,该方法能够提高恶劣天气条件下平均分类准确率,并且在各类天气情况下4类交通路况图像分类平均正确率达92%以上,能够有效检测不同程度交通路况。

基于BP神经网络的船舰目标识别分类

随着各国在海洋领域竞争的日益激烈,船舰目标自动识别技术正逐渐成为研究热点。本文利用BP神经网络对航空母舰、驱逐舰、护卫舰、客船、集装箱、民用货船6种船只类型进行分类,首先对船舰图像进行中值滤波,去除随机噪声和椒盐噪声,然后利用OTSU法将灰度图像分割成背景和目标两部分,接着对目标区域提取了Hu不变矩、边缘梯度方向直方图、周长-面积比3个特征。为了使边缘梯度方向直方图也具有旋转和尺度不变性,本文提出了一种变换方法:将直方图循环右移,直至其最大值到达直方图最右端。最后利用BP神经网络对船舰图像进行了训练和测试。测试结果表明,本文的分类算法对船舰目标的分类精度达到84%左右,有效实现了常见船舰类型的识别分类。