基于融合特征及改进二值化规范梯度特征技术的车辆识别算法

针对高速公路视频监控中基于单一形状特征的车辆检测算法出现较多的误检,且运用支持向量机(SVM)滑动窗口检测存在耗时大的问题,提出一种基于快速提取物体目标候选窗口的融合HOG-LBP特征的车辆检测方法。首先基于二值化规范梯度特征(BING)方法及背景差分快速提取车辆候选窗口,再计算候选窗口图像的方向梯度直方图(HOG)特征和局部二值模式(LBP)特征并进行特征融合,结合SVM分类器进行车辆检测。实验结果表明,融合形状和纹理特征能够有效提高车辆检测性能,而通过快速提取候选窗口可以将SVM检测速度提升8倍左右,满足工程实时性要求。

基于关键区域的二值化场景特征快速提取方法

近年来,驾驶辅助系统中基于视频信息的车辆定位技术受到广泛关注。针对轻轨系统高精度场景匹配中场景相似度过高导致定位困难的问题,提出了一种关键区域及二值化特征提取方法。该方法以离线处理的方式在高相似度的参考序列帧内提取具有显著性信息的关键区域,并在这些区域中生成二值化特征描述符以提高实时场景匹配的速度与准确率。在香港轻轨数据集以及公开的Nordland数据集中,相对于局部场景特征,基于提出的关键区域特征的场景匹配方法错误偏差下降31.43%,同时节约了94.22%的匹配时间;与Seq SLAM场景跟踪算法相比,在不显著增加运行时间的前提下,基于关键区域二值化场景特征的场景跟踪正确率提高了9.84%。实验结果表明,提出的关键区域以及二值化特征提取方法在降低了场景匹配计算时间的同时,提高了匹配精确度。

基于局部Gabor二值化特征的实时表情识别系统

文章旨在搭建一个复杂场景中鲁棒的实时表情识别系统。考虑到实时场景中旋转、光照、尺度等复杂条件,文章选择特征局部Gabor二值化特征(LGBP);同时也将高速的面部特征点检测算法应用到系统中,解决LGBP特征速度过慢的问题。经过实验数据库和实时测试,本系统在速度、精度以及鲁棒性上都取得了很好结果。

基于改进的HOG与LBP特征值的车标识别方法

针对多数车标识别方法中定位难、适应性差的问题,提出了基于改进的梯度方向直方图(Histogram of Oriented Gradient,HOG)与局部二值化(Local Binarization Pattern,LBP)特征值的车标识别方法。对包含车辆正面的图像进行倾斜校正,基于车牌和车标的相对位置关系粗定位车标位置,根据车标背景纹理特征进行边缘检测和投影法精确确定车标位置;采用改进的HOG和LBP作为联合特征训练BP(Back Propagation,BP)神经网络分类器。对比实验结果表明,该方法提高了车标识别的准确率,同时车标定位稍有偏差也能做出正确分类。

河工模型表面流场的局部特征测量方法

为了解决当前河工模型表面流场的计算机视觉测量方法中摄像机安装过程繁琐、测量精度低、测量成本高等问题,提出了一种利用局部特征来实现表面流场测量的新方法。该方法以自由视角安装摄像机,无需垂直向下。在测量时,首先在流场表面布撒碎纸屑示踪粒子,然后对获取到的视频进行校正和鸟瞰图重建,得到待测流场的俯视图,再利用局部特征的图像匹配方法来得到流场的稠密速度矢量,最后对表面流场进行优化输出。根据测试,该方法在模型流速0.01～0.5m/s时,流速误差低于10%;在模型流速0.5～1.5m/s时,流速误差低于5%。综上所述,提出的方法在测量精度、测量成本和易用性方面均优于现有的测量方案,目前已经在向家坝长河段等大型河工模型分析测量中得到应用。

基于关键点LBP特征的人脸表情识别

针对人脸表情识别易受光照变化、非正面、遮挡等各种复杂因素影响导致识别率不高的问题,文章提出一种基于关键点提取LBP特征(Pt-LBP)的方法,首先通过特征点检测算法精确定位面部关键点,在关键点周围邻域范围进行特征提取。分类器采用支持向量机(Support Vector Machine,SVM)和一般人脸LBP特征提取方案作对比实验,结果表明,Pt-LBP方法有更高的分类能力,并且对光照变化有更好的鲁棒性。

基于LBP金字塔特征的头部姿态识别

针对头部姿态估计易受光照变化、表情等因素影响导致识别率不高的问题,文章提出一种LBP金字塔(Pyramid LBP)特征,并结合高速的面部关键点定位算法,解决了表情变化时特征点定位不准确的问题,采用支持向量机(Support Vector Machine,SVM)分类器进行姿态估计。实验结果表明,该算法具有更高的分类能力并且对光照变化有更好的鲁棒性。

基于深度神经网络和哈希算法的图像检索研究

针对传统基于哈希算法的图像检索方法生成的哈希编码难以保留图像语义相似性,从而导致检索准确率较低的问题,文中结合深度神经网络和哈希算法的优点,使用两次特征二值化对图像的哈希编码进行优化。对于不同查询图像基于第一次特征二值化进行阈值调整,然后根据调整后的阈值完成第二次特征二值化并利用优化后的哈希编码完成相似图像的检索。采用公开的图像数据库Cifar-10及MNIST得到的实验结果显示,所用方法得到的图像识别准确率高于传统方法以及采用固定阈值进行特征二值化的相关方法,证实了所提出方法的有效性。

基于ObjectNess BING的海面多舰船目标检测

将一幅图像按照一个目标的大小进行缩放,然后计算其梯度特征,再对梯度特征进行标准化,二值化能够极大地提高目标候选区域的选择和检测计算效率,减少耗时。由于对海上舰船目标的检测是具有丰富角点的人造目标,对ObjectNess二值化标准梯度特征(binarized normed gradients,BING)方法中的目标候选区域提取算法进行改进,使其能够更加快速地进行候选区域的选择并保持较高的检测率。分析了海上多舰船目标的图像特征,提出了利用角点确定目标的候选基点,再利用ObjectNess BING检测模型训练获得的多目标尺寸进行候选区域的选择,对互联网上下载的多幅多舰船图像进行处理的结果表明,算法能够有效减少候选目标区域的数量并保持较高的检测概率。

基于深度残差网络与离散哈希的指静脉识别方法

针对传统卷积神经网络提取的特征不够充分、自学习特征稀疏导致指静脉识别精度和识别速度不高的问题,提出了一种基于深度残差网络和离散哈希的二元特征指静脉识别方法。首先,在深度残差网络模型训练过程中提出将加性角边缘损失函数作为监督信号,扩大类间差,缩小类内差;其次,将归一化后的指静脉图像输入改进的深度残差模型进行特征提取;然后,提出采用监督式离散哈希模型对实值特征进行离散化,获得二值化特征替代原有的实值特征;最后,采用哈明距离计算二值化特征与指静脉库中的模板间的匹配分数确定识别结果。实验结果表明:在MMCBNU6000数据集上,指静脉识别准确率达96.59%,同时模板尺寸缩减为1024 bit,是常用的实值特征模板尺寸的1/16;在FV-USM数据集上,模板尺寸缩减为1024 bit时,指静脉识别准确率达到95.37%。

基于BING与卷积神经网络的人脸检测算法

为了提高复杂背景条件下人脸检测算法的训练速度以及检测速度,提出一种基于二值化梯度幅值特征(Binarized Normed Gradients,BING)和卷积神经网络相结合的算法。为了提高算法的检测速度,采用二值化梯度幅值特征算法对目标窗口进行粗略的筛选,快速得到数量较少的候选窗口,以此来减少卷积神经网络后续判定的窗口数。为了提高算法的训练速度,提出了新的卷积神经网络的激活函数反比例线性单元(Inverse Proportion Linear Units,IPLU),并且推导出相应的权值初始化方法。实验结果表明,与激活函数Re LU和ELU相比,反比例线性单元以及相应的权值初始化方法使得网络收敛时间分别缩短了2.3%和8.6%;与FuSt算法和Cascade CNN算法相比,基于BING与卷积神经网络的人脸检测算法的检测速度分别提高了26%和62%。

基于信息融合的三维人脸识别

为了克服二维人脸识别的不足,提出采用Kinect采集设备并基于信息融合进行三维人脸识别.在人脸检测方面,利用双眼位置定位人脸,并通过肤色模型和深度信息实现人脸过滤.在人脸识别方面,将动态时间规整算法应用于人脸轮廓快速提取,并提出了一种改进的局部区域二值化特征(LBP)匹配来实现人脸识别,将彩色图像信息和人脸生理特征信息的分析应用于区域LBP算法的权值确定.实验表明:文中提出的基于信息融合的三维人脸识别方法具有使用价值,识别方法的实时性和鲁棒性方面得到一定提升.

基于单目视频和无监督学习的轻轨定位方法

基于视觉信息的场景识别定位模块被广泛应用于车辆安全系统。针对目前场景逐帧匹配算法训练数据量大、匹配处理计算复杂度高以及跟踪精度低导致难以实际应用的问题,该文提出一种新的基于局部关键区域与关键帧的场景识别方法,在保证匹配精度的同时满足系统实时性的要求。首先,该方法仅使用单目摄像机捕获的单一序列作为参考序列,采用无监督方式提取序列的显著性区域作为关键区域,并计算关键区域中低相关性的二值化特征,提高了场景匹配的精确度并大幅减少了实时场景匹配过程中特征生成与匹配的计算复杂度。其次,该方法以显著性分数为依据提取参考序列中的关键帧,缩小了跟踪模块的检索范围并提高了检索效率。该文使用香港轻轨系统数据集以及公开测试数据集进行方法测试。实验结果表明,该文方法在实现快速匹配的同时,其匹配正确率较基于全局特征匹配方法Seq SLAM提高了9.8%。

基于BING似物性检测的行人快速检测算法

针对传统滑动窗行人检测速度慢、实时性差的问题,为避免全局搜索,利用似物性检测设计了一种快速行人检测方法。首先,算法通过提取正负训练样本的规范化二进制梯度特征,用该特征训练级联SVM分类器得到行人似物检测模型;然后,由该模型获取图像中初始行人候选区域,后进一步利用尺寸调节和聚类算法优化初始候选窗口区域;最后,提取各候选区域的梯度方向直方图特征,并利用SVM分类器对其进行进一步行人识别。实验结果表明,算法在保证行人检测率的同时在检测实时性上有明显提高。

基于LBP和级联XGBoost的驾驶员打电话行为检测算法

基于机器视觉检测手机位置是检测驾驶员打电话行为的重要方法和依据。为解决实际应用中光照、姿态等因素对检测效果的影响,笔者提出了一种基于LBP特征和级联XGBoost的打电话行为检测算法,用于筛选滑窗采集到的手持电话样本,同时其应用基于MLP(Multi-LayerPerceptron)神经网络进行回归校准,进而得到更准确的位置。LBP的特征提高了打电话行为的辨识度,级联XGBoost和MLP网络回归提高了检测效率和定位准确度。实验表明,LBP与XGBoost级联分类器组合分类效果良好,构建的MLP网络能够有效拟合滑窗采集样本的偏移值。

基于颜色不变量的BRISK算法的改进

针对BRISK算法只考虑灰度图像,缺失了颜色信息,容易产生误匹配的问题,提出了一种基于颜色不变量的BRISK算法以实现彩色图像的特征提取与匹配。本文首先利用颜色不变量平面构建尺度空间,检测特征点;然后用每个特征点对地RGB值的大小关系描述特征点的颜色信息;最后用汉明距离进行相似性度量,完成匹配。实验表明,与原算法相比本方法在保证了原算法性能的同时,增加了BRISK算子对光学变化的鲁棒性。