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。

基于交叉分块直方图的图像检索方法

在基于内容的图像检索技术中,颜色是常用的图像特征。提出了一种基于交叉分块直方图的图像检索方法。首先,对图像进行交叉分块得到若干子图像;然后提取子图像的颜色直方图特征,构造特征向量;最后根据空间距离度量图像间的相似程度,确定检索输出结果。用交叉方式分块得到的子图像间相互交叉重叠,能够在获取图像颜色特征空间分布信息的同时保持图像目标的完整性,并有效抑制图像背景区域对检索结果的干扰。仿真实验结果表明,基于交叉分块直方图的图像检索方法具有优于基于均匀分块直方图的图像检索方法的性能,适用于对多种类型图像的检索。

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%.

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。

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。

基于ORB词袋模型的SLAM回环检测研究

即时定位与地图构建(SLAM)是解决移动机器人在未知非结构化环境中自主导航与控制的关键,一个完整的SLAM系统包括传感器数据处理、位姿估计、构建地图、回环检测四个部分。其中回环检测机制是解决移动机器人的闭环重定位,提高SLAM系统鲁棒性的重要环节。该研究提出一种基于ORB词袋模型的SLAM系统框架,通过研究与分析了使用FLANN算法选取关键帧与匹配帧间特征点,ORB特征描述子对检测速度的提高,通过k-means++算法对特征点进行训练生成含有视觉单词的词袋模型,使用高斯金字塔的直方图交叉核的SVM分类器,使用e PNP算法的增量式帧间位姿估计,回环检测重定位机制等环节,实现了单目视觉SLAM系统的初始化与位姿优化,实现了在丢帧状况下通过词袋模型进行重定位。最后通过搭建实验平台和标准数据集的测试得到的数据结果表明,基于ORB词袋模型的SLAM系统,具有良好的实时性,能够有效提高SLAM系统的重定位准确性,增强了系统的鲁棒性。

基于梯度离散化改进的DG_CENTRIST行人检测

针对复杂背景下的行人检测,从边缘信息入手,提出了一种新的基于梯度离散化的改进的中心对称统计变换(DG_CENTRIST)的行人检测方法。首先根据原始图像的梯度方向的分布,离散地形成多张梯度图;然后进行中心变换(CT)获得改进的DG_CENTRIST特征,最后提出的新的计算方法,结合线性和HIK-SVM,通过级联方式实现实时的行人检测。实验结果表明,该算法取得了较高的检测精度。

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。

基于偏最小二乘与改进中心对称CENTRIST的快速行人检测算法

针对复杂背景下的快速行人检测问题,从行人边缘信息的角度,该文提出了一种改进的中心对称统计变换(ICS_CENTRIST)特征,该特征只有32维,计算简单,描述能力强,可以很好地表达行人的边缘轮廓。行人检测时采用3级级联分类方法:第1级采用基于辅助积分图的线性支持向量机(SVM),快速排除大部分非行人区域;第2级,第3级分别使用偏最小二乘法(PLS)选出区分能力最强的前12和21个块(block),提取ICS_CENTRIST特征,采用直方图交叉核支持向量机(HIK-SVM)进行精确检测。实验结果表明,该文算法在复杂背景下可取得较好的检测效果,检测速度在447×358大小的图像上达到平均50 ms,与基于CENTRIST特征的快速检测方法和梯度方向直方图(HOG)算法相比分别提高了50%和90%,满足实时性要求。

基于CENTRIST特征的实时行人检测算法的实现

采用简化的混合高斯模型提取背景并保持跟新,利用背景差法提取前景目标,并最终提取目标的轮廓特征。CEN TRIST特征[4]可以很好的编码相邻像素的比较信息,而且隐式的表达了全局的轮廓,与传统的Adaboost算法结合起来可以很好的检测行人。当CENTRIST与线性分类器结合使用时,可以不必生成特征向量,也不需要对图像进行预处理和特征向量的规范化处理,还可以进一步用硬件加速(使用GPU),在一个1.2GHZ的CPU机器中,检测速度可以达到20fps。

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。

一种新的渣土车车轮带泥检测方法

提出了一种新的车轮带泥图像检测方法。通过改进直方图方法、在相似度计算中考虑了像素的位置信息,从而提出了直方图交叉相似度计算的新方式;并综合考虑小波变换法在纹理检测上的优势,给出了图像组合相似度的新定义,基于此,提出了基于小波变换提取边缘特征与改进的直方图交叉方法相结合的相似度比较EHSC算法,通过EHSC算法计算组合相似度,并根据相似度阈值来最终选择图像。EHSC算法具有时间开销小、鲁棒性好等特点。通过在真实采样的现场图像上实验,实验结果表明,该方法能有效地进行带泥车轮图像的检测,具有较高的检测效率和比较强的实用性。

基于自适应HCS-LBP特征的行人检测算法

针对行人检测中提取中心对称局部二值模式(Center-Symmetric Local Binary Pattern,CSLBP)时邻域中心像素没有参与计算、人为设定的判断阈值主观性较强、未能区别对待不同子块等问题,提出一种基于自适应HCS-LBP(Haar-like CS-LBP)特征的行人检测算法。该算法首先构造了HCS-LBP特征编码方法,采用局部中心对称模式减少编码长度,利用积分图像法快速计算降低时间复杂度,并将灰度级概率引入中心像素的全局自适应阈值计算,采用高斯矩阵获取邻域像素的局部自适应阈值,以突显图像客观的纹理信息;然后使中心像素参与图像编码,通过信息熵确定不同子块的权重,以增强图像特征的描述能力;最后使用直方图交叉核支持向量机(Histogram Intersection Kernel SVM,HIKSVM)训练样本,以提升分类器的准确度。在INRIA数据库的实验结果表明,该算法能有效提高图像信息的利用率,提升行人检测算法的性能,行人检测准确率较其他相关文献提高了0.4%～7.8%,具有较好的行人检测效果和检测精度。