采用聚合Gabor核和局部二元模式的烟雾识别方法

针对图像烟雾识别存在高误报率和高错误率的问题,提出一种新的结合聚合Gabor核和局部二值模式(LBP)的烟雾识别方法.首先使用加权平均法生成聚合Gabor核,以减少Gabor核的数目,并将聚合Gabor核和原图像进行卷积,生成聚合Gabor特征图.为了增强分类性能,本文提出了一个自定义比较函数,用于原图像和Gabor特征图的局部二值编码.然后生成3种LBP映射模式的特征,并串联这3种特征得到LBP串联模式特征.最后串联所有的LBP串联模式特征作为原图像的局部聚合Gabor二值模式(LAGBP)特征.与传统方法的比较实验显示,在3个测试集上,本文方法都分别要优于传统方法,且具有最低的错误率;与深度学习方法的比较实验中,本文方法也有很好的表现.实验表明LAGBP方法具有很好的烟雾特征表达能力,非常适用于烟雾识别.

Gabor核函数窗的设置研究

Gabor滤波器广泛应用于模式识别等领域,但是在应用傅立叶变换进行Gabor快速卷积过程中,对Gabor核函数窗的设置研究较少。首先从理论上分析Gabor核函数窗的性质及其对特征提取的影响;其次从对称性、范围两个方面在YaleB人脸库上进行实验,研究Gabor核函数窗的不同设置对目标识别率的影响;最后给出相应的结论。

基于Gabor核的卷积神经网络改进算法及应用

针对Le Net-5网络模型识别分类准确度问题,提出一种基于深度Gabor卷积神经网络的识别分类方法。在Le Net-5模型的基础上,引入了Gabor层,使用Gabor核作为提取图像特征的卷积核,Gabor卷积核从图像频域的不同尺度、不同方向上提取更多特征。为了避免网络训练中的梯度消失问题,使用Relu函数作为网络中的激活函数。将改进后的模型在MNIST手写体数据集上进行试验,识别正确率达到99. 34%。与支持向量机和卷积神经网络等分类方法作比较,结果表明,改进后的深度Gabor卷积神经网络的具有更高的识别性能。

人脸识别应用中的Gabor核选择算法(英文)

因为Gabor特征的维数很高并且存在大量信息冗余,所以很有必要研究合适的降维算法以降低Gabor特征的维数.为了解决这个问题,提出了最优Gabor尺度和方向的选择算法.在这个算法中,把所有的样本和每一个Gabor核进行卷积,并对所有的卷积结果分别计算类内距离和类间距离.最后,通过计算类间距离和类内距离的比值选择比值最大的Gabor核就是对应的最优Gabor核.为了验证本文算法的有效性,分别在YALE、AR、FERET人脸数据库上进行实验,结果表明较大尺度和某些方向构成的Gabor核对应的特征具有较好的鉴别力.

自适应Gabor卷积核编码网络的表情识别方法

人脸表情识别是计算机视觉领域研究的热点之一。针对传统Gabor网络提取表情图像高维特征识别率不高、泛化性不强的问题,结合卷积神经网络学习局部特征的优点,提出多通道、图像分块、优化Gabor卷积核参数的方法实现表情图像卷积,对提取的表情自适应特征进行分析,首先进行通道内降维,然后采用自动编码器理论解决高维特征降维和多通道特征融合的问题。因为传统支持向量机(Support Vector Machine,SVM)对多分类问题不敏感,所以采用遗传算法优化出最大间隔分类面,进而得到适应度较高的分类器参数。对设计的GaAeS-net(Gabor Autoencoder Support Vector Machine Convolution Network)网络分别在CK+、JAFFE、FER2013、CHD2018等数据库上进行实验,并与现有模型进行对比,最高识别率可达到99.34%,从而证明GaAeS-net模型具备良好的识别率和泛化性。

生物特征提取的Gabor滤波器参数设计

为了使Gabor滤波器能够在时域和频域内同时取得局部最优,提出了一种Gabor滤波器的参数设计方法。首先分析了Gabor滤波器方向、尺度参数变化对生物提取特征的影响,然后探讨了滤波器窗口参数变化对提取特征的影响,最后对Gabor滤波器的参数进行优化设计,并将其应用于ORL人脸库的特征提取。结果表明,该方法能使Gabor滤波器在时域和频域均获得最佳滤波性能,有效获得生物特征信息。

联合Gabor和分形的医学影像图像局部特征描述

提出一种联合Gabor小波和分形的医学影像肿瘤外轮廓局部结构特征描述方法。该方法基于Meyer卡通-纹理图像分解模型,利用Gabor尺度空间核函数进行局部尺度描述,以相邻尺度曲率间特征差异度量尺度,通过轮廓局部分形维提取结构不规则特征。该方法可使对医学影像肿瘤外轮廓的描述更具诊断意义。

基于Hessian矩阵和Gabor函数的局部兴趣点检测

局部特征方法是基于内容的图像与视频检索的重要方法。提出一种新的基于Hessian矩阵和Gabor函数的尺度不变局部特征点检测方法(Hessian-Gabor Detector)。该方法首先利用基于Hessian矩阵的检测子定位图像在空间域上的候选特征点位置,然后用基于Gabor函数的算子检测候选兴趣点在尺度空间的特征尺度,从而获得具有尺度不变特性的局部特征点。实验证明,与DOG、Harris-Laplace等方法相比,计算简单。应用于图像匹配中,能够显著地提高匹配效率。

用于特征提取的Gabor滤波器参数设计

Gabor滤波器的参数设计是Gabor特征提取过程中的一个重要环节。根据坦克的外形特点及对方向的敏感性对其进行了针对性的参数设置,实验结果证明得到了很好的滤波效果。根据Gabor核函数的窗口特性,提出了一种自适应的基于Gabor滤波器的特征提取算法。该算法应用Gabor滤波器的多尺度特性与样本图像进行卷积,对Gabor域响应进行局部极大值提取,经过该方法得到的特征点有效地减少了数据冗余,并且具有较好的图像表征能力。

基于选择性搜索和卷积神经网络的人脸检测

针对复杂背景下存在的光照变化及多姿态的人脸检测问题,提出一种基于Gabor优化的卷积神经网络与选择性搜索策略相结合的算法进行人脸检测。首先采用选择性搜索策略检测出图像中可能存在人脸的目标候选窗口,将候选窗口中的图像子块作为训练好的改进卷积神经网络的输入,经过一系列卷积和池化操作后,提取窗口图像的特征信息并进行分类,确认候选窗口中是否包含人脸。算法在LFW人脸数据库上取得了较高的检测率及检测速度。实验结果表明,融合Gabor特征的卷积神经网络用于人脸检测时可避免传统手工提取特征造成的不确定性,具有更好的泛化能力及鲁棒性。

基于尺度比及坐标偏移约束的图像特征点匹配方法

针对特征向量最近邻次近邻距离比值的特征点匹配算法中存在匹配点对少、误匹配的问题,本文从改善特征点匹配策略方面对其进行改进。首先运用Gabor核函数对图像进行滤波处理,并在滤波图像上提取SIFT特征点,得到参考图像与待匹配图像的初步转换关系及特征点的尺度比均值;然后对参考图像与待匹配图像进行SIFT特征匹配,将尺度比作为相似性测度,并结合坐标偏移阈值约束获取同名点对。相较于传统SIFT算法,实验表明该方法在获取更多的同名点对同时,能够有效减少误匹配,匹配精度也有显著提升。

基于Dropout卷积神经网络的行为识别

近年来,卷积神经网络(CNN)已经成为很多科学领域的研究热点之一.卷积神经网络作为一种深度模型可以直接作用于原始输入,不需要手动设计特征描述子.与传统神经网络相比识别效果有很大的提高.它已经建立了一类强大的模型来处理图像识别,并对其扩展到三维卷积神经网络(3D CNN)来处理视频识别问题.在此基础上,笔者对三维卷积神经网络做了如下改进:用Gabor小波核来初始化卷积操作,以达到模拟人类视觉系统对视觉刺激的响应;在网络训练的过程中加入Dropout技术,随机选择删除部分神经元,以此来提高网络的泛化能力,有效防止过拟合.提出的方法在KTH和UCF-YouTube数据集上进行验证,取得了很好地识别效果.

基于改进SSD的交通大场景多目标检测

现有目标检测算法在复杂大场景下多目标检测的精度和实时性难以平衡,为此,受深度神经网络卷积核形态启发,模仿了人眼视觉机理,改进了基于深度学习的目标检测框架,即单向多框检测器(SSD),提出了多目标检测框架——自适应感知SSD,将其专用于复杂大交通场景多目标检测。设计了由多形态、彩色Gabor构成的特征卷积核库,训练筛选最优特征提取卷积核组替换原有网络的低级卷积核组,从而提高检测精度;将单图像检测框架与卷积长短期记忆网络结合,通过瓶颈-长短期记忆层提炼传播帧间的特征映射,实现网络帧级信息的时序关联,降低计算成本,从而实现对视频中受强干扰影响目标的追踪识别;同时加入自适应阈值策略,降低漏警率和虚警率。实验结果表明,相比于其他基于深度学习的目标检测框架,各类目标识别的平均准确率提高了9%～16%,平均准确率均值提高了14%～21%,多目标检测率提高了21%～36%,检测帧率达到32frame·s-1,实现了算法精度与实时性的平衡,取得较好的检测识别效果。