结合HOG-LBP特征及多实例在线学习的随机蕨目标跟踪方法（英文）

提出了通过联合随机蕨与HOG-LBP特征建立目标模型的方法.首先利用选定目标图像块中的HOG-LBP特征向量完成初始化及在其后的过程中产生新的随机蕨,该随机蕨用于对兴趣目标的检测和跟踪.目标模型的更新通过多实例在线学习与更新蕨池实现.提出的方法在选定6个标准视频序列进行测试,测试结果与现在较流行的OnlineB oosting Tracker、MILTracker等跟踪算法进行了比较和分析.结果表明,在各种复杂环境下,本研究提出的方法具备良好的跟踪鲁棒性,在抗局部遮挡和光照变化方面具有一定的优势;同时算法具备一定的抗尺度变化能力;在抗旋转方面,该算法仍有一定的可改善空间.

基于HOG-LBP特征和SVM分类器的视频摘要方法

为了提高视频摘要质量、高效地获取视频信息,提出了一种基于HOG-LBP特征和SVM分类器的视频摘要方法。首先,从分解到的视频序列中提取形状和纹理特征。其次,利用训练好的支持向量机对待检测图像进行分类,并将分类正确的帧暂定为关键帧。最后,运用图像余弦相似度方法剔除其中的冗余帧,并将最终保留下的关键帧按照原始视频中出现的时间顺序依次组合起来,形成视频摘要。实验结果表明,提出的算法在三个不同场景视频中提取关键帧的平均正确率达到94.08%,平均错误率仅为23.18%。算法提取到的关键帧准确率较高且内容具有代表性,视频摘要质量得到有效改善。

利用HOG-LBP自适应融合特征实现禁令交通标志检测

针对禁令交通标志牌提出了一种基于HOG-LBP自适应融合特征的交通标志检测方法,将标志图片等分为多个不重叠的块,每块内将加权后的HOG和LBP特征进行串行融合作为最终特征,其中每类特征权值由块内梯度幅值决定,融合后的特征采用SVM进行分类器训练,并将训练结果用于交通标志检测。实验结果表明,基于HOG-LBP自适应融合特征的效果优于基于单独HOG、LBP特征和简单HOG-LBP融合特征的效果。

全景影像中道路交通标志的自动识别

针对全景影像中道路交通标志牌所处环境复杂导致识别不精确的问题,提出一种基于全景影像交通标志牌的自动定位与识别的方法:首先将RGB的全景影像转换到HSV空间,再利用形态学运算得到感兴趣区;然后计算提取候选区HOG(histogram of oriented gradients)特征和LBP(local binary pattern)特征,对提取特征进行融合得到HOG-LBP融合特征;最后将融合特征与事先得到的样本集特征比对,匹配最佳模型,输出交通标志牌识别结果。以车载移动测量系统获取的某段道路全景影像为实验数据,验证了该方法的可行性,识别正确率达到了93.27%。