融合边缘检测与HSV颜色特征的车牌定位技术

车牌定位是车牌识别系统的关键技术,定位的准确与否直接影响车牌识别的结果。车牌区域具有空间特征——边缘信息丰富,颜色空间信息——伴生与互补特性。若利用边缘特征丰富进行定位,受对比度及噪声影响较大;利用颜色信息受车身颜色及光照影响较大,误识率较高。针对这一特点,提出了一套融合灰度边缘检测与车牌区域特有的颜色特征,准确进行车牌定位的算法。对200幅各种情况下从交通卡口获取的实测彩色图像进行试验,准确定位率为99.5%。

基于HSV颜色特征的苹果病斑点检测系统设计与实现

为提高苹果表面质量检测的效率,降低劳动强度,设计了苹果表面病斑点程度自动化检测软件系统,主要包括样本图像采集等预处理、HSV颜色过滤、苹果整体定位、整体像素统计、病斑点区定位、病斑点区像素统计等多种功能.以C#2005为开发平台,综合利用数字图像处理中的多种方法,通过对大量的数据样本进行测试,实验表明能够有效地对苹果图像进行精确检测.

基于HSV颜色空间特征的视频烟雾检测

由于烟雾具有形状不规则、扩散缓慢的特性,导致传统烟雾识别方法对烟雾检测存在一定的缺陷,如烟雾检测准确率低、烟雾警报响应时间长等问题。为了满足野外空旷场景下烟雾检测的准确性和实时性,提出了基于HSV(Hue, Saturation, Brightness,色调,饱和,明亮)颜色空间特征和卷积神经将网络相结合的视频烟雾检测的识别方法。通过将烟雾图像的RGB颜色空间特征映射到HSV颜色空间特征后提取烟雾候选区域,提取到的烟雾候选区域经过高斯混合模型进行运动判断,然后将符合运动特征的烟雾候选区域图像送入到训练好的卷积神经网络中进行烟雾识别。针对传统烟雾检测效率问题,设计了卷积神经网络conv-12用于烟雾识别。实验结果表明,基于HSV颜色空间特征和卷积神经网络conv-12相结合的视频烟雾识别方法对视频烟雾检测的准确率为96.45%,烟雾检测率为93.3%,烟雾报警平均响应时间为0.9 s。相较于其他方法,在烟雾检测准确率、烟雾检测率、烟雾警报响应时间都有一定的提升。

基于深度学习和颜色特征的行人跟踪算法

针对行人跟踪算法中因行人遮挡而导致行人跟踪准确率低、跟踪速度慢的问题,论文提出了一种基于深度学习和颜色特征的行人跟踪算法。首先利用yolov5目标检测算法检测行人,得到带有行人框的视频帧,同时利用检测框坐标信息判断行人之间是否存在遮挡,若有遮挡,则把遮挡区域像素设为0,分割出非遮挡区域,将非遮挡区域转化为HSV颜色空间,量化HSV分量,构造颜色特征直方图,并表示为一维向量G。其次,以第一帧行人检测框坐标为基础构建行人跟踪模型,初始化跟踪对象,并根据行人质心变化预测行人位置。在公开数据集MOT-16数据集上测试,MOTA为49.78%,相比于Sort和DeepSort算法分别提高1.51%和0.33%,在IDF1分数上分别高于Sort和DeepSort算法7.07%和3.46%。跟踪速度比DeepSort提升24%。

基于HSV颜色与LBP纹理特征的水稻氮素营养诊断

为了快速便捷实现水稻氮素营养诊断识别,提出一种基于叶片HSV颜色与LBP纹理直方图特征相结合的水稻氮素营养诊断识别方法。以‘中嘉早’稻种为试验对象进行早稻田间试验,设置4个施氮水平。通过相机拍摄水稻分蘖期顶三叶叶尖部位的图像,利用图像处理技术分别获取每片叶片叶尖部位图像的HSV颜色特征,并改进LBP算法,利用中心点5×5范围像素灰度均值替代中心点像素灰度值作为阈值,提取得到mean_LBP纹理特征。将H、S、V颜色直方图和mean_LBP纹理直方图特征进行量化、归一化、串连合并为1024个分量的一维特征向量,经PCA降维后,分别应用GS_SVC、BP、KNN以及RF方法构建水稻氮素营养诊断识别模型。实验结果表明,改进mean_LBP纹理特征与HSV颜色特征相结合的叶尖部位图像在网格搜索参数寻优支持向量机模型(GS_SVC)的识别准确率达到95.23%,优于其他模型的诊断结果。叶尖在水稻氮素营养诊断过程中具有敏感性,且图像HSV和LBP特征获取不受主观因素影响,表明本文方法具有良好的普适性、可靠性,可为水稻等作物的营养准确诊断提供一种新的可行方法。

一种HSV空间上分层压缩感知的图像检索算法

通过构建二维压缩感知测量模型,提出一种分层HSV特征和分层纹理特征提取与图像检索新算法。在图像HSV空间上引入网格离散划分和分层映射算子,定义一种基于HSV网格空间上的分层映射矩阵和拟灰度共生矩阵;设计归一化Gauss随机矩阵作为测量矩阵,使用二维压缩感知测量模型对上述两种矩阵进行压缩采样;采用PCA(Principal Component Analysis)方法获取上述两种分层采样矩阵的特征值序列,作为图像的分层HSV特征与分层纹理特征。最后融合上述两类特征综合计算图像间的整体相似度并实现图像检索。仿真实验表明,上述两类特征具有很好的可区分性,有效提高了图像检索效率。

基于灯体特征阈值分割的交通红绿灯图像识别

交通红绿灯自动图像识别能够为赶黄灯、闯红灯等危险驾驶行为的车载预警与干预提供依据,对于增强车辆环境感知能力和提升路口交通安全具有重大意义。文章统计分析了红绿灯HSV通道像素值的分布规律,给出了95%、97.5%和99.75%分布概率下的颜色阈值;揭示了灯体图像的变形规律,给出了3种视野范围下的7组形状阈值;在利用颜色和形状阈值提取灯体候选区域的前提下,提取9维像素密度矩阵并利用支持向量机来判断识别灯体。算法识别的平均准确率可达97.18%,误检率为4.57%,漏检率为2.82%,实时性相对较好。

基于融合特征的行人再识别方法

行人再识别过程中,由于姿势和光照等因素的变化使不同相机中所得行人的外形具有明显变化,较难提取不变性特征,导致识别率偏低.鉴于此种情况,文中提出基于融合特征的行人再识别方法,提取的特征包括HSV颜色特征、颜色直方图特征及梯度方向直方图特征,行人再识别过程分为训练阶段和识别阶段.在训练阶段,首先对训练图像集中每幅图像进行特征提取,然后利用典型相关分析获得2部相机拍摄同一行人的图像特征之间的相关性,生成相关性矩阵.在识别阶段,首先对参考图像集和测试图像集中每幅图像进行特征提取,然后将各自特征向量利用相关性矩阵进行变换,最后进行相似度度量,得到识别结果.在3个图像库上的实验表明,文中方法可以提高行人再识别的识别率.

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。

一种多特征融合的运动目标检测算法

针对传统的混合高斯背景模型目标检测算法在复杂背景干扰和阴影条件下无法准确检测出目标的问题,提出一种多特征融合的运动目标检测算法.将包含上下文信息的局部二值模式(context local binary patterns,CLBP)纹理特征和HSV颜色特征的色调信息相结合,利用CLBP直方图向量和局部色度向量与高斯背景模型进行匹配实现运动目标检测.结果表明,该算法在满足实时性的前提下,对受阴影、目标遮挡和图像抖动等干扰时的目标检测准确性较高.

基于MPEG-7多特征融合的图像检索技术

针对MPEG-7单一描述符特征检索效率低的问题,提出了主颜色和边缘直方图特征融合的检索算法。同时利用检索目标在图像中分布的特点,利用分块加权法来提高对检索主目标的检索准确度。实验表明,该方法在查准率和查全率均优于单一特征的检索算法,检索精度得到了提高。

改进LBP和HSV颜色直方图相结合的地表状态识别

在利用近地表遥感探测方法对地表信息进行反演时,地表状态的不同会导致电磁波传播方式不同,进而决定了所采取的遥感探测方式、探测波长及探测手段的不同。因此,地表状态的识别是进行近地表遥感反演的前提和基础,其识别的准确率也决定了反演结果的准确度。本文提供了一种改进LBP(local binary pattern)和HSV颜色直方图相结合的地表状态识别算法,通过改进阈值的LBP算法和HSV颜色直方图提取特征向量并建立判别条件,最后利用K邻近算法对测试样本与训练样本进行特征匹配,得到识别结果。将野外采集的411张图片多粗随机分组为训练样本和测试样本,结果表明206张测试样本的分类正确率都达98.7%以上,证明了本文算法的有效性。

复杂环境下的车牌定位及目标真实性验证

通过融合颜色和边缘特征并进行目标真实性验证研究车牌的定位,提出了融合颜色特征与灰度边缘特征的车牌定位算法,解决了复杂环境下车牌定位困难的问题。车牌具有固定的颜色搭配和丰富的字符边缘,融合二者的定位算法可提取出所有侯选目标。利用车牌伴生与互补特性进行目标真实性验证,实现带反馈的定位,提高了定位准确度,适用于复杂环境下目标数量、类型不确定的车牌目标检测。对复杂环境下获取的981幅彩色图像进行实验,实验结果表明,车牌目标定位准确率超过了99%,验证了算法的有效性。

基于运动粒子的粒子群目标跟踪算法

为兼顾目标跟踪的准确度和目标跟踪时图像的处理速度,文章提出一种基于运动粒子的粒子群目标跟踪算法。该算法首先对目标跟踪区域提取HSV特征得到目标特征向量;然后以高斯分布的形式撒下n个粒子构成粒子群,通过梯度收敛算法可以快速准确地搜索到最佳的目标位置,并以此位置作为跟踪点,进行下一帧跟踪。实验结果表明,在精确度方面文章提出的算法是CSK算法的1.52倍、MS算法的1.57倍,在速度方面文章提出的算法是Struck算法的22.87倍、KCF算法的1.11倍,有效地兼顾了目标跟踪的准确度和处理速度。

基于时序上下文的视频场景分类

以传统的词袋模型为基础,根据相邻镜头关键帧之间具有相关性的特点提出了一种用于视频场景分类的模型。将视频片段进行分割,提取关键帧,对关键帧图像归一化。将关键帧图像作为图像块以时序关系合成新图像,提取新图像的SIFT特征及HSV颜色特征,将图像的SIFT特征及HSV颜色特征数据映射到希尔伯特空间。通过多核学习,选取合适的核函数组对每个图像进行训练,得到分类模型。通过对多种视频进行实验,实验结果表明,该方法在视频场景分类中能取得很好的效果。

基于稀疏表达的图像自动标注

本文提出稀疏表达的图像标注算法.通过提取图像的SIFT特征及HSV特征,建立稀疏模型,采用距离函数对图像的特征向量进行相似度量求出稀疏系数,实现特征向量的匹配,考虑到图像内容的相似性会体现到标注词上,因此对待测图像进行自动化标注.实验表明,该方法充分运用了图像数据的稀疏化以及从已知信息到待标记图像的映射,完成图像的自动标注,提高了图像特征提取的质量,简化图像处理所用的实验数据,降低计算时间复杂度.

视频中基于LW-PGD和SVM的头肩部检测

针对视频中的行人检测问题,提出了LW-PGD(locating windows based on the pixel gradient direction of the top of head)快速定位头肩部和基于融合特征检测的方法。首先利用头顶像素点的梯度方向具有固定范围这一特性在前景中找出头顶候选点,根据该点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方向梯度直方图(histogram of oriented gradient,HOG)特征和HSV(hue saturation value)颜色特征;最后采用支持向量机(support vector machine,SVM)训练得到人体头肩部的分类器。实验表明,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;HOG和HSV多特征融合提高了检测的精确性,从而提出的算法有助于后续的行人分析。

基于超像素分割的实时野外场景理解

提出了一个实时野外场景理解算法,可以广泛地应用于自主野外环境探索、辅助驾驶系统等方面.为了提升分类算法的速度和精度,采用快速的超像素分割来对场景进行预处理,然后针对每个超像素区域提取HSV颜色特征、LBP纹理特征和EOH边缘梯度特征构建其多维特征向量,并采用多类Real AdaBoost算法进行特征训练得到场景分类器.实验证明,提出的算法不仅具有良好的实时性,同时由于采用超像素进行分割预处理,有效地提升了对场景中不同类别的分类精度.

基于支持向量机的语义图像分类研究

随着多媒体数据库的不断发展,传统的利用关键词进行图像检索已经越来越不能满足图像检索的需要,基于内容的图像检索已成为当前的研究热点。对图像的颜色和纹理特征进行提取,融合图像的颜色和纹理特征作为图像的特征向量,用支持向量机实现图像的低层特征和高级语义间的关联。实验结果表明,多特征的图像检索要比单一的特征检索效果好,在HSV颜色特征的基础上引入灰度共生矩阵纹理特征后可有效提高检索效率,而且采用支持向量机融合多特征可成功用于图像的语义的检索。

基于U-Net网络和椭圆度量学习的防震锤锈蚀识别

高压输电线路中金属锈蚀会严重危害输电线路的安全运行。针对高压输电线背景复杂、缺乏有效锈蚀检测手段以及锈蚀检测准确率低等问题,提出了一种基于U-Net网络和度量学习的高压输电线防震锤锈蚀检测方法。相比其他深度网络,U-Net网络的参数量较少且直观,在小样本下具有较优的性能,利用U-Net网络可以将复杂背景条件下的高压输电线路中的防震锤完整分割出来。对分割后的防震锤图像提取HSV颜色特征和LBP纹理特征,并引入能够反映样本空间结构信息或语义信息的椭圆度量,通过椭圆度量学习实现高压输电线防震锤锈蚀的识别。实验结果表明,相比于支持向量机、BP神经网络、决策树等检测方法,该方法能够高效、准确地识别复杂背景环境下的高压输电线防震锤锈蚀。