基于HOG图像处理的滚动轴承故障诊断方法

对于滚动轴承的智能故障诊断问题,文章提出一种基于梯度直方图(histogram of oriented gradient,HOG)图像处理的轴承故障诊断方法。首先将传感器采集到的原始时域振动信号经变分模态分解(variational mode decomposition,VMD)后得到二维图像;再利用HOG数字图像处理算法对上述图像提取特征信息;使用多维尺度分析(multi-dimensional scaling,MDS)方法对特征数据进行降维处理,得到低维空间下的故障特征数据并对故障特征数据添加标签构建数据集,该数据集被划分为训练集和测试集;然后引入遗传算法(genetic algorithm,GA)优化支持向量机(support vector machine,SVM)中的惩罚因子和核函数关键参数,用训练集进行训练得到最优故障分类模型;最后对测试集的数据进行处理,得到分类结果。对比分析结果表明,该文方法能快速提取轴承故障有效特征,提高故障诊断准确率。

基于HOG和TSO-SVM的水电机组轴心轨迹智能识别

水电机组的轴心轨迹能够反映机组不同的运行状态,为了提高轴心轨迹的识别率,准确判断机组运行状态,本文提出方向梯度直方图(Histogram of Oriented Gradient, HOG)结合由瞬态搜索优化(Transient Search Optimization, TSO)算法优化的支持向量机(Support Vector Machine, SVM)的方法。将轴心轨迹信号经改进小波阈值方法去噪后,生成轴心轨迹图像,之后提取图像HOG特征,经主成分分析(Principal Components Analysis, PCA)降维处理后,利用TSO-SVM对降维后的特征进行分类识别。结果表明所提方法能够很好地识别不同状态的轴心轨迹,具有识别准确率高和识别速度快的特点。

一个面向短波通信的LHOG话音检测方法

噪声环境下语音检测准确率偏低是短波通话面临的公开挑战。当前已有方法应用有限,其根源在于难以可靠地在噪音环境下提取准确且高效的语音特征。针对上述问题,提出了一个面向短波通信的低秩方向梯度直方图(Low-rank Histogram of Oriented Gradient,LHOG)话音检测方法。首先,对目标音频源数据进行预处理,实现噪声环境下语音信息的可视化表征;然后,在HOG特征提取器中嵌入低秩化结构,缓解特征中的冗余信息,并降低噪声干扰,从而获得准确且高效的特征;最后,通过常用的SVM分类模型便可在噪声环境中准确快速地区分话音和噪声。测试结果表明,该方法的准确率达到了95.12%,误报率仅为0.96%,漏报率为13.14%。与现有主流方法的对比实验证明,该方法话音检测准确率高,资源占用少,能够有效提高短波通信侦控效率。

基于BP神经网络和HOG特征的茶小绿叶蝉识别

为解决茶小绿叶蝉在复杂环境中快速识别的问题,提出了一种基于BP神经网络和HOG特征提取算法的茶叶病虫害识别方法。首先对采集的茶叶病虫害图片进行数据增强,用来扩充样本数量,并将样本尺寸大小统一到256×256,以方便网络模型训练。然后使用HOG算法提取图片的局部边缘特征,以减少光照变化造成的影响和降低噪声。最后将提取的特征数据输入到BP神经网络进行训练,并使用随机梯度下降法(SGD)减少模型训练的时间。实验结果表明,基于BP和HOG的茶小绿叶蝉识别方法,准确率为0.94,所提出的模型具有较高的识别能力和鲁棒性,可以为茶叶病虫害智能诊断提供参考。

基于SURF-HOG与显著性特征的红外可见光图像配准融合

针对现有红外与可见光图像配准不精确,边缘及细节纹理缺失,融合时间较长,不能突出重点目标等不足,提出一种基于SURF-HOG描述符与红外显著性特征的红外与可见光图像融合方法。首先,在红外与可见光图像配准阶段,在SURF(Speed-Up Robust Features,SURF)框架内构建基于HOG(Histogram of Oriented Gradient,HOG)的特征点描述符,并通过NNDR(Nearest Neighbor Distance Ratio,NNDR)进行红外与可见光图像的特征点匹配;其次,在显著特征提取阶段,先通过四叉树算法对源红外图像分解,然后通过贝塞尔插值法重建红外图像背景,接着分别对红外图像中的背景及目标进行自适应抑制以提取目标红外显著性特征;最后,结合已配准的可见光图像与重建后的红外图像以获取最终融合结果。实验结果表明,所提方法对不同场景下的红外与可见光图像具有较高的配准精度,不同场景下的融合结果不但主观视觉上具有显著的目标特征,同时背景纹理和边缘细节清晰,整体对比度适宜,运行时间最短,并且在客观评价指标上也取得了较好的效果。

基于HOG-SVM分类器的电力屏柜锁孔快速检测方法

为实现变电站电力屏柜的机器人开锁开门操作,提出一种综合边缘特征圆形检测和HOG-SVM分类器的变电站电力屏柜锁孔图像的快速检测方法。对实时采集的图像进行预处理以降低计算量;在此基础上,根据边缘特征构建判定条件进行圆形的快速圆形检测;进一步,通过收集锁孔及对照图片作为素材训练基于HOG-SVM的锁孔分类器。实验结果表明:边缘特征圆形检测算法无须预设半径且平均耗时相对于霍夫圆检测法减少0.3~0.4 s;同素材测试,HOG-SVM分类器较CNN分类器准确率高13.79%且运行时间减少1~2 s。算法单次运行时间约0.4 s,可满足机器人进行实时开锁需要。

基于PHOG特征的行人检测算法研究

HOG特征对行人轮廓有很好的描述能力,但基于HOG特征的行人检测存在检测速度慢、漏检率较高的问题,使得该算法的实践应用范围受限;针对检测速度慢、漏检率较高的问题,提出了一种基于PHOG特征的行人检测算法;首先,提出了PHOG特征,该特征对cell内的梯度特征进行强化,增大了目标与背景的梯度分布区别,从而使目标更容易被分类器学习和识别;然后提出了构建特征金字塔的方法,并对PHOG特征进行有效地降维,大幅度减少了检测时间;实验结果表明,提出的PHOG-PCA特征将漏检率从35%降到了22%,检测速度也比一些流行算法快。

基于GLCM-HOG和WOA-ELM的往复压缩机气阀故障诊断方法

气阀是往复压缩机在工作过程中极易发生故障的部件。从气阀时频图分析的角度,提出了一种基于GLCM-HOG和WOA-ELM的往复压缩机气阀故障诊断方法。首先,通过小波变换对各运行状态气阀的振动信号进行处理,生成时频图;用GLCM和HOG分别提取气阀时频图特征,融合形成GLCM-HOG特征。然后,利用WOA方法对ELM模型的输入层节点权值和隐藏层节点阈值进行优化,构建气阀故障诊断模型。最后,将GLCM特征和GLCM-HOG特征分别输入到WOA-ELM模型中,来证明本文所提方法的有效性和优越性,从而实现往复压缩机气阀故障的诊断。实验结果表明:与GLCM特征相比,构造的GLCM-HOG特征更能准确全面地反映气阀时频图特征;与ELM模型相比,WOA-ELM模型诊断气阀故障的准确率更高。

Adaboost M2+HOG算法在肖像类唐卡图像头饰检测分类中的应用

为适应西藏唐卡图像的数字化保护,精确地检索肖像类唐卡图像,根据头饰区域的特征进行检测分类,可以极大地满足图书馆、寺院、文化馆和唐卡数字化保护研究机构的检索需求。肖像类唐卡图像的头饰可以分为3类:发髻、僧帽和头冠。文章运用Adaboost M2算法结合3类唐卡图像头饰区域的HOG特征,进行头饰检测分类,可以极大地解决精确检索问题,通过分析实验,Adaboost M2算法在肖像类唐卡图像头饰检测分类中取得了良好的效果。

基于HOG和SVM的嵌入式行人检测与追踪系统设计与实现

随着社会的进步和科学技术的发展,传统的视频安防监控已经不能满足人们对于安全的需求和对高质量生活的向往。为此,本文设计了一种基于HOG+SVM的嵌入式行人检测与追踪系统,以树莓派3B+开发板作为核心处理器,采用树莓派CMOS摄像头采集图像,通过舵机实现行人跟踪驱动。重点介绍了基于HOG和SVM的行人检测算法,以及基于像素的视觉追踪算法的行人检测与追踪系统的设计与实现。实验结果表明,该系统能够很好地识别行人并进行追踪拍摄。本文研究为嵌入式平台方面的研究提供了一个较好的行人检测与追踪系统案例。

HOG特征值的笔迹鉴定算法

机器学习作为人工智能的一个分支,在工程实践中已经产生了较大的经济价值和科技价值。机器学习创建基于样本的数学模型,通过训练预测或者作出决策解决人工智能中的问题。支持向量机是按监督学习方式对数据进行二元分类的广义线性分类器,其决策边界是对学习样本求解的最大边距超平面。本文通过提取笔迹中的HOG特征,再利用支持向量机对该特征值进行训练,得到笔迹鉴定的模型,并通过该模型鉴定笔迹。

基于BOW-HOG特征的港口地标识别算法研究

港口地标分割与识别技术是实现港口轮胎式龙门吊(RTG)视觉定位的关键。为了实现地标的分割与识别,首先使用逆透视算法对图像进行预处理,并采用基于极值点的直方图分割算法对图像进行全局分割和局部分割。提取分割图像的HOG特征向量,并使用K-means算法对特征向量进行聚类。根据聚类结果获取每个地标图像的BOW-HOG特征向量,使用KNN算法寻找在特征空间中距离最近的3个BOW-HOG特征向量。根据特征向量对应的标签完成对地标的识别。实验结果表明基于BOW-HOG特征的地标识别算法对所有地标的分类准确度达到90.18%,单个地标类别分类的准确度最高可达94%。

基于HOG特征和TSVM算法的车标识别

支持向量机(Support Vector Machine,SVM)是建立车标识别模型的主要智能方法之一。考虑SVM存在计算复杂度高和无法实现增量学习等问题,提出一种基于孪生支持向量机(Twin SVM,TSVM)增量学习算法,并结合HOG特征设计一种车标识别系统。首先利用特征检测结合仿射变换技术,实现车标的精准定位;然后提取车标图像HOG特征,并通过对矩阵的逆运算进行分解和重组,实现TSVM增量学习。最后利用车标数据集训练分类模型,实现对车标的分类。实验结果表明,文中提出的算法在车标数据集上实现了91.77%的识别率,优于其他几种识别算法,证明了文中提出算法的有效性。

一种改进HOG特征的行人检测算法

针对HOG特征检测准确率高、计算量大的特点,通过对HOG特征的结构进行调整,提出了使用Fisher特征挑选准则来挑选出有区别能力的行人特征块,得到MultiHOG特征。该算法结合线性SVM二值分类器,实现行人滑动窗口检测。用Inria标准数据集和自行拍摄数据集进行了测试,结果证明该算法较HOG在准确率及实时性上都有很大的提高。

基于高斯混合模型与PCA-HOG的快速运动人体检测

针对传统人体检测系统中由于检测窗口标扫描区域过大,帧的特征维度过高使其在实际应用中内存消耗量大且检测速度慢的情况,提出了改进的运动人体检测方法。该方法利用高斯混合模型进行背景建模剔除掉大部分图像背景,减少了侦测扫描区域,从而在减少负例样本误检率的同时提升了检测速度。同时对处理HOG的高维度,提出了一种基于主成分分析(PCA)降维的梯度方向直方图(HOG)的描述子,即PCA-HOG描述子,它在不降低识别率的前提下,很大程度地提升了侦测窗口的分类速度。实验验证了混合高斯模型与PCA-HOG相结合显著提升了人体检测速度。

改良HOG结合SVM的快速障碍识别

为提升车辆驾驶的安全性,通过主成分分析降维来改良方向梯度直方图,并结合支持向量机分类,提出一种快速障碍识别方法。该方法在普通HOG特征仅提取横竖两方向梯度分量的基础上,补充了主、副对角线两个方向上像素的灰度信息,使HOG特征具有更丰富的边缘信息,同时针对HOG特征维数高而造成识别速度偏慢的问题,使用PCA来降维,以最大限度保证降维后的识别成功率以及识别速率提升。实验结果表明,本方法相较于改良前的HOG特征结合SVM的方法更好地提升了识别成功率并且有效地降低了识别时间。

基于改进HOG特征提取与SVM分类器输电线路金具识别

目的:针对识别输电线路金具的检测方法存在精度低、分类结果较差的问题,提出解决方案。方法:提出一种基于支持向量机(SVM)分类与改进HOG梯度方向直方图特征提取相结合的输电线路金具识别算法。对图像进行去噪预处理,提取特征信息,输入到SVM进行识别分类。将绝缘子规定为正样本,耐张线夹规定为负样本,选取500个样本进行试验。结果:准确率由未改进前的81%提升到96%。结论:所提出的算法可行、有效,为机器学习在输电线路金具识别中的应用提供一定的参考。

改进的基于增强型HOG的行人检测算法

行人检测在人工智能系统、车辆辅助驾驶系统和智能监控等领域具有重要的应用,是当前的研究热点.针对HOG特征不明显、支持向量机(SVM)分类器计算复杂度高,导致识别率低和检测速度慢的问题,本文提出了一种改进的基于增强型HOG的行人检测算法.该算法首先预处理原始图像并提取其HOG特征,然后增强该特征生成增强型HOG,经XGBoost分类器进行行人检测.在INRIA数据集上进行测试,实验结果表明所提算法识别率高达95.49%,有效地提高了行人检测性能.

HOG1对格特隐球菌应对压力应激、毒力因子和抗药性的影响

目的:明确HOG1基因对格特隐球菌应对压力应激、毒力因子产生和抗药性的影响。方法:比较格特隐球菌原始株、hog1Δ菌株和重建株在含高渗透压培养基、抗真菌药物培养基中的生长差异,以及在YEPD培养基中荚膜的合成和咖啡因培养基中黑素产生的差异。结果:hog1Δ菌株在高压力和抗真菌培养基中生长受限,在YEPD培养基中荚膜合成减弱,在咖啡因培养基中黑素生成减少。结论:HOG1基因在格特隐球菌应对压力应激、毒力因子产生、抗药性中有重要作用。

基于HOG特征的脑电地形图分类算法研究

脑电地形图(Brain Electrical Activity Mapping,BEAM),是一种先进的研究脑功能和临床诊断的重要手段,既能进行病理诊断又可进行功能诊断,具有较高的敏感性。通过BEAM判断人在不同高低负荷下的疲劳情况并进行有效分类,能最大程度避免高危从业人员的危险发生。目前,大多数脑力负荷分类方法只是简单地利用脑电信号的四种频段特征进行分类,但分类效果并不理想。在此基础上,提出将脑电信号可视化分析,构建脑电地形图,并将方向梯度直方图(Histogram of Oriented Gradient,HOG)特征应用到BEAM分类中。BEAM是根据各频段功率谱密度值用不同颜色表示的球面头皮展成的平面图形,所以针对BEAM的分类研究是基于图像浅层特征的,而HOG正是图像处理中一种简单有效的浅层特征描述符。在BEAM中,HOG能有效地提取各脑功能区的边缘结构特征,并且能提取到地形图表象和形状的方向分布。首先将采集到的脑电信号进行预处理后,选择三频段脑电特征构建BEAM,进行HOG特征提取及分类任务,并与其他算法进行对比。得到的脑电地形图分类结果表明,提取HOG特征的BEAM分类精度最高,明显好于其他研究算法。