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。

基于HOG的行人快速检测

为了更好更快速地实现对行人的检测,提出一种基于空间梯度直方图的行人检测算法。该算法在分类识别时用BoostedCascad算法级联结构的分类器,将那些对不包含行人信息的区域进行筛选排除,从而使信息量减少。实验结果表明,该算法在不降低检测效果的情况下明显提高了行人检测效率,具有较强的鲁棒性。

基于HOG特征结合Adaboost算法的行人检测

近些年来,行人检测一直是计算机视觉领域内的一个研究热点。但在实际应用中,由于光照变化、复杂背景、行人遮挡等问题的存在,目前仍然缺乏一个鲁棒健壮的行人检测系统,可以满足实际应用中的需要。本文首先介绍了HOG特征和Adaboost算法,然后提出了一种基于HOG特征结合Adaboost算法的行人检测算法。最后在行人检测数据集上的实验结果表明本文提出的算法的检测准确率高达95%,并且在分辨率为640*480的视频上可以基本满足实时性的要求。

基于HOG和SVM的公交乘客人流量统计算法

针对公交乘客人流量统计准确度不高的问题,提出一种基于HOG和SVM的人流量统计算法。首先采用机器学习的方法,提取人头部的HOG特征,将SVM作为学习训练方法,得到关于人头的线性目标分类模型的分类器,成功检测出人头;其次通过数据关联,将Camshift算法作为人头目标跟踪算法,并利用tracking-by-detection机制,实现多目标跟踪,稳定地捕获人头目标的运动轨迹;最后对轨迹分析,判断目标是否越过设定的计数线,从而完成对公交乘客人流量的自动计数。实验表明该算法统计准确率有明显提高,且误检率较低,特别是在白天光照条件较好时,能够实现人流量的有效计数。

融合KCF和HOG的改进TLD目标跟踪算法

针对跟踪学习检测(TLD)算法跟踪速度慢,对光照变化鲁棒性差的问题,提出了一种融合核相关滤波(KCF)和方向梯度直方图(HOG)的改进TLD目标跟踪算法。该算法将TLD跟踪模块的中值流跟踪替换为KCF目标跟踪,通过循环矩阵将计算从时域转换到频域,大大降低了计算量,提高了算法的跟踪速度;再通过提取目标的HOG特征,代替TLD检测模块中随机森林检测器的灰度特征,通过对图像的归一化,降低光照强度对检测的影响,增加了检测器检测成功率,提高了算法的鲁棒性。实验表明,改进TLD算法的一次性通过评估(OPE)精确度达78.7%,成功率达74%;在光照变化下的OPE精确度和成功率也高出TLD算法15%以上;测试视频的跟踪速度达TLD算法的2倍,具有较好的实时目标跟踪能力。

基于HOG的酿酒葡萄叶检测

在酿酒葡萄生长状态与病虫害自动监测中,需要在图像中检测出葡萄叶片,通过提取葡萄叶片图像的方向梯度直方图(HOG)特征投入到支持向量机(SVM)分类器中以实现对葡萄叶片的识别;结合多尺度目标定位和均值漂移算法还可以自动确定图像中葡萄叶片的位置。实验结果表明,使用线性核函数训练后的分类器对葡萄叶片和四种常见杂草的识别率达95.5%。该方法对光照和环境变化有较好的鲁棒性,自然条件下成像的叶片图像的葡萄叶片检出率达到了80%以上。

一种基于HOG的行人检测算法

提出一种基于梯度方向直方图与AdaBoost+SVM的行人检测算法。方向梯度直方图用于描述和提取行人的外观及运动特征,并使得外观、运动特征实现相互融合。在分类器的选择上使用SVM作为AdaBoost的弱分类器对行人检测器进行分类训练,最终得到分类效果好的行人检测器,实现更好的检测性能。

基于OTSU分割和HOG特征的行人检测与跟踪方法

传统的HOG算法针对整幅图像进行行人特征提取,大量的非人窗口计算必然降低检测的准确率和效率;为此,提出一种基于OTSU分割和HOG特征的行人检测与跟踪方法;利用OTSU算法以最佳阈值分割图像,在分割区域的基础上进行Canny边缘检测,通过边缘的对称性计算确定行人候选区,继而采用经PCA方法降维后的HOG特征和隐马尔可夫模型对行人候选区进行检测验证;最后,以确定的行人区域为跟踪窗口,利用CamShift算法跟踪行人;多组实验结果证明,该方法的行人检测效率和精度均有所提高,跟踪性能稳定、可靠。

基于hog图像特征的人脸识别系统设计与实现

人脸识别是一种典型的计算机图像视觉技术应用。本文以该技术为背景,给出一个基于hog特征算子来描述目标的人脸识别系统。该系统提取被检测图像的hog特征并使用Adaboost学习算法训练识别分类器,从而对目标特征进行分类判断。通过实验可以发现,使用hog特征结合分类器的方法对人脸进行识别可以获得较高的检测率,具有良好的应用价值。

基于改进的HOG和LBP算法的人脸识别方法研究

人脸识别技术易受光照、表情等因素影响,为充分提取人脸特征信息,提出了融合改进的局部二值模式(LBP)和梯度方向直方图(HOG)方法提取人脸图形纹理、细节特征,利用列方向压缩的2DPCA+PCA算法对人脸的特征空间进行降维处理,使用2DPCA算法降低了特征维度,解决了仅仅使用PCA方法,由于人脸图像特征维度高而造成求解模型复杂的问题,降低了计算规模,提高了运算速度。最后,使用ORL和Yale人脸数据库进行实验。结果表明,基于改进的LBP和HOG融合的特征提取具有一定的互补性,与其它的识别算法相比,该改进的算法识别率有了较大的提高,鲁棒性更强。

基于HOG-SVM的改进跟踪-学习-检测算法的目标跟踪方法

对于经典跟踪-学习-检测(TLD)跟踪算法,在目标受到遮挡、光照、干扰、旋转和尺度变化等问题时,会导致算法的跟踪精度和速度降低,计算的复杂度较高,实时性差。针对以上问题,提出一种改进的TLD目标跟踪算法。首先针对检测模块中计算复杂度高的问题,将HOG-SVM结合替换原TLD算法中的2bit BP特征和集成分类器;再针对原算法中跟踪精度低的问题,将KCF跟踪算法替换中值光流法;在HOG-SVM+KCF跟踪算法的基础上,对滑动窗口法进行改进,解决原算法中实时性差的问题。实验表明,改进后的跟踪算法,在背景环境变化的情况下,跟踪精度和速度都有提高,实时性加强。

HOG内嵌模板匹配的车门夹人检测算法

我国新建地铁多采用屏蔽门设计,但屏蔽门和列车车门之间存在间隙,容易卡、夹乘客造成严重的安全事故.针对这一问题,提出基于视频帧图像的车门夹人检测技术.首先,采用HOG算子描述候车乘客的图像特征,并提取类乘客目标的凸显特征;然后提出一种动静目标分离算法,将乘客从背景中分割出来,并实现对乘客的有效实时跟踪.最后,利用现场模拟数据开展实验,结果表明本文提出的检测算法可以实现对车门夹人的有效检测.

基于改进HOG特征和SVM分类器的行人检测

本文首先研究了行人检测的方法和面临的难点,然后根据高斯平滑滤波器和双线性插值法对传统方向梯度直方图做了改进,并搭建了支持向量机模型,从而构建了基于改进HOG特征和SVM分类器的行人检测系统。实验结果显示,在明亮且无遮挡的场景下,矩形框精确地定位行人,在光照不足或存在轻微遮挡时可以大体定位到行人,表明该系统在明亮无遮挡的情况下有准确的结果,并且在昏暗和轻度遮挡下检测效果良好,最后通过对比可以得出,本文提出的方法总体效果优于传统HOG特征和SVM分类器的方法。

基于HOG特征的学生课堂状态检测研究

提出一种基于HOG特征的学生课堂状态图像检测方法,从课堂监控图像中提取反映课堂教学效果与学生课堂状态的相关信息,为后续行为状态识别提供基础数据。首先,截取包含学生完整课堂状态的图像块,提取其HOG特征;然后,运用Adaboost分类算法训练级联分类器;最后使用图像金字塔技术滑动检测,检出学生听课状态窗口。

基于Tamura-HOG纹理特征与矩特征融合的配网电缆终端故障诊断方法

针对现有的配网电缆因局部放电随机且复杂导致故障诊断尚存不足的问题,本文提出了一种融合局部放电谱图的矩特征、Tamura纹理特征和方向梯度直方图特征的特征提取方法。该方法从形状特征、全局和局部方向纹理特征3方面更加全面地表达局部放电谱图特征,对局部放电谱图的矩特征、Tamura和方向梯度直方图纹理特征进行提取与融合,结合自适应提升算法、后馈神经网络和支持向量机算法均可以实现识别准确率较高的故障诊断效果。然后,将本文方法与后馈神经网络、支持向量机及卷积神经网络、栈式自编码器深度学习算法进行识别对比,结果表明,自适应提升算法的识别准确率最高、耗时最短,具有良好的通用性和稳定性,为配网电缆的故障诊断提供了新的方法。

基于改进HOG特征的集装箱锁孔检测和定位方法

针对集装箱起重机的吊具锁头与集装箱锁孔的快速对准连接问题,基于计算机视觉技术,提出一种集装箱锁孔检测和定位方法:首先把HOG算法进行创新改进,更好地提取锁孔特征样本;然后,将AdaBoost级联分类器与SVM算法在目标检测上的优势相结合得到AdaBoost-SVM级联分类算法。通过AdaBoost-SVM级联分类算法检测和定位图像中锁孔,与经典的HOG+SVM分类算法、经典的HOG+AdaBoost级联分类算法和Candy+Hough变换检测等方法相比,该方法对锁孔的检测具有更好的实时性和更高的精确度。

基于改进粒子群优化的K-means聚类的焊接缺陷图像识别

针对传统检测方法对焊接缺陷图像识别的缺点,提出基于改进粒子群算法优化的K-means聚类的焊接缺陷图像识别方法。运用HOG算法提取焊接缺陷图像的特征,利用IPSO算法对K-means聚类模型的聚类点数K进行参数寻优,从而实现对焊接缺陷的检测识别,实验验证表明,该方法能够有效提高焊接缺陷图像的识别效果,总体识别准确度达到94%。

基于布谷鸟搜索的图像匹配方法研究

针对传统群智能方法在图像匹配应用中参数较多且调节复杂的问题,将布谷鸟搜索(cuckoo search,CS)机制引入到图像匹配过程.CS方法具有较少的模型参数、简单的调节方式,因此图像匹配效果获得了较大的提高.该方法首先将目标匹配过程转化为对组合优化问题的求解;然后通过提取图像块的方向梯度直方图(histogram of oriented gradient,HOG),实现目标的全局性特征匹配;最后通过仿真实验,证明了CS方法在图像匹配应用中的可行性和有效性.

基于SEF-GHEI及协同表示的步态识别研究

将协同表示方法应用于步态识别中可以解决稀疏表示方法计算耗时的问题,但提取步态特征采用的GEI算法没有考虑步态内部轮廓边界信息,导致识别率不高。针对此问题,提出使用融合Hog和GEI算法的方法提取步态特征,在此基础上使用协同表示的方法训练,再通过计算测试样本的最小重构误差进行分类。实验结果表明,该方法在单一视角下步态识别准确率平均提高了1.315%,以及跨视角下步态识别准确率平均提高了6.51%,说明该方法是可行的。

基于机器视觉的铝型材表面瑕疵检测方法

铝型材的表面瑕疵影响其质量、外观以及安全性,如何准确、快速和高效地识别铝型材的表面瑕疵至关重要。为解决检测铝型材表面瑕疵的问题,提出一种基于机器视觉的铝型材表面瑕疵检测方法。该方法基于铝型材的瑕疵种类和特性,采用非线性的双边滤波,并对其定义域核函数作出空间域改进,改进后的滤波算法能够较好地抑制噪声,保留瑕疵边缘信息。预处理后采用改进的Canny算法对图像进行梯度计算并且通过非极大值抑制得到候选边缘,对缺陷进行定位。为了有效地对瑕疵进行分类,对其数据集进行数据增强,防止过拟合情况的发生,结合光照等外界因素对瑕疵特征的影响,采用HOG算法进行特征提取,并将卷积神经网络多层的特征与HOG特征进行融合,对卷积核采用相关系数法优化,解决传统HOG+SVM模型泛化能力和鲁棒性差的问题,铝型材表面瑕疵检测准确率提升至90.26%,平均每张测试集仅需58.34 ms,符合目前对铝型材表面质量检测的需求。