基于SILTP纹理信息的运动目标检测算法

精确的运动目标检测是许多视频分析技术的前提。提出了一种基于背景减除的运动目标检测算法,该算法利用尺度不变三值模式(SILTP)进行纹理特征变换,并对视频序列的第一帧进行快速的背景模型初始化。对于背景模型的建立,直接采用SILTP纹理特征值,而不是计算其像素分布。最后结合像素的空间信息,采用随机替代的策略来更新背景模型。在wallflower测试集上的测试结果表明,与其他算法相比,该算法在满足实时性的基础上具有很好的检测效果,特别是在阴影的去除及光照的突变上有很好的鲁棒性。

基于LBP的尺度不变特征的描述和匹配算法

针对尺度不变特征变换(SIFT)算法计算复杂度高和匹配速度慢的难题,提出一种新的基于局部二进制模式(LBP)的尺度不变特征变换算法.首先采用高斯差分尺度空间检测局部极大值,利用圆形邻域统计梯度方向直方图来确定特征点的主方向,再通过坐标轴旋转避免图像旋转的计算代价;然后运用改进后的LBP算子求取特征点邻域的纹理信息,得到132比特的特征点描述子,有效地降低了描述子的计算复杂度;最后运用逻辑与运算对描述子进行特征点匹配.图像匹配实验结果表明,该算法具有尺度不变性、旋转不变性、仿射不变性和光照不变性等优良特性,在保证匹配正确率与SIFT和CS-LBP算法基本一致的情况下,运算速度优于以上2种算法,其中光照不变性明显优于SIFT算法.

一种基于LTP特征的图像匹配方法

为了解决可变光照条件下图像匹配困难这一问题,提出一种基于LTP(局部三值模式)特征的图像匹配方法。LTP是LBP(局部二值模式)的扩展,这种局部纹理描述算法较LBP更具有判别能力而且对于统一区域的噪声更不敏感。利用LTP对于图像旋转和光照变化都具有良好的鲁棒性,解决了在光照可变条件下流行的SIFT方法进行匹配的困难。通过对不同变换的图像进行匹配实验表明,该方法得到的匹配结果比LBP效果更好,鲁棒性更高,而在光照可变和噪声很大的情况下比流行的SIFT方法更实用。

融合多特征的运动目标特征提取方法

运动目标的特征提取是运动目标分类的基础。仅依赖于单特征进行运动目标分类容易受到目标区域检测精度不准确、目标角度、尺度变化以及噪声干扰等因素影响,从而造成分类准确度降低。为克服上述缺点,提高算法的鲁棒性,提出了融合宽高比特征、旋转不变均匀局部二值模式特征以及尺度不变特征(SIFT特征)的运动目标特征提取算法,并在此基础上基于支撑向量机和K近邻方法对运动目标进行分类。实验表明,采用融合多特征的运动目标特征提取方法能够显著提高运动目标的平均分类准确率。

采用局部差分模型描述的彩色图像配准技术

针对光照方向、强度、色彩或摄像头参数等因素的变化导致待配准彩色图像对间存在复杂的色彩变化,从而严重影响彩色图像配准效果的问题,提出了一种对彩色变化不敏感的彩色图像配准方法.该方法首先根据彩色图像间的von Kries彩色变换模型,建立图像的彩色不变量空间,在此空间利用尺度不变量特征转换(SIFT)算法完成特征点的检测;为加快运算速度,采用2阶局部差分模型(LDP)方法对特征点进行描述,并完成彩色图像特征间的初匹配;再进一步利用RANSAC算法消除误匹配特征点对,得到最终的匹配特征点对.实验结果表明,该彩色图像配准方法与其他算法相比,可以快速、准确地获得彩色图像间的映射关系,因此更加适合存在色彩变化的彩色图像的配准.

联合SIFT特征点和CS-LBP特征描述子的复制粘贴篡改检测

针对现有数字图像复制-粘贴篡改检测中尺度不变特征变换(Scale Invariant Feature Transform,简称SIFT)算法计算复杂度高的问题,文章提出一种将SIFT特征点和中心对称局部二进制模式(Center Symmet-ric-Local Binary Pattern,简称CS-LBP)描述子相结合的篡改检测方法。首先提取SIFT关键点,再对每个关键点生成CS-LBP特征描述子,并利用K-D(k-dimensional)树和BBF(Best-Bin-First)搜索算法寻找符合特征匹配关系的匹配点对,判断是否存在图像区域的篡改。实验表明,与同类算法相比,所提出算法在不损失检测精度的同时有效地减少了运算量。

高效的光照、旋转、尺度不变纹理分类算法

纹理图像中存在的光照、旋转、尺度变化使纹理分类成为一个极具挑战性的问题.针对传统的纹理分类算法在同时解决光照、旋转、尺度变化问题和实时性方面存在的不足,提出一种高效的光照、旋转、尺度不变纹理分类算法.首先利用原始图像及其2次高斯滤波图像构造尺度空间,采用带邻域主导方向的完备局部二值模式算法在不同尺度上提取光照、旋转不变的纹理特征;然后利用跨尺度取模式最大值的方法获得尺度不变的纹理特征;最后利用最近子空间分类器进行分类.在5个有代表性的纹理库上进行实验的结果表明,该算法不需要预先学习,能较好地解决纹理分类中的光照、旋转、尺度变化问题,并具有较高的实时性.

高鲁棒性和独特性的图像局部不变特征描述

为了提高尺度不变特征变换(scale invariant feature transform,SIFT)算法的不变性,并降低图像中存在多个相似区域时的误匹配率,提出了一种将基于局部二进制模式的中心对称的改进局部三进制模式(center-symmetric improved local ternary patterns,CS-ILTP)描述子和全局灰度值分布(global distribution of intensity,GDI)描述子相融合的局部不变特征描述算法。通过迭代变换,使得由SIFT算法得到的初始特征点收敛到仿射不变点并得到仿射不变区域;分别提取CS-ILTP和GDI描述符,从而得到图像的局部不变特征描述。实验结果表明,所提算法具有高鲁棒性和独特性,相似区域和人工路标匹配中的正确匹配特征个数分别比SIFT算法增加了100%和86%以上。

一种非刚性三维模型的尺度不变局部特征提取方法

提出了一种具有尺度不变性的非刚性三维模型局部特征提取方法,即基于局部多值模式的热核特征(local multilevel pattern based heat kernel signatures,LMP-HKS).首先设计了一种适用于一维信号的基于局部多值模式的编码方法;然后通过对HKS特征的对数差分结果使用局部多值模式来计算特征直方图向量,以获得局部特征向量.该特征不仅保留了HKS特征的等距不变性、信息完备性及稳定性等优良特性,而且具有尺度不变性.与同样具有尺度不变性的SI-HKS特征相比,LMP-HKS特征对于非刚性三维模型的局部形状结构具有更强的描述能力.大量非刚性三维模型检索的实验结果验证了该局部特征的有效性.

基于自适应阈值与双特征的ViBe运动车辆检测算法

ViBe算法在运动车辆检测中容易产生鬼影和空洞现象,为此,提出一种融合双特征建模和自适应阈值的背景减除算法。用尺度不变局部三值模式特征和颜色特征对首帧视频序列构建背景模型后,结合2种特征的变化改进ViBe算法的判别方法。当某像素被判别为前景时,使用Otsu算法计算图像的最佳分割阈值并根据该阈值对前景像素点进行第二次判断,采用改进的ViBe更新策略更新背景模型。实验结果表明,相对ViBe算法,该算法可以抑制鬼影和空洞现象,提高运动车辆检测的精确度,且在光照变化时具有较好的鲁棒性。

基于局部二进制模式和图变换的快速匹配算法

针对图像匹配在图像拼接、目标识别等领域的应用中尺度不变特征变换(Scale Invariant Feature Transform,SIFT)算法计算复杂度高、实时性较差的问题,提出了一种基于局部二进制模式(Local Binary Patterns,LBP)和图变换(Graph Transformation Matching,GTM)的匹配算法.首先采用SIFT特征检测提取特征点并以特征点为中心取13×13的图像块作为特征区域;然后用本文提出的局部旋转不变二进制模式(Local Rotation Invariant Binary Patterns,LRIBP)描述子对特征区域进行描述产生29维的特征描述向量,降低了描述子的复杂度,并以欧氏距离为度量准则进行初始匹配;最后采用图变换匹配算法剔除误匹配点,从而提高算法的运算速率和匹配精度.仿真结果表明,本文所提算法不仅具有较高的精度和较强的鲁棒性,并且减少了算法的运算量,提高了算法的实时性.

基于SIFT-LBP的图像检索优化算法研究

针对尺度不变特征变换(SIFT)算法在图像特征提取和检索中精度、实时性以及对光照条件变化描述较差的问题,提出了SIFT和局部二值模式(LBP)相结合的图像特征提取算法。采用旋转不变LBP算法统计关键点周围16×16区域的梯度信息并计算周围9×9区域的LBP值,以区域中每个像素点为中心构建图像的SIFT-LBP特征描述子。采用了基于遗传算法的特征选择方法,剔除了特征点的冗余信息,降低了特征向量维数。实验结果表明,SIFT-LBP算法具有良好的特征匹配效果,对光照条件的变化具有较强的鲁棒性,进一步提高了检索准确率和检索速度。

基于均匀尺度不变局部三元模式的背景建模及其在Intel HD显卡上的并行实现

针对尺度不变局部三元模式(SILTP)背景建模算法复杂度较高、计算速度较慢,不利于高速视频处理的问题,提出了一种新的均匀尺度不变局部三元模式(USILTP)背景建模并行算法。首先,通过规范SILTP编码的跳变次数得到USILTP纹理特征,实现了SILTP特征降维;其次,设计并实现基于英特尔核芯显卡(Intel HD)及开放式计算语言(Open CL)的USILTP背景建模并行算法,进一步加速了USILTP背景建模算法;最后,通过融合多颜色通道模型结果,优化了USILTP背景建模算法的前景效果。实验结果表明,在Intel HD 4600上处理320×240分辨率的视频,该算法将速度提升至98 frame/s,比SILTP背景建模算法快4倍;在前景检测方面,该算法在背景公开数据库上的性能比SILTP背景建模算法提升了2.1%。

结构化特征融合的人脸表情识别

考虑中心像素值对梯度幅值计算的影响,提出绝对尺度不变特征变换(ASIFT)描述子,结合主动形状模型(ASM)定位人脸特征点,提出ASM-ASIFT特征提取方法。将该方法所提特征与通过划分人脸表情区域并赋予权值的局部二值模式(LBP)特征进行结构化融合。实验结果表明,结构化融合后的正脸和侧脸表情识别的准确率分别为83.44%和71.19%,较ASM-ASIFT以及区域LBP方法,分别提高了4.77%、4.78%和6.98%、8.45%,表明融合后的特征能更加完整、精确地描述面部表情的细节信息,具有更强的表征能力。

基于纹理图像分析的生物视觉模型不变性评价

基于纹理图像,从计算机视觉角度对生物视觉模型——视皮层目标识别的标准模型进行定量分析与评价。对原始图像分别进行尺度、旋转及仿射等变化,利用标准模型提取变化后图像的生物视觉特征,再根据提取的生物视觉特征对纹理图像进行分类,采用图像分类结果的曲线下面积来定量分析和评价生物视觉模型是否具有不变性。大量与局部二元模式特征的对比实验表明,该模型提取的生物视觉特征对于纹理图像具备优良的尺度、旋转与仿射不变性。

基于LBP的鲁棒特征提取与匹配方法研究

针对现有的Harris角点提取算法在图像匹配法中,存在精度低、抗干扰和抗光照变化能力弱的缺陷,提出一种基于局部二进制模式(Local Binary Patterns,LBP)和图变换匹配算法(Graph Transformation Matching,GTM)相结合的鲁棒精确匹配算法。采用改进的Harris边缘特征检测提取特征点并选取图像块作为特征区域;采用改进的中心对称局部二进制模式(Center Symmetric Local Binary Patterns,CSLBP)对高维特征进行降维生成24维特征描述子,并依据欧氏距离实现图像粗匹配;采用图变化匹配法剔除误差匹配来改善匹配的精度和鲁棒性。测试结果表明,所建议算法是有效的,它不仅具有良好的抗尺度和旋转变化特性,而且具有较强的噪声抑制能力和抗光照变化能力。提出的鲁棒性算法不仅充分考虑到传统特征匹配算法优缺点,使检测与匹配结果更加准确,而且较Harris算法以及LBP算法稳定性和准确度有了明显的提高。

结合LTP纹理特征和改进Mean-Shift的视频目标跟踪方法

视频序列中的目标跟踪效果受到尺度、光照和复杂背景等因素的影响,为此,提出一种结合局部三元模式(LTP)纹理特征和改进型Mean-Shift的目标跟踪方法。首先,为了提高传统Mean-Shift算法对尺度变化的鲁棒性,采用一种尺度和方向自适应的改进型Mean-Shift跟踪器,在均值漂移跟踪框架下估计目标的尺度和方向。另外,通过LTP来提取目标的纹理特征,将其与颜色特征相结合来表示目标模型。实验结果表明:该方法比只采用颜色特征的Mean-Shift算法更加有效,能处理快速移动物体在目标尺度和方向上的变化。

基于动态视觉显著性的感兴趣目标提取与跟踪

传统的基于粒子滤波的目标跟踪中,通常待跟踪的目标或者在视频初始帧中由人工指定,或者需要对背景进行建模后由背景差方法进行分割,受人类视觉感知机制的启发,提出一种基于尺度不变特征转换(scale invariant feature transform,SIFT)流的动态视觉显著性算法,结合颜色、亮度以及方向等静态特征以实现对感兴趣目标的自动定位;通过融合静态显著性与动态显著性形成总显著图,并选择显著性最高的目标作为待跟踪的感兴趣目标;通过提取目标区域的颜色、梯度及旋转不变局部二进模式(local binary pattern,LBP)纹理等特征构建目标模板,采用粒子滤波器对目标进行跟踪。结果表明,该算法能够在一定程度上模拟人类动态视觉注意过程,有效地检测感兴趣的目标并进行稳定鲁棒的跟踪。

结合模糊特征检测的鲁棒核相关滤波跟踪法

针对跟踪领域内由于图像模糊而导致跟踪失败的问题,提出一种结合模糊特征检测的鲁棒核相关滤波(kernelized correlation filter,KCF)跟踪法。首先,将尺度不变特征变换(scale invariant feature transform,SIFT)描述子与局部二值模式(local binary pattern,LBP)算法结合,提取模糊图像中的特征点,并采用圆形邻域描述该特征点,以降低特征向量的维度,综合构建出模糊特征检测器。其次,设置图像清晰度阈值,若当前图像清晰度低于阈值,则启动模糊特征检测器,通过特征向量间的匹配,得出跟踪目标的位置;否则,通过传统的核相关滤波法预测目标位置。最后,在公开数据集OTB-2013和OTB-2015中的测试结果表明:与其他实验算法相比,该算法可对模糊图像中的目标进行有效跟踪且精度较高。

改进特征与GPU加速的行人检测

目的目前行人检测存在特征维度高、检测耗时的问题,行人图像易受到光照、背景、遮挡等影响,给实际行人检测造成了一定困难。为了提高检测准确性,减少检测耗时,针对以上问题,提出一种改进特征与GPU(graphic processing unit)加速的行人检测算法。方法首先,采用多尺度无缩放思想,通过canny算子对所有样本进行预处理,减少背景干扰与统一归格化的形变影响。然后,针对实际视频中的遮挡问题,把图像分成头部、左臂、上身、右臂、左腿、右腿6个区域。接着选取比LBP(local binary patterns)特征鲁棒性更好的SILTP(scale invariant local ternary pattern)特征作为纹理特征,在GPU空间中并行提取;同时,分别提取6个区域的HOG(histogram of oriented gradient)特征值,结合行人轮廓在6个区域上的梯度方向分布特性,对其进行加权。最后,将提取的全部特征输出到CPU(central processing unit),利用支持向量机(SVM)分类器实现行人检测。结果在INRIA、NICTA数据集上进行实验,INRIA数据集上检测率达到99.80%,NICTA数据集上检测率达到99.91%,并且INRIA数据集上检测时间加速比达到12.19,NICTA数据集上达到13.49,相对传统HOG、LBP算法,检测率、时间比实现提高。结论提出的改进HOG-SILTP特征与GPU加速的行人检测算法,能够有效表达行人信息,改善传统特征提取方式带来的耗时与形变影响,对环境变化、遮挡具有较强的鲁棒性。该算法在检测率、检测时间方面均有提高,能够实现有效、快速的行人检测,具有实际意义。