基于点标定的行人检测准确度研究

为了提高基于特征点的行人检测方法的检测准确度,提出了一种基于局部二值模式(local binary patterns,LBP)和二进制梯度方向直方图(binary histograms of oriented gradients,BHOG)特征组合和支持向量机分类器(support vector machine,SVM)的行人检测方法。实验结果显示,采用BHOG+LBP组合特征提取方式的错误检测率为0.012,相较于采用单一BHOG特征提取方式的错误检测率降低了33.33%,相较于采用单一LBP特征提取方式的错误检测率降低了40%。     

一种融合图像区域属性特征的运动阴影消除算法

针对传统C1C2C3彩色不变性特征模型中分母只考虑值最大的颜色信息导致阴影消除结果不准确及局部二值模式(local binary pattern,LBP)易受噪声扰动的缺陷,在C1C2C3模型中采用两个颜色通道的均值作为分母以及在LBP模型中加入抗噪声因子的方法分别对以上两个模型进行改进,提高了两个模型的阴影检测准确率.为了有效融合各种基于属性阴影消除方法的优势,引入LBP纹理复杂度测量函数,根据LBP纹理复杂度分区域融合文中改进的两个模型,实验结果表明,改进的算法提高了运动阴影消除准确率.     

基于FS-LBP特征的人脸活体检测方法

针对人脸识别系统无法识别人脸图像是否来自真人的问题,首先改进了傅里叶频谱(Fourier spectrum,FS)特征的人脸活体检测方法,并验证了局部二值模式(local binary pattern,LBP)特征和灰度共生矩阵(gray-level co-occurrence matrix,GLCM)特征人脸活体检测性能。在此基础上,提出了融合LBP特征的FS-LBP特征人脸活体检测算法。实验结果表明,提出的FS-LBP特征在多数据库的混合数据的准确率高达83.17%,更优于多尺度局部二值模式(multiscale local binary pattern,MSLBP)特征。     

基于改进纹理表示的主动形状模型

主动形状模型(Active shape model,ASM)是一种基于参数化的统计模型,它主要应用于图像处理中的特征定位和提取.本文在分析传统ASM方法不足的基础上,提出一种基于改进纹理表示的ASM方法.改进的纹理表示方法是直接用联合Gabor相位特征和局部二元模式(local binary patterns,LBP)特征代替传统的灰度值.改进的方法提供多尺度多方向的Gabor纹理信息,而且基于LBP的纹理编码能对光照更加鲁棒,而且可以去除大量冗余信息.实验结果表明改进的ASM能有效提高特征点的匹配精度.     

一种自适应的EDTLBP人脸识别方法

局部二值模式(local binary pattern,LBP)算子只采用0阈值编码,忽略像素对比度信息,造成了特征提取单一﹑抗干扰能力差的缺点。主要从两方面对以上问题加以改善:为获取光照变化环境下最具有鉴别能力的多元特征空间,采用交叉验证算子筛选出两组最优动态阈值,分别进行LBP编码;为有效融合提取的多尺度特征,引入信息熵估算各阈值编码后的LBP特征权重,作为不同阈值特征融合时的贡献率。所提方法 EDTLBP(entropy dynamic threshold local binary pattern)在各组对比实验中均取得了最优结果,其中,在不可控光照环境下的户外人脸库上更取得了100%的理想识别率。实验结果表明,EDTLBP方法在光照变化环境下具有极强的自适应性。     

改进局部二值模式算法与Camshift结合的目标跟踪方法

为解决视频实景监视系统中因场景光照、阴影及远距离小目标跟踪易丢失问题,提出一种改进局部二值模式(local binary patterns, LBP)算法与Camshift结合的目标跟踪方法。利用LBP算子纹理和颜色对阴影不敏感的特性,采用改进的LBP算子与高斯混合模型结合进行背景建模和目标检测,以抑制阴影的干扰;同时将LBP算子的纹理和颜色融入Camshift算法中,结合Kalman滤波进行目标运动状态的预测,最终实现对监视场景中运动目标的可靠、稳定跟踪。采集行人、车辆及航空器等不同类目标进行实验,验证了本文方法不仅能够稳定、精确地跟踪运动目标,同时可适用于场景雾天低能见度条件下的目标跟踪。     

自适应阈值局部特征融合的人脸识别

针对局部二值模式(local binary pattern,LBP)提取图像纹理特征时阈值不能自适应以及缺少方向信息的问题,文章提出了一种自适应阈值局部特征融合的人脸识别算法。首先对原始人脸图像进行分块处理,提取每个子块自适应阈值均匀模式的局部二值模式(uniform local binary pattern,ULBP)特征和局部梯度编码(local gradient coding,LGC)特征;然后,将2种局部特征串联在一起融合为1种特征,得到每个子块的直方图特征,把每个子块图像的信息熵作为直方图加权系数,将所有子块图像的直方图乘以各自的加权系数,连接得到整幅人脸图像的直方图特征;最后用支持向量机(support vector machine,SVM)分类器进行识别分类。在ORL、Yale、FERET(be、bj、bf子库)人脸数据库上进行试验,该人脸识别算法分别得到了99.0%、98.7%、87.5%、93.0%、88.5%的识别率,正确识别率较高,算法对其他纹理分类、目标识别也具有一定的参考价值。     

基于颜色纹理直方图的meanshift目标跟踪算法

Mean shift算法是一种重要的目标跟踪方法.在充分研究Mean shift算法的基础上,提出一种基于颜色纹理直方图的改进Mean shift跟踪算法.该方法首先计算目标图像区域中基于局部二值模式(local binary pattern,LBP)的主要纹理特征,通过提取主要特征消除背景和噪声等因素的干扰.另一方面,联合颜色和信息建立目标表示模型,可以为目标建模提供更丰富的纹理信息,目标表示更为准确,目标特征更明显区别于目标附近邻域内的背景特征.通过实验表明,改进的跟踪算法能有效提高目标跟踪精度,因此该目标跟踪具有较好的鲁棒性.     

基于中心对称局部二值模式的背景建模方法研究

针对利用局部二元模式(LBP)进行背景建模存在模型维数过高、对噪声敏感等缺点,提出一种基于中心对称局部二值模式(CSLBP)的背景建模方法,并应用于运动目标检测.与传统LBP特征相比,使用CSLBP特征进行背景建模,可大幅度降低背景描述的维数,因而大幅度降低处理时间;并且由于其对称性,CSLBP相比LBP具有更强的抗噪能力.实验结果表明,利用CSLBP进行背景建模能有效解决LBP建模带来的维数灾难和噪声敏感问题,无论在检测效果和计算速度上都有较大的提高,能够满足实际应用的要求.     

基于度量核和GHI核混合的植物叶片识别算法

针对现有识别算法中的核函数不能充分利用直方图的整体特征和不同维特征间的内在联系,提出基于度量核和广义直方图交叉(generalized histogram intersection,简称GHI)核混合的植物叶片识别算法.首先,构建多尺度边缘轮廓(multi-scale marginal contour,简称MMC)算子;其次,提取预处理后的叶片图像MMC形状特征、局部二值模式(local binary pattern,简称LBP)空域纹理特征、局部向量化(local phase quantization,简称LPQ)频域纹理特征,进而将这些特征拼接成复合特征;再次,利用度量学习和马氏距离改造负距离核构建度量核,将其与GHI核加权融合形成组合核;最后,进行仿真实验.仿真实验结果表明:相对于现有算法,该文算法对不同种类的植物叶片具有较高的识别率.     

基于LBP纹理和改进Camshift算子的车辆检测与跟踪

提出了利用背景图像LBP（局部二值模式）纹理和当前帧图像LBP纹理的相似度分析提取前景的方法,克服了车辆检测中常用的帧差法、背景差分法对光照比较敏感的缺点.同时基于H,S,V分量及改进的LBP纹理的联合直方图与金字塔L-K光流法中心跟踪相结合的Camshift跟踪算法,有效地解决了背景目标颜色相近可能会导致跟踪的目标区域加入背景后变大、处理较大帧间位移的视频跟踪上搜索窗口的位置准确度较低的问题.实验证明,该方法具有良好的检测和追踪效果.     

基于改进局部二值模式和梯度特征的计算机生成图像鉴别算法

针对目前计算机生成图像鉴别算法存在的计算复杂度高及检测率低等问题, 提出一种改进局部二值模式和梯度特征的计算机生成图像鉴别算法. 该算法主要基于图像的局部纹理特征, 先提取计算机生成图像和自然图像的特征向量, 再将该特征利用SVM分类器进行分类. 实验结果表明, 该算法可有效地鉴别计算机生成图像和真实图像.     

基于改进局部二值模式和梯度特征的计算机生成图像鉴别算法

针对目前计算机生成图像鉴别算法存在的计算复杂度高及检测率低等问题, 提出一种改进局部二值模式和梯度特征的计算机生成图像鉴别算法. 该算法主要基于图像的局部纹理特征, 先提取计算机生成图像和自然图像的特征向量, 再将该特征利用SVM分类器进行分类. 实验结果表明, 该算法可有效地鉴别计算机生成图像和真实图像.     

基于视频的航站楼旅客人体特征辨识

为更好地实现航站楼智能监控,在分别分析航站楼不同功能区监控视频图像特征及特征提取效果之后,选择人头纹理特征和路径特征作为在各分区普遍适用且识别与跟踪效果良好的一组识别特征。在混合高斯背景模型前景检测算法基础上,引入基于YCbCr颜色空间阴影去除法实现阴影去除,提高前景检测精度;并基于此,分别利用基于GLCM的算法与光流法实现人头纹理特征与路径特征的提取,提高航站楼人员识别率。     

快速和尺度稳健的纹理图像识别

传统的纹理图像识别方法很难同时获得较好的识别精度、实时性和尺度稳健性,不利于实际的工程应用.因此,提出一种快速和尺度稳健的纹理图像识别方法.该方法首先利用高斯滤波构造一个纹理图像的多尺度空间,然后利用完备的局部二值计数(Completed Local Binary Count,CLBC)算法对多尺度空间中的每个图像提取局部二值特征,并跨尺度提取局部二值特征的最大值,再将多个分辨率的特征相结合作为纹理图像的最终特征描述,最后利用最近子空间分类器(Nearest Subspace Classifier,NSC)判定纹理图像的类别.在基准纹理图像数据库上的实验表明,该方法在识别精度、实时性和尺度稳健性方面获得了很好的综合性能,有利于实际的工程应用.     

一种改进的多光谱遥感图像超像素分割算法

针对简单线性迭代聚类算法在多光谱遥感图像超像素分割中存在的未充分利用图像特征信息及超像素尺寸、 数量固定导致分割精度较低的问题, 提出将流形 简单线性迭代聚类算法引入到遥感图像超像素分割任务中, 并对其进行改进. 首先, 给出一种基于彩色局部二进制模式改进的多光谱遥感图像纹理特征提取方法; 其次, 扩展流形 简单线性迭代聚类算法的光谱空间, 使算法可以适应高维图像数据; 最后, 改进流形 简单线性迭代聚类算法的聚类距离度量, 融合图像的多段光谱特征、 空间特征及纹理特征对像素进行迭代聚类, 实现内容敏感超像素分割. 实验结果表明, 与现有方法相比, 该算法对多光谱遥感图像的超像素分割结果更准确, 在边缘召回率、 欠分割误差、 可达细分精度指标上均有提升, 能改善多光谱遥感图像分割预处理方法中精度较低的问题.     

基于HSV和MB_LBP特征的级联Adaboost车牌检测算法

车牌检测作为车牌识别系统中的重要环节,直接影响着车牌识别的准确度.为提高车牌的检测率和检测速度,提出了一种基于HSV颜色模型和多分块局部二值模式(MB_LBP)特征的级联Adaboost车牌检测方法.首先将车牌图像由RGB颜色空间转换到HSV颜色空间,统计蓝色像素占车牌总像素的比例,来构建第一层强分类器;其次对车牌字符样本提取MB_LBP特征,利用Adaboost分类器训练方法进行特征选择及分类器训练,最后利用Cascade结构检测法形成一种新的车牌检测算法.实验表明,本文算法有效的提高了车牌检测率和检测速度.     

基于叶片图像的植物识别方法

 基于计算机的植物自动识别是植物识别分类学的发展趋势,本文提出了一种基于植物叶片图像的植物自动识别方法。该方法在对叶片图像进行亮度校正、中值滤波和阈值分割等预处理后,计算植物叶片的偏心率、圆形性、圆形度指标、方向角、最小矩形宽轴/长轴、最佳椭圆短轴/长轴6个形状特征参数和植物叶片的二阶矩、对比度、相关、熵、逆差矩5个纹理特征参数,再使用径向基人工神经网络设计了植物自动识别的分类器。通过对3种植物的60个叶片图像进行实验,仅用植物叶片形状特征进行植物识别的平均正确识别率为70.83%,利用植物叶片形状特征和纹理特征进行植物自动识别的平均正确识别率为83.3%,并得到了径向基人工神经网络的参数。实验结果表明,植物叶片图像的纹理特征能够提高植物自动识别的平均正确率,基于植物叶片图像的植物自动识别是切实可行的,研究成果为深入研究植物自动识别分类系统奠定了一定的理论基础。     

基于改进方向纹理谱特征的图像检索

在定义图像局部邻域纹理方向特性的基础上,提出了一种新的方向纹理谱描述符。该描述符针对局部邻域内中心像素与其相对的邻域像素,既充分考虑了它们间的灰度变化关系,又考虑了它们间灰度差异的变化关系,从而更有效地描述了局部纹理特征。为证明新描述符的分辨能力,采用4种不同图像库进行图像检索对比实验,结果表明,本文的新纹理谱描述符取得了最好的检索效果。     

基于多纹理CS-LBP特征的多视角人脸检测算法

提出一种多纹理中心对称局部二值模式（CS LBP)特征, 实现复杂环境下的多视角人脸检测. 该特征保留Haar特征的序数关系, 借鉴局部二值模式（LBP）的组合方式, 从水平、 垂直、 +45°和-45°这4个纹理方向进行特征提取, 以保证人脸检测在方向、 光照、 旋转等方面的鲁棒性. 算法采用级联架构, 首先针对人脸图像中的不同视角进行分区, 分别进行多纹理特征的提取, 然后设计独立的分类器, 逐级剔除非人脸窗口, 最后采用多层感知器(MLP)综合各视角的检测效果, 输出检测结果. 在数据集FDDB和CMU PIE上进行验证性实验的结果表明, 该方法对复杂环境下的多视角人脸检测有效, 与传统的卷积神经网络人脸检测方法相比, 该方法具有更高的精度.