基于LBP和HOG特征分层融合的步态识别

针对步态能量图（GEI）在提取人体信息时只描绘出了轮廓信息,而丢失了内部特征的局限性,提出一种基于人体目标图像的局部二值模式（LBP）与方向梯度直方图（HOG）分层融合的GEI识别算法。该算法步骤包括：首先用光流法提取步态周期,获得一个周期的步态能量图（GEI）;然后分三层提取GEI的LBP特征,得到三层的LBP图像;依次提取每层LBP图像的HOG特征,最后将每层提取的LBP和HOG特征融合,得到每层的新特征;最后将三个新特征依次融合成可以用于识别的最终特征。通过几种方法对CASIA和USF步态数据库的实验对比,提出的算法取得了更高的识别率。     

信息熵加权的HOG特征提取算法研究

针对人脸图像中不同部位所含的信息熵不同,对识别的影响程度不同等因素,提出了一种信息熵加权的HOG特征提取方法。该算法将待识别的人脸图像进行分块,对分块后的图像进行HOG特征提取,计算每块图像所含的信息熵作为权重系数加到各个分块中形成新的HOG特征,通过PCA算法对特征进行降维,得到信息熵加权的HOG特征。通过在ORL和YALE实验结果表明,该算法相较于其他传统识别方法具有更高的识别精度和准确度,并且对于人脸在光照、姿态表情等干扰因素下均具有良好的有效性和鲁棒性。     

基于空间多尺度HOG特征的人脸表情识别方法

传统HOG特征是一种有效的图像边缘信息描述符,但它忽略了局部特征之间的空间排列信息,针对此缺点,提出空间多尺度HOG模型。逐层将图像细化分成一系列不同尺度的子区域;采用改进HOG算子分别计算各个子区域的梯度方向直方图,按层按顺序将其连接,得到整幅图像的“空间多尺度”HOG特征。在JAFFE数据库上的实验结果表明,该算法在识别效果和运行时间方面优于HOG、LBP、Gabor等传统特征描述子,通过多尺度梯度方向准确描述了面部肌肉褶皱变化所蕴含的表情信息,是一种更有效的表情特征描述子。     

分层式宽度模型的实时车型识别算法

车辆车型识别技术在智能交通系统中至关重要,现有的车辆车型识别技术难以兼顾识别精度和识别速度。针对高速公路环境下的车型识别问题,提出了浅层特征层与宽度特征层相结合的分层式宽度模型实时进行车型识别。首先利用颜色空间转换和多通道HOG算法相结合,减少光照环境的影响,同时实现对车辆图像的特征提取,结合PCA降维技术,降低计算复杂度;然后对图像特征进行稀疏表示和非线性映射,减少图像特征之间的相关性;最后用岭回归学习算法对提取的样本特征进行训练,求出样本特征与样本标签之间的权重系数,实现对车辆车型的识别。在BIT-Vehicle车型数据库的实验结果表明,本文所提算法的识别精度为96.69%,识别速度高达70.3帧/s。本文算法在提高车型识别精度的同时保证了实时性,在识别精度和速度方面优于其他算法。     

基于Kinect的手语识别方法

为实现基于Kinect的手语识别,提出了一种利用有限状态机及动态时间规整(DTW)的动态手语识别方法。首先,利用Kinect技术得到人体深度图像和骨骼特征信息;然后利用手部分割算法得到手部深度图像,再选取识别正确率高的梯度方向直方图(HOG)特征算子来提取手部特征;最后加入有限状态机和DTW算法实现动态手语识别。实验结果表明:该方法能够实现对常用手语单词、句子的识别,识别准确率可达95%。     

LBP和HOG的分层特征融合的人脸识别

针对LBP描述子提取的纹理特征有限且不能有效地描述图像边缘和方向信息的问题,提出了LBP和HOG的分层特征融合的方法.首先利用LBP算子提取图像的分层纹理谱特征,然后利用HOG算子提取原始图像的边缘特征和基于分层LBP特征的分层HOG特征,最后将分层LBP特征分别与2种HOG边缘特征融合,得到2种不同的多层融合特征.通过在ORL,Yale和GT人脸库上进行实验,比较了15种算法的识别性能,结果证明了文中方法的有效性;相对于传统的经典降维算法、单一的LBP特征提取算法和HOG特征提取算法,该方法的识别率有很大的提高,分别达到99%,99.5%和99.14%.     

融合HOG和颜色特征的人体姿态估计新算法

为解决现有人体姿态估计算法在处理光照条件很差或颜色对比度很低的待处理图像时估计准确度较低的问题,利用梯度方向直方图（HOG）和颜色特征建立了一种的基于可能性C（PCM）聚类算法部位外观模型,提出了一种新的融合HOG特征和颜色特征的人体姿态估计算法。算法根据待处理图像自动选择部位外观模型,若图像的光照条件和颜色对比度都较好则选择现有的基于HOG和颜色特征融合的部位外观模型,否则选择基于PCM聚类算法的部位外观模型。仿真实验表明所建立的部位外观模型能更准确地描述光照条件很差或颜色对比度很低的图像中下真实人体部位的外观,提出的人体姿态估计算法对各种类型的待处理图像均能得到准确度更高的估计结果。     

基于单张人脸图像三维形状模型重建

在人脸图像识别优化的研究中,针对由单张人脸图像重建三维模型时对人脸图像姿态存在要求的问题,为了提高识别精度,提出基于单张人脸图像姿态预估计和主成分分析(PCA)的形状模型重建算法.首先由三维姿态估计方法得到人脸姿态,并建立人脸形状模型样本库,然后通过选取的特征点,利用主成分分析进行三维人脸形状模型的重构,最后利用径向基函数(RBF)变换和特征点坐标精确调整三维人脸形状模型,并进行仿真.仿真结果表明,重构的三维人脸形状模型效果良好,提高了精度,对有旋转姿态的人脸图像和特征点定位误差也有很好的鲁棒性.     

融合二阶HOG与CS-LBP的头部姿态估计

针对头部姿态估计受光照变化、表情、噪声干扰等因素影响导致识别率低的问题,提出一种融合二阶梯度方向直方图(HOG)和中心对称局部二值模式(CS-LBP)特征的姿态特征,用于单帧图像的头部姿态估计。采用二阶HOG对人脸图像进行形状信息提取,得到人脸的轮廓特征;用CS-LBP进行局部纹理信息的提取,通过将二阶HOG提取的轮廓特征和CS-LBP提取的纹理特征进行融合,得到更有效的人脸特征;将融合的姿态特征通过核主成分分析(KPCA)变换非线性映射到高维核空间中,抽取其主元特征分量,采用支持向量机(SVM)分类器进行姿态估计。实验结果表明,方法和HOG、LBP、二阶HOG、CS-LBP方法相比有更高的分类准确率,对光照的变化有很好的鲁棒性。     

基于梯度方向直方图与高斯金字塔的车牌模糊汉字识别方法

针对现有车牌识别方法中对模糊车牌识别率不高的问题,提出一种结合高斯金字塔与梯度方向直方图(HOG)特征的车牌识别算法。利用金字塔模型多尺度表达的方法,首先对车牌模糊汉字图像建立两层高斯金字塔模型,第一层描述了模糊汉字的细节特征,通过对第一层作平滑处理并向下采样得到第二层,在描述模糊图像细节特征的基础上突出主体特征;然后对两层高斯金字塔模型提取HOG特征,拓展图像的特征维数,提高特征对模糊汉字的识别能力;最后采用BP神经网络分类器进行模糊且互为形近字间的汉字分类识别。仿真结果显示,在相同的样本空间下,与HOG特征法、K-L变换法相比,所提算法在识别率方面均有提高,能提高视频监控中对模糊汉字的有效识别率。