基于LBP的TLD目标跟踪改进算法

针对跟踪—学习—检测(TLD)对光照变化敏感、易受目标遮挡、快速运动导致目标模糊这些因素的影响,提出了基于局部二值模式(LBP)的TLD目标跟踪改进算法。首先,将LBP算法与最近邻分类器相结合,使得改进后的最近邻分类器可以获取与跟踪目标更接近的边界框,且当目标具有良好的纹理属性时,改进后的最近邻分类器具有更好的分类效果;其次,若TLD算法选取的跟踪目标在跟踪过程中受到遮挡,或者晃动,则使用Kalman滤波器预测目标所在区域,可以缩小跟踪器的检测范围,增强算法的效率。实验结果表明:改进后的跟踪算法与常规TLD相比,鲁棒性更好,精度更高,跟踪速度更快。     

基于分块LBP融合特征和SVM的人脸识别算法

针对传统局部二值模式(LBP)特征提取方法在光线和人脸表情变化的情况下表现不佳、单一方法提取出的特征不能多角度表现出整张人脸的特征信息的问题,提出一种基于分块LBP融合特征和支持向量机(SVM)的人脸识别方法。先将人脸图像划分为不同的块,对每一块提取LBP特征;然后将不同分块的像素均值特征与LBP特征进行融合,用融合后的特征向量来表征人脸;最后引入SVM作为分类器对上述特征进行分类。在YALE、ORL标准人脸库以及自建人脸库上进行实验验证,实验结果表明:该方法识别准确率分别能达到95. 15%,99. 75%,96. 25%,对比实验显示,该方法优于C4. 5决策树、随机森林等传统方法。     

一种基于LBP特征与流形知识的人脸识别方法

人脸识别是计算机视觉领域的研究热点,应用背景广泛。近年来,流形被认为是视觉感知的基础,流形学习算法被用来发现图像的内在特征。如何利用流形学习后的低维内蕴变量成为相关研究的核心问题。但是利用传统的流形学习算法降维得到的人脸低维特征在可分性上存在一定的不足。此外,流形学习算法对光照和姿态变化敏感。针对这两个问题,提出了一种基于局部二值模式（LBP）和流形知识的人脸识别方法。该方法首先利用LBP算子对人脸图像进行局部特征描述,然后使用流形学习算法获得高维特征数据的低维内蕴变量,并用泰勒展开式近似该流形,获取流形知识,最后利用流形知识估计流形距离来实现人脸识别。实验证明,该方法增强了人脸识别对光照变化的鲁棒性,从而提高了识别性能。     

基于LBP值对空间统计特征的纹理描述符

针对基于内容图像检索应用背景下局部二值模式(LBP)描述符缺乏空间描述能力及所需特征矢量维数较长的不足, 提出一种基于LBP值对空间统计特征构建的改进纹理描述符(ILBP)。ILBP描述符首先利用LBP微模式编码方法将原始图像转换为LBP伪灰度图像, 然后再提取出多个关于LBP值对空间分布关系统计值构成描述图像特征的特征矢量。在基于内容的图像检索原型测试平台上完成大量实验。实验结果表明, 与LBP及其各类变种描述符相比, ILBP描述符在进一步增强LBP描述符描述能力的同时大幅度压缩特征矢量维数, 具有更好的查询正确率和查询效率。     

一种基于Haar-Like T特征的人脸检测算法

文中提出一种基于Haar-Like T特征的人脸检测算法。 Haar-Like T特征是在Haar-Like特征的基础上的扩展,由于人脸五官分布的特殊性,在人脸模型上可以找到大量T字型结构特征。结合Haar-Like 矩形特征描述人脸纹理的原理,文中提出4种类似Haar-Like特征的Haar-Like T特征,并将这些Haar-Like T特征与现有的Haar-Like特征一起输入Adaboost分类器进行特征选择,最终构建出分类性能强大的级联分类器并用于人脸检测。人脸检测实验表明该算法的有效性和优越性,其与Haar-Like分类器、LBP分类器等传统的人脸检测分类器相比获得更好的效果。     

基于改进LBP的单样本人脸识别算法

针对人脸识别难题,提出一种基于改进LBP(Local Binary Patterns)算子的单样本人脸识别算法。采用Bernser算法与LBP算子结合的BLBP算子,最后利用Chi平方统计方法计算直方图的相似度。在识别时,采用的是核实式的一对一匹配,根据训练的阈值,判断两张比对的人脸图像是否为同一个人。所提出的算法在实际人脸图像和FERRET人脸数据库下的人脸识别中,与原LBP算法相比识别率有所提高。实验结果表明,改进后的LBP算子有较好的去噪能力,在实际的人脸识别中能获得更好的识别率。     

一种基于纹理模型的Mean Shift目标跟踪算法

在Mean Shift跟踪算法中,目标表示方法对跟踪性能有着重要影响.本文以局部二值模式(LBP)纹理模型作为研究对象,分析LBPi,1ri的9种纹理模式所表示的图像特征,提出用LBP8,1ri纹理模型中表示边界和角的5种基本模式表示目标的算法,称为FLBP8,1,并将FLBP8,1模式成功嵌入Mean Shift算法进行目标跟踪.FLBP8,1有效结合目标的边界及其纹理特征,能够自动提取目标的关键模式点,利用少量的关键点准确表示目标,因此计算复杂度较低.实验结果表明,在复杂的条件下,本文方法比基于颜色的表示法在目标表示的准确性和跟踪性能上均有明显提高.     

基于改进型LBP特征的运动阴影去除算法

在局部二值模式（LBP）基础上,运用一种改进的局部三值模式（LTP）纹理特征提取方法。并把这种提取方法运用到运动阴影去除中。该方法首先利用自适应高斯混合模型进行背景建模,得到背景和含有阴影的前景目标;并用亮度属性得到疑似阴影分块,然后再把疑似阴影区域和已获取背景相应位置的LTP纹理相似性进行判断;最后得到准确的阴影区域并实现阴影去除。实验结果表明,该算法能够很好地抑制分割噪声,准确地去除出运动阴影,具有较好的实验效果。     

用于纹理特征提取的改进的LBP算法

针对现有的纹理特征提取方法计算复杂度高的问题,利用局部二值模式(LBP)算法思想简单、计算复杂度小的优势,在已有的完整LBP(CLBP)算法基础上,提出了一种改进的CLBP算法(ICLBP)。ICLBP算法保留了CLBP算法中CLBP_S,而对CLBP_M算子、CLBP_C算子进行了改进,提出一个新的纹理描述算子ICLBP_T。ICLBP算法更全面地描述了局部窗口的纹理特征,同时有效解决了CLBP算法中CLBP_M算子对灰度分布不均敏感的问题。通过对Outex、CURet数据库的数据分类实验,结果表明,相比于已有的LBP算法,ICLBP算法的分类精度有了明显的改进,同时ICLBP算法中ICLBP_SCT特征具有较低的特征维数,具有较好的实用价值。     

基于声学传感器的目标跟踪扩展算法

针对机动的目标跟踪,提出扩展的卡尔曼滤波器/多假设跟踪方法(EKF/MHT),该算法具有结构和计算简单,鲁棒性好的特点,同时研究了和声学传感器相联系的目标数量、位移量和探测分辨率对跟踪性能的影响,并通过仿真,充分说明了文中所提出的跟踪算法能够较好地弥补传统的Kalman滤波/MHT方法在跟踪机动目标时的不足。     

基于压缩感知的互补特征加权目标跟踪算法

针对基于压缩感知的目标跟踪算法中存在特征单一,在目标纹理或光照变化较大时跟踪不稳定的问题,提出了基于压缩感知的互补特征加权目标跟踪算法。该算法通过两个随机测量矩阵提取出两类互补的纹理特征和灰度均值特征,计算这两类特征对样本的分类结果并更新特征的权值,使用所选取的大权值特征寻找目标在下一帧的位置。在分类器更新过程中,针对不同特征在跟踪过程中的稳定性不同,采取不同速度的更新。对不同视频的实验结果表明,提出的算法跟踪准确,且满足实时性的要求。与相关算法相比,新算法在目标纹理或光照变化很大的情况下具有更强的鲁棒性。     

LBP特征和改进Fisher准则的人脸识别

为了进一步提高人脸识别系统的性能,在LDRC算法的基础上进行改进,并将改进LDRC算法的准则函数应用到Fisher分类器中,提出了一种新的基于LBP特征和改进Fisher准则的人脸识别算法。该算法提取每幅人脸图像的标准LBP直方图特征：把提取到的LBP特征输入到改进后的Fisher分类器中,得到最佳投影矩阵和投票结果矩阵;求解出投票结果矩阵的最大值所对应的类别号,将其作为最终的识别结果;分别在FERET和AR人脸库中进行实验检测,结果表明与传统的特征提取方法相比,给出的方案可以使人脸识别率得到显著提高。     

改进的单尺度Retinex和LBP结合的人脸识别

为了提高复杂光照条件下人脸识别准确率,提出一种基于改进单尺度Retinex并结合局部二值模式（LBP）的人脸识别算法。首先,利用双边滤波代替Retinex的高斯滤波处理人脸图像,同时使用高斯-拉普拉斯（LoG）及归一化处理提取人脸图像的边缘细节特征,采用标准差的加权方法将两幅处理后的图像进行特征融合,然后使用LBP对融合后的图像进行特征提取,最后通过稀疏表示（SRC）算法对数据样本进行判别归类。在AR和Yale B+人脸库上的实验测试表明,提高了复杂光照下人脸识别的光照鲁棒性,在训练样本较少、光照复杂环境下能取得较好的识别效果。     

基于SURF的压缩跟踪算法研究

目标跟踪技术作为机器视觉领域中的基础,有着广泛的应用,但其仍然存在许多问题。为了解决目标在光照变化和快速移动场景下跟踪漂移的问题,提出了基于SURF的压缩跟踪算法。首先选择跟踪目标并提取SURF特征,其次采用压缩感知理论对SURF高维特征降维,来减少特征描述的维数和计算时间,最后筛选压缩后的样本特征并训练分类器,来实现对多种复杂场景下目标实时准确跟踪。通过实验与传统的SURF算法和Compressive Tracking(CT)算法的对比,证明该算法不仅大大减少了目标在跟踪的过程中的计算量,其跟踪的实时性和准确性相较于CT算法和SURF算法都有所提高。     

基于压缩感知的实时手势检测和跟踪算法

基于计算机视觉的实时手势检测与跟踪算法是人机交互领域的一项关键技术,传统的手势检测与跟踪算法将检测和跟踪分成两个独立的模块进行,检测与跟踪结果受手势姿态变化、目标遮挡、运动模糊以及外界环境干扰等因素的影响。提出了一种基于压缩感知的实时手势检测和跟踪算法,将基于检测得到的手势信息与基于压缩感知跟踪算法得到的目标信息进行有效融合,从而实现有效的手势检测与跟踪,与传统算法相比,该算法能实现手势跟踪自动初始化和跟踪错误后自我恢复功能。实验结果表明,提出的算法能对手势运动进行快速、连续、准确的识别,满足人机交互的要求。     

基于粒子滤波和压缩感知的目标跟踪算法

为了解决目标跟踪过程中出现的目标遮挡和光照变化问题,提出一种基于粒子滤波和压缩感知的目标跟踪算法。算法融合颜色特征和纹理特征来描述目标,增强算法在光照变化和复杂环境下的鲁棒性;利用压缩感知理论对特征进行降维,提高算法实时性;最后,根据粒子滤波原理估计目标状态,得到目标位置。实验结果表明,本算法在有效减少算法运行时间的前提下,能够准确跟踪遮挡和光照变化情况下的目标。     

基于压缩感知的多尺度绝缘子跟踪算法

针对多旋翼无人机(UAV)在电力巡检中的绝缘子跟踪问题,提出一种尺度自适应的绝缘子跟踪算法,采用稀疏投影的方式对原始图像特征进行降维,使用朴素贝叶斯分类器进行二分类,改进传统压缩感知(CS)跟踪搜索框固定问题,利用绝缘子的Lab空间特性进行分割,根据分割结果中绝缘子有效像素所占比例来改变搜索框的尺度,实现跟踪中的尺度自适应.实验结果表明:该算法能够在实验室和野外环境下自适应绝缘子尺度变化,对未来电力巡检智能化具有重大意义.     

基于肤色与结构特征的人脸检测与跟踪

首先使用基于YCbCr色彩空间的肤色高斯概率模型，对彩色图像进行肤色分割，得到候选人脸区域，接着提取候选区域的几何结构特征形成特征向量，利用bp神经网络进行候选人脸的判决，以此获得人脸的初始跟踪位置；后续的跟踪使用帧间差分法来确定人脸的移动方向和位置。该方法提高了人脸的检测速度和正确率。