|
1.
|
基于LBP和HOG特征的图案织物缺陷检测
|
|
|
|
|
|
|
马浩 景军锋 苏泽斌 张缓缓 李鹏飞《电子测量与仪器学报》,2018年第4期
|
|
|
为解决图案织物缺陷检测时传统人工的误检率、漏检率较高的问题,提出一种基于局部二值模式(local binary pattern,LBP)和方向梯度直方图(histogram of oriented gradient,HOG)特征相结合的检测算法。首先,将织物图像分解为多个重复单元(repeat units,RUs),提取其LBP和HOG特征,并对特征降维;其次,根据标记每个RUs特征的类别和对应在织物图像上的位置训练支持向量机(SVM);最后,利用分类器判别RUs特征中有无缺陷,并定位出RUs在织物图像中的位置。实验结果表明,与灰度共生矩阵(GLCM)作为特征矩阵的方法相比,该算法对图案织物常见的6种缺陷图像可实现提高检测效率、缩短检测时间,获取准确位置的目的。
|
|
2.
|
基于特征加权和支持向量机的图像分类研究
|
|
|
|
|
|
|
杜娟 孙君顶《激光与红外》,2013年第43卷第3期
|
|
|
利用图像特征加权方法和支持向量机实现了图像的有效分类。首先根据特征的稳定性来判断特征的重要程度,从而赋予不同权重;然后借助支持向量机实现图像分类;最后采用不同颜色和纹理特征验证了在特征加权和不加权情况下图像分类的准确程度。实验结果表明本文的方法有效提高了图像分类的准确性。
|
|
3.
|
基于HOG特征和机器学习的工程车辆检测
|
|
|
|
|
|
|
张全发 蒲宝明 李天然 孙宏国《计算机系统应用》,2013年第22卷第7期
|
|
|
针对智能监控在露天矿区中的应用, 提出了一种在大场景、远距离、多角度的环境下自动识别工程车辆的算法. 该算法利用梯度方向直方图特征(HOG)作为图像描述, 并结合支持向量机(SVM)训练分类器的方法, 实现图像中工程车辆的检测. 为提高检测效率和准确度, 采用Hough变换直线检测的方法提取包含目标的区域. 实验表明, 算法能够在较大分辨率的复杂图像中识别出检测目标, 有较高的准确度, 对于实验中不同的环境具有较强的鲁棒性.
|
|
4.
|
基于联合HOG特征的车牌识别算法
|
|
|
|
|
|
|
殷羽 郑宏 高婷婷 刘操《计算机工程与设计》,2015年第2期
|
|
|
为解决车牌中汉字识别未考虑汉字结构特征的问题,提出联合方向梯度直方图特征(HOG)结合支持向量机(SVM)的车牌识别算法。将灰度图、二值图、16值图的HOG特征在一定的权重下融合为联合HOG特征,使用核主成分分析法(KPCA)对联合HOG特征进行降维;对汉字和数字字母分别利用支持向量机进行分类,利用交叉验证方法对参数进行优化,得到最优预测模型;利用预测模型预测识别结果。实验结果表明,相对于传统车牌识别算法,该算法可以应用于复杂环境下的车牌字符识别,车牌识别率提高了10%左右,鲁棒性强且便于硬件实现。
|
|
5.
|
改进的HOG和Gabor,LBP性能比较
|
|
|
|
|
|
|
向征 谭恒良 马争鸣《计算机辅助设计与图形学学报》,2012年第24卷第6期
|
|
|
为了实现复杂环境下的人脸特征有效表达,提出一种改进的梯度方向直方图(HOG)人脸识别方法.首先以人脸图像网格作为采样窗口并在其上提取HOG特征;然后将所有网格HOG特征向量进行组合,实现整个人脸特征表达;最后采用最近邻分类器进行识别.另外,比较了该方法与Gabor小波和局部二值模式(LBP)2种著名的人脸局部特征表示方法的优劣.实验结果表明,在调优的HOG参数下,在具有光照和时间环境等复杂变化的FERET人脸库中,较少维数的HOG特征比LBP特征有更好的表现,而且HOG特征提取时间和特征向量维数比Gabor小波方法更具有优势.
|
|
6.
|
基于 SVM 的模糊图像识别 被引次数：1
|
|
|
|
|
|
|
王小莹 易尧华《包装工程》,2016年第13期
|
|
|
目的 研究如何准确识别清晰图像与不同程度的模糊失真图像。 方法 首先对图像进行特征提取，主要从离散余弦变换域内的频率系数统计特征、峰度值、颜色饱和度三方面进行。然后在不同程度的模糊图像库中，利用支持向量机分辨出模糊图像。 结果 基于上述 3 种图像特征的组合，非常适合用于描述图像模糊现象，并且运用支持向量机分类器可以较为准确快速地区分出高斯模糊图像和清晰图像。 结论 提取模糊图像具有表征性的特征，可应用于不同程度模糊图像的识别，且运用支持向量机分类结果准确度也较高。此方法可应用于图像处理前期，剔除有碍信息表达的模糊图像。
|
|
7.
|
多卷积特征融合的HOG行人检测算法
|
|
|
|
|
|
|
高琦煜 方虎生《计算机科学》,2017年第44卷第Z11期
|
|
|
行人检测是计算机视觉领域中的经典问题,HOG结合SVM的方法是解决这一问题的有效途径,HOG对行人特征的有效描述起到了重要作用。卷积神经网络(CNN)作为一种有效的特征提取方法,通过特征图可以实现对特征更好的描述。提出将卷积神经网络(CNN)与传统的HOG+SVM算法相结合的方法。首先利用CNN在下采样层中可以使用不同的卷积核对数据进行不同角度特征描述的特点,对样本进行多角度浅层特征提取；然后用HOG对得到的浅层特征进行进一步的提取；最后采用支持向量机(SVM)完成训练、分类。实验表明,该方法对于行人检测具有很高的识别率,优于传统方法。
|
|
8.
|
基于HOG和SVM的手势检测技术
|
|
|
|
|
|
|
郭文爽 王雪芳《电子科技》,2014年第8期
|
|
|
将梯度方向直方图特征,结合支持向量机应用于手势检测中,可有效减弱光照、手势旋转等因素所带来的影响,并对HOG提取过程及参数设置进行了详细分析,同时结合线性SVM训练出了检测效果较好的分类器。通过实验证明,将HOG特征提取与SVM学习算法结合,手势检测的应用限制将大幅降低。
|
|
9.
|
电气符号识别的HOG方法
|
|
|
|
|
|
|
刘剑 龚志恒 高恩阳 刘亚楠《沈阳建筑工程学院学报(自然科学版)》,2013年第29卷第3期
|
|
|
目的 为解决电气符号的大小、图纸背景的模糊、电气符号的旋转角度等各种干扰因素对计算机识别电气图纸造成的误差问题.方法 笔者提出了一种基于HOG的电气符号识别方法.建立电气符号训练集,提取电气符号图像的HOG特征,计算出梯度方向向量个数加权图;使用这些HOG特征和分类信息对支持向量机进行训练;利用支持向量机进行识别.结果 HOG算法对电气符号的识别率达到92.5％,与SIFT算法比较,识别效果更为准确.结论 所提出的HOG算法克服了外界干扰因素对电气符号识别的影响,提高了识别的准确率,具有良好的检测效果,为将HOG算法应用到其他领域奠定理论基础.
|
|
10.
|
基于改进HOG LBP特征的行人检测
|
|
|
|
|
|
|
《信息工程大学学报》,2016年第17卷第3期
|
|
|
针对梯度方向直方图(histogram of oriented gradient, HOG)和局部二值模式(local binary pattern, LBP)特征维数高、冗余信息多、影响视频图像中行人检测速度的问题，提出一种基于改进HOGLBP特征的行人检测方法。通过对原有HOG特征进行统计平均，结合单独最优特征组合和巴氏距离(Bhattacharyya)可分性判据选出最优特征，并与LBP特征融合得到改进的HOGLBP特征，然后利用支持向量机(support vector machine, SVM)对样本特征进行训练获得分类器，最后对测试样本进行分类。实验结果表明，该方法使得行人检测的准确率和实时性都有一定的提高，并用自行拍摄的视频验证了该方法的有效性。
|
|
11.
|
基于GPU的高清视频图像行人检测方法研究
|
|
|
|
|
|
|
董兰芳 商逾众 王进 王建富《电子技术》,2014年第3期
|
|
|
对视频或图像中的行人进行检测使用HOG特征与支持向量机SVM相结合的方法,取得了良好的效果,但是由于HOG特征的计算量非常大,难以满足实时检测的需要,文章针对这一情况提出并实现一种在GPU环境下使用并行加速策略的高效行人检测方法。实验证明这种方法快速有效,大大地提高了行人检测的效率。
|
|
12.
|
不同光照和姿态下的航拍车辆检测方法
|
|
|
|
|
|
|
毛征 刘松松 张辉 孟灿 罗子安《北京工业大学学报》,2016年第7期
|
|
|
为了解决在不同光照和姿态下的航拍车辆检测准确度低的问题，基于Fourier-HOG算法提出了一种航拍车辆检测方法。该方法是基于滑动窗口的检测方法。首先，在处理过程中引入图像预处理，可以将背景区域进行有选择的剔除，大大节省检测时间和降低虚警率；其次，提取航拍图像基于局部敏感直方图的光照不变性特征；然后，再提取旋转不变的Fourier-HOG特征。将此特征在线性支持向量机中对车辆目标与非车辆目标进行分类。在后续处理阶段，引入非极大值抑制来降低误检目标。实验结果表明：所提出的车辆检测方法在谷歌地图数据集上进行测试，其检测准确度较高，且时间消耗低于原始的Fourier-HOG检测方法，该方法是一种较为有效的航拍车辆检测方法。
|
|
13.
|
基于支持向量机和纹理特征的人脸识别 被引次数：3
|
|
|
|
|
|
|
鲁庆明 徐东平《计算机与数字工程》,2010年第38卷第10期
|
|
|
提出了一种基于支持向量机和纹理特征的识别方法及框架模型。即在研究支持向量机理论的基础上,采用支持向量机的分类算法实现人脸识别系统的训练和测试,并将图像的纹理特征技术应用于人脸识别的预处理中。实验表明支持向量机和纹理特征相结合可以获得较好的识别率。
|
|
14.
|
一种基于PSOSVM的盲隐写分析方法
|
|
|
|
|
|
|
刘洪 王建军《信息与电子工程》,2009年第7卷第2期
|
|
|
针对盲隐写分析中的特征选择问题，提出了结合粒子群优化算法（PSO）的支持向量机分类器进行特征选择的方法。该方法使用非线性支持向量机作为分类器，使用PSO为支持向量机寻找最优的图像特征集合作为训练集和测试集，同时选择最优的支持向量机参数，进而利用最优的特征集和支持向量机参数对隐写图像进行检测。实验结果表明，该优化方法明显优于Farid。ANOVA和F—score方法，提高了检测隐写图像的成功率和系统检测效率。
|
|
15.
|
基于蚁群算法的多光谱遥感图像分类
|
|
|
|
|
|
|
胡河山 覃亚丽《杭州电子科技大学学报》,2012年第32卷第4期
|
|
|
该文应用蚊群算法和支持向量机实现多光谱遥感图像分类.首先提取出多光谱遥感图像的光谱特征、纹理特征和形状特征,然后利用蚁群优化算法从提取出的多维特征空间中选择最优的特征子集向量,最后将特征子集作为支持向量机分类器的输入量实现分类.实验结果显示,较传统的K均值方法文章给出的方法能够提高遥感图像的分类精度.
|
|
16.
|
一种改进的敏感图像过滤方法
|
|
|
|
|
|
|
陆蓓 陈法叶 姚金良《计算机工程》,2011年第37卷第21期
|
|
|
针对现有敏感图像过滤方法误检率较高的问题，提出一种结合肤色检测和方向梯度直方图(HOG)人体检测的敏感图像过滤方法。采用HOG特征提取人体目标的特征集，运用支持向量机训练人体检测模型，检验图像中是否存在人体，并结合肤色检测算法判别该图像是否为敏感图像。实验结果表明，该方法能有效检测复杂背景条件下的敏感图像，其精确度为90.2%、查全率为86.3%、误检率为3.5%。
|
|
17.
|
基于HOG特征和滑动窗口的乳腺病理图像细胞检测
|
|
|
|
|
|
|
项磊 徐军《山东大学学报(工学版)》,2015年第45卷第1期
|
|
|
提出一种基于方向梯度直方图(histograms of oriented gradient,HOG)特征和滑动窗口的细胞检测方法,能快速、高效、准确地检测高分辨率病理组织图像中的细胞。该检测算法首先对训练集中的细胞样本块和非细胞样本块提取HOG特征,然后运用HOG特征训练分类器。训练好的分类器用于在整幅病理图像中自动检测细胞。先运用滑动窗的方法在整幅高分辨率病理图像中选取相同尺寸的所有可能的细胞块,被滑动窗选定的图像块提取HOG特征后,送到训练好的分类器中判断是否是细胞块。为了验证提出方法的有效性,将此方法运用于17名乳腺患者的共37张H&E(hematoxylin&eosin)染色高分辨率穿刺切片病理图像上自动检测细胞,通过与softmax(SM)分类器、稀疏自编码器+SM、局部二值模式+SM、支持向量机(support vector machine,SVM)、HOG+SVM、以及HOG+SVM多个模型对细胞检测的准确率、召回率以及综合评价指标的对比表明,本研究提出的方法分别为71.5%,82.3%和76.5%,具有更高的准确率。
|
|
18.
|
基于光学显微图像特征的羊绒识别技术
|
|
|
|
|
|
|
刘小楠 马彩霞 刘峰 郎海涛《毛纺科技》,2014年第42卷第10期
|
|
|
文章对光学显微镜下的山羊绒和细羊毛图像进行图像处理,从而建立山羊绒和细羊毛数据库,然后从图像数据库中提取具有代表性及区分性的特征,生成对羊绒与羊毛的有效表达。利用有监督学习方法中的支持向量机算法,实现对山羊绒和细羊毛的自动识别。实验结果发现,基于LBP与HOG图像特征表达的SVM分类器的正确识别率达到了80%以上,而人工识别的准确率只有59%,识别的正确率有了较大的提高。
|
|
19.
|
一种基于支持向量机的角点检测算法
|
|
|
|
|
|
|
谭振宇 杨明《电子测试》,2011年第1期
|
|
|
支持向量机应用于文本分类、手写数字识别、基因表达等许多领域,由于Harris角点检测算子对噪声点非常敏感,本文在文献[3]的基础上提出Harris算子和支持向量机相结合的方法来进行角点检测。首先利用Harris角点检测算法对两幅以上的无噪声图像提取角点,然后将提取的角点作为支持向量机的训练样本,构造支持向量机,最后利用训练好的支持向量机实现对未知角点的检测。这种方法对角点的检测较为准确,符合实时性的要求。
|
|
20.
|
基于支持向量机和遗传算法的特征选择 被引次数：2
|
|
|
|
|
|
|
韦振中 黄廷磊《广西工学院学报》,2006年第17卷第2期
|
|
|
支持向量机是一个具有多类分类能力的非线性分类器,利用特征集中的不同特征组合构成特征子集,所提供的数据在支持向量机上的平均正确分类率为目标函数值,利用遗传算法在整个特征组合空间中搜索能实现平均正确分类率最大化的最优特征子集。
|
|
