融合LBP特征和运动特征的运动分类算法

本文提出了一种局部二值模式(Local Binary Pattern,LBP)特征和运动特征相融合的运动分类算法。首先,利用背景差分法检出视频中的运动人体序列,将运动人体序列经过LBP算子处理得到LBP直方图特征。然后,将LBP直方图特征和运动人体质心的速度特征相融合作为运动人体行为分析的识别特征,应用BP神经网络进行行为分类识别。在Weizmann和KTH行为数据库上进行了算法实验研究,人体行为识别的平均准确率达到了90.78%。实验结果表明:该方法在识别率方面明显优于常规方法进行识别的结果。     

融合统一模式的LBP和GLCM特征的图像检索算法

文章提出一种融合统一模式的LBP特征和GLCM特征的图像检索算法。首先,对图像做统一模式的LBP变换处理提取图像直方图特征。计算图像GLCM在0°、45°、90°、135°四个方向下的对比度、相关性、能量、同质系数的均值和标准差。然后,融合LBP直方图特征与GLCM纹理统计特征作为图像的检索特征,选用Canberra距离进行相似度度量,完成图像检索。实验结果表明,本算法在两个图像库上均具有较高的平均查准率,分别达到了82.91%和79.48%。     

一种改进W4算法的运动目标检测研究

针对经典W4背景建模算法只能克服光照强度的微小变化以及背景的轻微运动等问题,提出了一种新的运动目标检测算法。首先,利用均值法进行背景初始化选出静止像素集合,消除背景中运动目标的干扰;其次,给定背景初始帧,用经典W4算法计算出每个像素点的最小灰度值、最大灰度值以及最大帧间差分值;然后,对每个像素点提取的最小灰度值和最大灰度值进行线性加权,并且与均值法得到的初始背景相结合建立稳定的背景模型,克服了移动、阴影、光照突变等影响;最后,比较当前帧与背景模型从而检测出准确的运动目标。实验证明,与其它均值法、经典W4算法以及混合高斯背景建模方法相比较,改进方法不仅耗时短而且取得了较为理想的检测效果。