基于双树复小波的无参考立体图像质量评价

随着3D技术的不断发展，立体图像的使用领域越来越广泛，同时人们对图像的清晰度要求越来越高，因此，立体图像的质量评价成为关注点，基于此，提出了一种基于双树复小波变换的立体图像质量评价算法。使用双树复小波变换对立体图像的左、右视图进行处理，生成纹理结构图像，且根据最小能量误差的原理，获取左右视图的视差图；对纹理结构图像和视差图提取非对称广义高斯分布模型的参数、梯度幅值、相对梯度方向方差和奇异值曲线与坐标轴的面积等特征；使用AdaBoosting BP神经网络，进行训练和预测立体图像的质量得分。在LIVE立体图像数据库上的实验结果表明，新方法预测得分与主观得分有较好的一致性，获得了比较好的实验结果。     

融合DCLBP和HOAG特征的人脸表情识别方法

为了进一步提高人脸表情识别算法的准确性,提出一种融合双编码局部二值模式(DCLBP)算子和绝对梯度直方图(HOAG)算子的人脸表情识别方法,该方法首先利用DCLBP算子提取人脸图像的局部纹理特征,利用HOAG算子提取人脸图像的局部形状特征;然后,采用典型相关分析法(CCA)融合所提取的两种特征;最后,利用支持向量机(SVM)进行人脸表情分类。实验结果表明,与单一特征识别方法和级联特征识别方法相比,本文方法获得了更好的识别效果,在CK (Cohn-Kanade)和JAFFE数据集上的实验分别达到了100%和99.05%的识别率,与其他相关方法的比较也验证了其有效性。     

采用PHOG融合特征和多类别Adaboost分类器的行为识别

为了解决类能量图易受人体运动时间和位置移动等因素影响而难以有效描述动作细节特征的问题,本文提出了一种基于类能量图金字塔梯度直方图(PHOG)融合特征和多类别Adaboost分类器的人体行为识别方法。该方法首先对经过躯体配准的运动人体目标轮廓图像构造平均运动能量图(AMEI)和增强的运动能量图(EMEI),分别提取其分层梯度方向直方图(PHOG)特征并进行串联融合,作为一种多层次的行为特征描述;然后使用基于查找表的LUT-Real Adaboost算法设计多类别分类器,实现图像中人体行为动作的识别。实验结果显示其在典型的人体动作数据集DHA上的正确识别率达97.6%,高于其它采用单一特征描述和SVM等分类器的方法。表明该方法将整体与局部特征相结合,可以有效描述不同尺度下的动作细节特征,增强了人体行为特征的描述能力,提高了识别性能。     

判别稀疏表示与在线字典学习的运动目标跟踪

针对传统稀疏表示不能有效区分目标和背景的缺点,提出一种判别稀疏表示算法,这种算法在传统稀疏表示目标函数中加入一个判别函数,大大降低干扰因素对目标跟踪的影响。基于判别稀疏表示和[?1]约束,提出一种在线字典学习算法升级目标模板,有效降低背景信息对目标模板的影响。提取目标梯度方向的直方图（HOG）特征,利用其对光照和形变等复杂环境具有较强鲁棒性的优点,实现对目标更稳定的跟踪。实验结果表明,与现有跟踪方法相比,该算法的跟踪效果更好。     

基于AAM-SIFT特征描述的两级SVM人脸表情识别

采用AAM定位特征点、尺度不变特征变换（SIFT）描述特征的方式提出一种基于AAM-SIFT的表情特征提取方法。该方法用特征点周围区域梯度方向直方图描述表情特征;同时根据不同子区域对表情的贡献不同,将特征点分组并赋予不同权重,并用两级支持向量机（SVM）对融合的加权特征进行分类识别。在标准表情库和多姿态表情库上的验证结果表明,该方法能有效提高正面人脸表情的识别率,对一定偏转角度的非正面人脸表情也保持较好的鲁棒性。     

旋转角可变的人体检测算法

常用的人体检测算法多应用于无旋转角的情况,而在旋转角可变的情况下检测性能有限,为此提出了一种适用于有旋转角的人体检测算法。首先,通过径向梯度转换(RGT)获得具有旋转不变性的梯度;其次,使用类似于梯度方向直方图(HOG)特征中相互重叠块的组合方式,获取多个带有旋转角信息的特征描述子,按旋转角大小将它们一维线性连接成具有旋转不变性的特征描述子组;最后,利用基于支持向量机(SVM)的二级级联分类器实现了带旋转角的人体检测。基于INRIA行人数据库的144个不同旋转角的人体测试集检测率都不低于86%,144个不同旋转角的非人体样本误检率均低于10%。实验证明了该算法可用于在任意旋转角图像上进行人体检测。     

迭代式自适应法在Canny算子中的应用与研究

为了增提高业机器人的智能水平,需要加装视觉系统,但因其工作环境复杂所以需要对现有机器视觉算法进行改进才能满足工业机器人的实际需要。边缘检测中广泛采用Canny算法,但因为其本身存在一些天然的缺陷不能直接应用于工业机器人上。第一,在进行高低阈值选取时需要人为设定,适应性差并且依赖人的经验。第二,在判断经非极大值处理后处于两阈值中间点是否为边缘点时,判断依据单一,容易混入更多的假边缘。通过研究现有机器视觉成果提出了相应的解决方案。第一,将迭代式自适应阈值法应用于Canny算法中,使算法有自主选择阈值的能力。第二,因为相邻边缘点处于相似的梯度环境中因此,使用梯度方向和(Sum of Gradient Direction简写为SGD)进行辅助判断边缘点。经仿真改进的方法,其结果表明改进的方法在检测精度和自适应方面要优于Canny算法,满足工业机器人对视觉方面的需求。     

基于特征融合的人体行为识别算法

针对HOG特征在人体行为识别中仅仅表征人体局部梯度特征的不足,提出了一种扩展HOG（ExHOG）特征与CLBP特征相融合的人体行为识别方法。用背景差分法从视频中提取出完整的人体运动序列,并提取出扩展梯度方向直方图ExHOG及完备局部二值模式CLBP两种互补特征;利用K-L变换将这两种互补特征融合生成一个分类能力更强的行为特征;采用径向基函数神经网络RBFNN对行为特征进行识别分类。在KTH和Weizman行为公共数据库上进行了多组实验,结果表明提出的方法能够有效地识别人体运动类别。     

基于多部位多示例学习的人体检测

基于部位的检测方法能处理多姿态及部分遮挡的人体检测,多示例学习能有效处理图像的多义性,被广泛应用于图像检索与场景理解中。文中提出一种基于多示例学习的多部位人体检测方法。首先,根据人体生理结构将图像分割成若干区域,每个区域包含多个示例,利用AdaBoost多示例学习算法来训练部位检测器。然后利用各部位检测器对训练样本进行测试得到其响应值,从而将训练样本转化为部位响应值组成的特征向量。再用SVM方法对这些向量进行学习,得到最终的部位组合分类器。在INRIA数据集上的实验结果表明该方法能改进单示例学习的检测性能,同时评价3种不同的部位划分及其对检测性能的影响。     

沿梯度方向的改进一阶差分亚像素边缘检测法

提出了一种基于梯度方向的改进型一阶差分亚像素边缘检测方法。该方法的主要思想是,在曲线轮廓上,根据方位角对边缘像素点所在的小邻域沿梯度方向进行差分,再将修正值重投影至行列。理论上而言,该方法可弥补传统一阶差分法在曲线边缘处由于差分分布较平坦而导致精度较低的不足。理想图像的实验结果表明,该方法对半径测量、圆心定位的精度均小于0.05像素,这比采用其他亚像素法进行半径测量时可达到的精度有较大提高。