LDBP和LBP特征融合的行人检测

提出一种基于局部差分二值模型（Local Difference Binary Pattern,LDBP）和局部二值模型（Local Binary Pattern,LBP）的特征融合方法,以解决行人检测中检测精确度和鲁棒性不足的问题。对输入图像进行二维离散Haar小波变换,得到不同频率的四个子图像（LL,LH,HL和HH）;对低频部分子图像提取LDBP特征,以及对其他三个高频部分子图像提取LBP特征;采用主成分分析法（PCA）分别对得到的LDBP特征和LBP特征进行降维;融合降维后的LDBP特征和LBP特征进行行人检测。在INRIA数据集上采用支持向量机（SVM）进行测试,实验结果表明,该方法能有效地提高检测精确度,且具有较好的鲁棒性。     

改进型HLBP纹理特征的行人检测

在行人检测中,Haar型LBP(HLBP)特征采用局部统计方式,有效地降低了噪声影响,相比LBP特征对图像纹理描述有明显优势。但是,HLBP特征在计算特征值时,中心点没有参与计算,导致其信息没有被利用。针对这一不足,提出了改进型HLBP(IHLBP)特征,该方法令中心点参与到计算工作中,并赋予其最大权值。首先利用二维离散Haar小波变换,对图像做两级分解处理,得到三种不同尺度图像;然后针对上述三种图像分别提取IHLBP特征并做归一化处理,最后串接三组特征得到最终的特征向量。在INRIA Person数据集上,采用SVM进行测试。实验结果表明,该方法能有效地提高行人检测识别率。     

HSV与LBP特征融合的行人检测方法研究

提出一种融合HSV颜色空间特征与局部二元模式特征LBP的特征的HSV LBP行人检测方法。HSV特征是一种全局特征,它能简单地描述一幅图像中颜色的全局分布,LBP特征能很好地描述图像局部空间结构,所以该算法既考虑了全局特征也考虑了局部特征,且该算法具有维数少、计算速度快的优点。在Matlab环境下实验,利用Adaboost 分类器对算法的性能进行实验仿真,与经典的梯度方向直方图HOG特征、LBP特征、分层梯度方向直方图PHOG特征及HOG LBP特征进行对比,结果表明HSV LBP方法的识别性能较好。     

离散小波变换Haar-LL的行人检测研究

提出一种基于二维离散Haar小波变换的局部二值模式(LBP)与局部梯度模式(LGP)的特征融合方法。对图像进行二维离散Haar小波变换,得到4个不同频率的子图像,对低频部分子图像提取LBP特征,对3个高频部分子图像提取LGP特征,将3个LGP特征并接融合后与LBP特征串接融合进行行人检测。在Matlab环境下利用支持向量机(SVM)对INRIA数据集进行5组实验,分别将该方法与梯度方向直方图(HOG)、金字塔梯度方向直方图(PHOG)、LBP、LGP进行检测率、检测时间、光照鲁棒性以及噪声鲁棒性对比。综合各项实验数据表明,该方法在光照鲁棒性以及噪声鲁棒性方面都能取得更好的效果。     

融合多层特征的多尺度行人检测

目的 行人检测在自动驾驶、视频监控领域中有着广泛应用,是一个热门的研究话题。针对当前基于深度学习的行人检测算法在分辨率较低、行人尺度较小的情况下存在误检和漏检问题,提出一种融合多层特征的多尺度的行人检测算法。方法 首先,针对行人检测问题,删除了深度残差网络的一部分,仅采用深度残差网络的3个区域提取特征图,然后采用最邻近上采样法将最后一层提取的特征图放大两倍后再用相加法,将高层语义信息丰富的特征和低层细节信息丰富的特征进行融合;最后将融合后的3层特征分别输入区域候选网络中,经过softmax分类,得到带有行人的候选框,从而实现行人检测的目的。结果 实验结果表明,在Caltech行人检测数据集上,在每幅图像虚警率（FPPI）为10%的条件下,本文算法丢失率仅为57.88%,比最好的模型之一——多尺度卷积神经网络模型（MS-CNN）丢失率（60.95%）降低3.07%。结论 深层的特征具有高语义信息且感受野较大的特点,而浅层的特征具有位置信息且感受野较小的特点,融合两者特征可以达到增强深层特征的效果,让深层的特征具有较为丰富的目标位置信息。融合后的多层特征图具有不同程度的细节和语义信息,对检测不同尺度的行人有较好的效果。所以利用融合后的特征进行行人检测,能够提高行人检测性能。     

结合语义和多层特征融合的行人检测

遮挡及背景中相似物干扰是行人检测准确率较低的主要原因. 针对该问题, 提出一种结合语义和多层特征融合(Combining semantics with multi-level feature fusion, CSMFF)的行人检测算法. 首先, 融合多个卷积层特征, 并在融合层上添加语义分割, 得到的语义特征与相应的卷积层连接作为行人位置的先验信息, 增强行人和背景的辨别性. 然后, 在初步回归的基础上构建行人二次检测模块(Pedestrian secondary detection module, PSDM), 进一步排除误检物体. 实验结果表明, 所提算法在数据集Caltech和CityPersons上漏检率(Miss rate, MR)为7.06 %和11.2 %. 该算法对被遮挡的行人具有强鲁棒性, 同时可方便地嵌入到其他检测框架.     

浅层特征融合引导的深层网络行人检测

行人检测是目标检测中的一个重要研究方向。针对行人检测算法在复杂场景和目标太小情况下漏检的问题,在Faster R-CNN检测算法的基础上,提出一种基于浅层特征融合引导的深层网络行人检测。通过HOG特征、改进的LBP特征与深度网络特征融合获得准确的行人特征,在国际上广泛使用的行人数据集上进行一系列实验。结果表明,所提出的改进方法在检测准确率和速率方面都有所提高。     

特征金字塔融合的多模态行人检测算法

针对单模态行人检测在光照条件较差、目标部分遮挡、目标多尺度时检测效果较差的问题，提出了一种基于可见和红外双模态特征金字塔融合的行人检测算法。使用深度卷积神经网络代替传统的手工设计特征方式分别自动从可见模态及红外热模态的图片中提取单模态特征，根据ResNet（Residual Net）的阶段性特征图谱搭建特征金字塔网络，生成每个模态的特征金字塔，并将两个模态的特征金字塔进行逐层融合。选择深度学习通用目标检测算法--Faster R-CNN作为后续的目标定位与分类算法来解决多模态行人检测问题。在特征金字塔融合阶段，针对级联融合和较大值融合容易忽略弱特征，无法有效融合互补特征的问题，提出了一种锐化特征的特征金字塔融合方法，根据阈值强化突出强特征，互补叠加弱特征，有效利用每个模态的特征，进一步提高模型的检测效果。实验结果表明，特征金字塔聚合的多模态行人检测算法可以有效解决多模态行人检测问题，在KAIST数据集上的检测效果超过了目前该数据集上的最佳模型。     

基于多尺度特征融合的行人检测方法

在智能监控时,由于行人目标存在分布范围广,大小不一致的问题,影响了行人检测的效果.为了提高监控下对不同大小行人的检测精度,更好地应用于公共安全领域,对YOLOv3算法进行改进.首先在检测网络的三条分支网络引入特征金字塔池化结构,进行特征拼接实现局部与全局特征相融合,增加特征提取能力.然后在预测网络前引入自适应特征融合结...     

基于多尺度特征融合的行人检测方法

在智能监控时,由于行人目标存在分布范围广,大小不一致的问题,影响了行人检测的效果.为了提高监控下对不同大小行人的检测精度,更好地应用于公共安全领域,对YOLOv3算法进行改进.首先在检测网络的三条分支网络引入特征金字塔池化结构,进行特征拼接实现局部与全局特征相融合,增加特征提取能力.然后在预测网络前引入自适应特征融合结...     

基于改进WLD的纹理特征提取方法

在纹理分类应用背景下,原始韦伯局部描述符( WLD)对纹理模式区分能力有限。针对该问题,提出一种基于正负梯度改进的WLD( WLD-PNG)。利用局部窗内像素点间灰度变化的正负梯度构建纹理特征描述符,通过分离计算正负梯度的差分激励算子,保留灰度等级变化的正负性信息,以增强纹理模式的可区分性,运用均匀局部二值模式( uLBP)提取灰度等级变化的空间分布结构信息,并提高纹理模式的识别能力,使用均匀量化和编码技术将差分激励算子与uLBP结合,从而描述图像的纹理特征。在Brodatz和KTH-TIPS2-a纹理库上进行对比实验,结果表明,与原始WLD,uLBP,WLD+uLBP及已有改进的WLD等方法相比,WLD-PNG在提高纹理分类性能的同时,具有较好的稳健性和较低的计算复杂度。     

多层AR-LBP与WLD特征融合的SA-CRC人脸识别

针对非对称局部二值模式（AR-LBP）提取的人脸特征有限，以及协同表示分类（CRC）人脸存在的类间干扰，提出以多层AR-LBP特征及联合韦伯局部描述子（WLD）特征进行补充，并以增加CRC中稀疏性来降低类间干扰。提取人脸图像的多层AR-LBP特征并级联，与从原图像提取的WLD特征级联得到多层AR-LBP与WLD融合特征，采用稀疏增强的协同表示分类（SA-CRC）完成人脸分类。在ORL、Yale和GT公开人脸库上，提出的多层AR-LBP与WLD特征融合算法与AR-LBP特征提取算法、WLD特征提取算法以及多层LBP与HOG特征融合算法相比，识别正确率提高了0.7%~42.6%；当利用SA-CRC取代CRC后，识别正确率进一步得到提高。     

用于DR图像缺陷检测的改进的LBP算法

针对传统LBP（Local Binary Pattern）算法在DR图像缺陷检测中对噪声异常敏感而导致的缺陷识别率低的问题,在已有的韦伯LBP算法（Weber Local Binary Pattern,WLBP）的基础上,提出改进的WALBP（Weber Adapted Local Binary Patterns）算法。WALBP算法保留了WLBP算法最后生成二维直方图的特点,对其所用的LBP算子和LoG（Laplacian of Gaussian）方法进行了改进。WALBP算法更加有效地描述了DR图像的纹理特征,同时有效解决了WLBP算子在进行缺陷检测时直方图维数较多及分类能力不强的问题。通过对多幅铸件DR图像进行实验分析,结果表明,相对于已有的WLBP算法和传统的LBP算法,WALBP算法在缺陷检测上具有更高的识别率,在缺陷识别技术中具有很高的应用价值。     

基于改进WLD描述子的行人检测方法研究

近年来,行人检测研究受到越来越多的关注。提出一种使用改进的Weber局部描述子（IWLD）实现行人检测的方法,该方法有效地吸取HOG和Weber局部描述子方法的优势。将提出的IWLD用来刻画滑动窗口,从而实现行人检测。在INRIA行人数据库上的实验结果验证提出的IWLD检测子的有效性,与传统的行人检测方法（HOG和HOG—LBP）比较,该方法更优。     

基于LBP的鲁棒特征提取与匹配方法研究

针对现有的Harris角点提取算法在图像匹配法中,存在精度低、抗干扰和抗光照变化能力弱的缺陷,提出一种基于局部二进制模式（Local Binary Patterns,LBP）和图变换匹配算法（Graph Transformation Matching,GTM）相结合的鲁棒精确匹配算法。采用改进的Harris边缘特征检测提取特征点并选取图像块作为特征区域;采用改进的中心对称局部二进制模式（Center Symmetric Local Binary Patterns,CSLBP）对高维特征进行降维生成24维特征描述子,并依据欧氏距离实现图像粗匹配;采用图变化匹配法剔除误差匹配来改善匹配的精度和鲁棒性。测试结果表明,所建议算法是有效的,它不仅具有良好的抗尺度和旋转变化特性,而且具有较强的噪声抑制能力和抗光照变化能力。提出的鲁棒性算法不仅充分考虑到传统特征匹配算法优缺点,使检测与匹配结果更加准确,而且较Harris算法以及LBP算法稳定性和准确度有了明显的提高。