基于形状上下文和方向梯度直方图特征的异源图像配准

针对单模态图像包含的信息存在局限性的问题,提出了一种基于形状上下文和HOG（histogram of oriented gradient）特征的红外和可见光图像配准方法.在混合高斯模型前景检测的基础上,通过提出的形状上下文和HOG特征结合的方法实现轮廓特征匹配,再利用TPS（thin plate spline）转换模型将匹配延伸到整个形状,并使用正则化和缩放特性迭代重组对应关系及估计转换降低估计误差.最后,采用RANSAC（random sample consensus）算法去除错误匹配点.与已有的形状上下文方法相比,此方法结合了边缘和轮廓特征信息,降低了误差,鲁棒性更好.     

一种基于图结构模型的人体姿态估计算法

针对单幅图片中人体姿态的估计问题,在图结构模型的基础上提出了一种新的人体姿态估计算法。算法提出了一个新的部位观测模型和一种新的减小部位状态空间的方法：（1）对人体不同部位采用不同尺寸的细胞单元计算HOG特征,并利用线性SVM进行分类,从而提出一种新的部位观测模型;（2）利用人体部位定位的先验分布确定部位定位区域,然后通过邻域归并和设置与部位模板的匹配度阈值进一步减小状态空间,从而提出了一种减小部位状态空间的方法。仿真实验结果表明所提算法与传统算法相比更加有效。     

基于方向梯度直方图特征的车脸识别方法研究

随着道路监控系统的数字化和智能化发展,车辆类型识别成为智能交通系统的研究重点之一.本文基于道路监控系统中的视频图像,对车前脸进行粗定位,并在粗定位车脸的基础上对车脸进行精确定位.对精确定位的车前脸进行水平梯度水平投影和水平梯度垂直投影,提取车标的方向梯度直方图——HOG特征,由此提出了基于HOG特征描述的车脸特征点提取...     

基于空间梯度直方图的行人检测算法

为了快速准确地对行人进行检测,提出了一种采用空间梯度直方图作为特征的行人检测方法。该方法首先使用直方图相似性和Fisher准则来衡量所有定义特征的分辨能力,然后选择一些具有强分辨能力的特征来表征行人,使该方法获得了较高的检测率;最后用SVM分类器用来训练从目标和背景中获得的经过筛选的特征。实验结果表明,该方法对行人的检测是快速且有效的。     

集成HOG步态模板

步态模板在提升步态识别的实时性能中扮演了关键角色。由于缺乏时间信息和不能充分提取步态中的统计特征,其识别性能会受到一定的损害。以步态能量图（GEI）为模板,并使用基于时间保持的步态能量图（CGI）,从这两个模板中进一步提取空间特征。在此基础上,构造了集成HOG步态模板。这一模板能较好地保持时间信息和有效地提取空间结构特征。在USF步态数据集的实验表明,与其他已知步态识别方法相比,提出的模板实现了好的识别性能。     

基于分块自适应融合特征的交通标志识别

交通标志由外部轮廓和内部指示符号组成,HOG特征可较好描述图像轮廓但易受噪声影响,而LBP特征对图像细节刻画好,提出基于分块HOG-LBP自适应融合特征的交通标志识别方法。通过分块计算梯度直方图得到的权重系数,来判断该块是属于轮廓还是内部指示,对前者选择HOG权重大,后者选择LBP特征权重大,将自适应串行融合后的特征送入支持向量机识别。仿真实验结果表明,该算法对标准交通标志识别率可达到100%,对含模糊、残缺、遮挡等非标准交通标志也达到了76%。     

基于HOG的酿酒葡萄叶检测

在酿酒葡萄生长状态与病虫害自动监测中,需要在图像中检测出葡萄叶片,通过提取葡萄叶片图像的方向梯度直方图（HOG）特征投入到支持向量机（SVM）分类器中以实现对葡萄叶片的识别;结合多尺度目标定位和均值漂移算法还可以自动确定图像中葡萄叶片的位置。实验结果表明,使用线性核函数训练后的分类器对葡萄叶片和四种常见杂草的识别率达95.5%。该方法对光照和环境变化有较好的鲁棒性,自然条件下成像的叶片图像的葡萄叶片检出率达到了80%以上。     

基于HOG与改进的SVM的手掌静脉识别算法

手掌静脉识别是一种新兴的生物特征识别技术,随着时代的进步,在各种安全领域中起着越来越重要的影响和应用。提出了一种改进的手掌静脉图像预处理方法,采用对像素灰度值映射来增强图像中的静脉纹理以去除其他干扰。针对手掌静脉纹理的特征提取和识别,提出了一种基于方向梯度直方图（HOG）与改进的阈值支持向量机（T-SVM）的算法,以更好适应手掌静脉识别的特点。通过大量实验证明,该方法不仅可以较为迅速地进行身份识别,而且达到了较高的识别率。     

基于优化HOG特征计算的非完整人体特征检测

针对灾难中被困者的识别问题,提出了一种遮挡状态下的非完整人体特征检测方法。基于头部、腿部等可能暴露在外的人体特征,先构造相交检测窗口,重新检测目标图像块内的方向梯度直方图（HOG）特征,并结合基于子单元插值的方法计算块内特征,从而实现了基于优化HOG特征的非完整人体特征检测。实验结果表明,该优化HOG特征计算后的非完整人体检测方法可显著提高人体检测的检测速度和准确性,降低误检率。     

基于PHOG特征的行人检测算法研究

HOG特征对行人轮廓有很好的描述能力,但基于HOG特征的行人检测存在检测速度慢、漏检率较高的问题,使得该算法的实践应用范围受限。本文针对检测速度慢、漏检率较高的问题,提出了一种基于PHOG特征的行人检测算法。首先,提出了PHOG特征,该特征对cell内的梯度特征进行强化,增大了目标与背景的梯度分布区别,从而使目标更容易被分类器学习和识别。然后提出了构建特征金字塔的方法,并对PHOG特征进行有效地降维,大幅度减少了检测时间。试验结果表明,本文提出的PHOG-PCA特征将漏检率从35%降到了22%,检测速度也比一些流行算法快。     

改进的基于增强型HOG的行人检测算法

行人检测在人工智能系统、车辆辅助驾驶系统和智能监控等领域具有重要的应用,是当前的研究热点.针对HOG特征不明显、支持向量机(SVM)分类器计算复杂度高,导致识别率低和检测速度慢的问题,本文提出了一种改进的基于增强型HOG的行人检测算法.该算法首先预处理原始图像并提取其HOG特征,然后增强该特征生成增强型HOG,经XGBoost分类器进行行人检测.在INRIA数据集上进行测试,实验结果表明所提算法识别率高达95.49%,有效地提高了行人检测性能.     

基于特征融合的行人检测技术

首先研究了三种不同的特征算子在基于图像行人检测中的应用. 他们分别是: 梯度直方图(Histogram of Oriented Gradient, HOG)、局部三值模式特征(Local Ternary Patterns, LTP)以及改进了的局部三值模式特征(Sqrt Local Ternary Patterns, S-LTP). 对以上三种特征算子进行了实验比较, 最后将HOG和S-LTP算子融合得到HOG+S-LTP的基于多特征的行人检测算子, 利用SVM分离器在INRIA人体库上进行了实验, 实验表明, 融合后的特征显著地提高了行人检测率, 同时也满足实时性要求.     

运用边缘方向直方图进行图像拷贝检测

基于内容的图像拷贝检测已经成为图像版权保护的重要手段之一。提出一种基于图像边缘直方图的拷贝检测方法：采用小波模极大值算法提取源图像和待认证图像边缘,然后结合边缘点梯度主方向重新计算其区域点的梯度方向并生成直方图,最后根据源图像与待认证图像所得边缘直方图间的相似性检测待认证图像是否为源图像的拷贝。实验表明：这种图像拷贝检测方法可有效检测出拷贝图像,并可容忍由缩放、旋转、噪声等操作引起的失真。     

多方向线积分的梯度特征

典型的梯度特征包括HOG(梯度方向直方图)、Shapelet及Edgelet等,这些特征被广泛用于目标检测、目标识别、图像检索及场景分类等领域。针对HOG特征运算复杂度高的问题,提出了一种新的多方向线积分的梯度特征(MDIG)。通过避免计算梯度方向并利用积分图,该特征简化了计算过程,提高了计算速度,因而便于在DSP等硬件上实现。实验中新特征被应用于人体头肩检测。实验结果表明当使用AdaBoost算法训练分类器时,该特征的描述能力与HOG相当,同时其计算时间仅为HOG的1/3,整体性能优于HOG。最后,针对梯度特征的适用范围对其未来应用的发展方向进行了讨论。     

复杂背景下人体检测算法

静态图像的人体识别技术在实际视频监控场景中, 面临背景复杂、图像分辨率低、光照影响和噪声干扰等问题, 这些多变性以及可能发生的遮挡给单一图像中的人体识别技术提出了挑战. 设计和实现一种复杂背景下的人体检测算法, 基于HOG人体检测算法, 使用积分直方图计算HOG特征, 并用级联SVM分类器对样本进行训练. 实验结果表明, 该算法在复杂视频监控场景中进行人体检测比其它人体检测算法具有更高的准确率和更快的检测速度.     

Gabor特征结合快速HOG特征的行人检测

针对行人检测中HOG特征提取速度慢且易忽视细节特征的问题,提出了一种Gabor特征结合快速HOG特征的行人检测算法.首先对输入图像进行小波变换,并引入积分图思想和主成分分析算法快速提取图像HOG特征;其次融合Gabor小波变换得到的Gabor特征,最后采用混合特征训练分类器,实现行人的有效检测.测试集上的实验结果表明,在使用相同分类器的情况下,该混合特征提取方法比单一特征提取方法的检测正确率最多可提高7.37％,因此所提出的算法可以有效地提高行人检测的精度.     

基于多特征融合的行人检测

研究了3 种不同类型的特征算子：梯度直方图（HOG）,基于Gabor 变 换的局部二值特征直方图（LGBPHS）和基于剪切波变换的直方图（HSC）在基于图像的 行人检测中的应用。提出了基于多特征融合的检测算子,对单一特征进行L1 范式规格化 之后,将3 个特征融合为一个高维的拥有大量信息的新特征,之后引入偏最小二乘法（PLS） 进行特征降维,得到最终的人体特征。利用线性SVM 作为分类器,在INRIA 人体库上进 行了实验,结果表明,融合后的特征极大的提高了检测率,在FPPW=10-5 时,检测率达到 了95.6%。     

L1 norm based pedestrian detection using video analytics technique

Pedestrian detection from images of the visible spectrum is a high relevant area of research given its potential impact in the design of pedestrian protection systems. In general, detection is made with two different phases, feature extraction and classification. Also, features for detection of pedestrian are already are available such as optimal feature model. But still required is an improvement in detection by reducing the execution time and false positive. The proposed model has three different phases, that is, background subtraction, feature extraction, and classification. In spite of giving entire information into feature extraction, the system gives only a useful information (foreground image) by twin background model. Then the foreground image moves to the feature extraction and classifies the pedestrian. For feature extraction, histogram of orientation gradient (HOG) L₁ normalization has been used. This will increase the detection accuracy and reduce the computation time of a process. In addition, false positive rate has been minimized.