基于Haar特性的LBP纹理特征

图像纹理特征能够反映图像的灰度分布程度、对比度、空间分布和图像的内在变化特性,在确保较低计算复杂度的前提下,有效提取深层次的图像纹理信息是其研究的难点问题。针对这一问题,从相邻区域的统计特征分析入手,提出了一种Haar型特性局部二元模式(Haar local binary pattern,简称HLBP)的图像纹理特征提取方法。鉴于Haar型特征运算简单、快捷,统计局部特征有效、可靠,将其引入LBP中。该方法首先给出8组Haar型特征编码模式,按照局部二元模式(local binary pattern,简称LBP)统计图像局部纹理特征,因采用局部区域统计方法能够有效降低噪声的影响;其次,为了进一步提高图像纹理特征的有效呈现,结合Gabor小波滤波在不同方向、不同尺度对灰度水平图像进行特征提取,以增强纹理有效提取的性能,提高不变特征的稳健性;最后,通过4组对比实验验证了该方法的可行性。实验分别在标准的 Brodatz 正常分块纹理库测试集、分块且缩放 Brodatz 纹理库测试集、分块且旋转Brodatz纹理库测试集以及Yale B扩展的非均匀光照条件人脸库测试集上进行。实验结果表明,该方法能够有效地表达图像的纹理特征。     

自适应的Haar型LBP纹理特征提取算法研究

在提取纹理图像的Haar型LBP特征中,人为设定的判断阈值主观性强、局部性差,导致提取的纹理细节和边缘模糊、纹理图像的局部性易被忽略。为此,提出了一种自适应的Haar型LBP纹理特征提取算法。该算法在二值化Haar型特征时引入高斯加权矩阵,以此获得客观、符合纹理图像局部特征的自适应判断阈值和Haar型LBP特征。实验结果表明,该算法能够有效地避免人为设定阈值对纹理特征的影响,可以准确地描述图像的纹理特征,Brodatz标准纹理库分类的正确率也得到了进一步的提高。     

Haar型LBP纹理特征的行人检测研究

针对行人检测中直接在灰度图像下提取局部二元模式（Local Binary Pattern,LBP）特征受噪声影响大导致检测率低的问题,提出了基于HSV颜色空间提取改进型Haar型LBP（IHLBP）特征的方法。首先将图像由RGB颜色空间转化到HVS颜色空间,然后对HSV图像的H、S、V空间分别提取IHLBP特征,最后将3个IHLBP特征归一化后串接为一个特征向量,得到最终的IHLBP特征。在INRIA Person数据集上采用支持向量机（Support Vector Machine,SVM）作为分类器进行测试。实验结果表明,该方法能有效地提高识别率,可达98.5%。相比于HOG特征、HPG-LBP特征和WLD-LBP特征具有更好的实验效果。     

基于HOG和颜色特征融合的人体姿态估计

部位外观模型在人体姿态估计中起着关键作用.为提高人体姿态估计的准确度,对如何利用梯度方向直方图(HOG)与颜色特征建立外观模型进行研究.利用支持向量数据描述算法(SVDD)对部位的所有细胞单元构造子分类器,将所有子分类器按照不同权值进行线性组合,建立基于HOG特征的外观模型;利用与基于HOG特征的外观模型之间似然度较高的部位状态学习定位概率,根据定位概率求得的颜色直方图即为基于颜色特征的外观模型;根据待处理静态图像的光照条件和人体着装及背景的颜色对比度可确定分别基于HOG和颜色特征的外观模型的权值;根据相应权值对两种外观模型进行线性组合,建立基于HOG和颜色特征融合的部位外观模型.将所提外观模型用于人体姿态估计,实验结果表明,该外观模型更加有效,获得更高的人体姿态估计准确度.     

轻量型多路特征融合人体姿态估计

基于深度学习的人体姿态估计广泛应用于姿态识别、人机交互等领域. 为了提升人体关键点的检测精度, 很多网络采用运算量、参数量和复杂度不断增加的模型架构, 导致无法直接部署到低算力设备. 为了解决上述问题, 本文提出了一种多路特征注意力融合的轻量型方法. 模型基于HigherHRNet网络进行轻量化设计和训练, 包括: 采用通道拆分和通道混洗, 解决分组卷积后特征层之间存在的信息隔离; 采用线性运算的特征生成方法, 解决不同特征层之间存在的冗余性; 采用融合注意力信息的方法, 缓解因轻量化导致的准确率下降. 在MS COCO数据集上完成了模型的训练、测试、可视化以及消融实验. 实验结果表明本文的轻量化方法在保证直观的检测精度前提下, 能够显著降低人体姿态估计的计算量.     

基于可变形卷积的多人人体姿态估计

目前针对人体姿态估计的深度神经网络都是在特征图的固定位置上进行采样,无法对人体姿态的几何变换进行建模,当人体实例在尺寸、姿势、拍摄角度等方面发生变化后,网络泛化能力较差.因此,文中提出基于可变形卷积的多人人体姿态估计方法.利用可变形卷积对目标几何变换建模能力较强的特性,设计特征提取模块,可在人体关键点几何变化的条件下保证检测的准确性.为了进一步提高网络性能,利用预训练残差网络.模型的预测值与二维高斯模型生成的真值用于计算损失,并迭代训练模型,能在拍摄视角、附着物及人物尺度变化等复杂条件下有效检测人体关键点.实验表明,文中模型可有效提升人体关键点检测的准确性.     

基于BEMD和LBP提取特征的纹理分类

对于纹理图像的分类,采用二维经验模式分解将图像分解成一系列的固有模态函数(IMF)和残差,并结合局部二值模式(LBP)对所提取到的各IMF图像和残差图像进行特征提取的方法。为了验证算法的有效性,对自然纹理进行特征提取,并结合支持向量机(SVM)算法对提取的特征向量进行分类,分类精确度达到98%以上。     

用于纹理特征提取的改进的LBP算法

针对现有的纹理特征提取方法计算复杂度高的问题,利用局部二值模式(LBP)算法思想简单、计算复杂度小的优势,在已有的完整LBP(CLBP)算法基础上,提出了一种改进的CLBP算法(ICLBP)。ICLBP算法保留了CLBP算法中CLBP_S,而对CLBP_M算子、CLBP_C算子进行了改进,提出一个新的纹理描述算子ICLBP_T。ICLBP算法更全面地描述了局部窗口的纹理特征,同时有效解决了CLBP算法中CLBP_M算子对灰度分布不均敏感的问题。通过对Outex、CURet数据库的数据分类实验,结果表明,相比于已有的LBP算法,ICLBP算法的分类精度有了明显的改进,同时ICLBP算法中ICLBP_SCT特征具有较低的特征维数,具有较好的实用价值。     

基于堆叠沙漏网络的人体姿态估计

人体姿态估计在许多计算机视觉任务中起着重要的作用,然而,由于姿态的多变、光照、遮挡和分辨率低等因素,它仍然是一个具有挑战性的问题.利用深层卷积神经网络的高级语义信息是提高人体姿态估计精度的有效途径,本文提出了一种改进的堆叠沙漏网络,设计了一个大感受野残差模块和预处理模块来更好地获得人体结构特征,以此获得丰富的上下文信息,对部分遮挡、大姿态变化、复杂背景等有较好的效果,此外,还对不同阶段的结果进行了融合,以进一步提高定位精度,在MPII数据集和LSP数据集上对本文提出的模型进行实验和验证,结果证明了本文模型的有效性.     

融合LBP和GLCM的纹理特征提取方法

为提取有效的特征用于纹理描述和分类,提出一种融合局部二进制模式(LBP)和灰度共生矩阵(GLCM)的纹理特征提取方法。利用旋转不变的LBP算子处理纹理图像,得到LBP图像及其GLCM,采用对比度、相关性、能量和逆差矩描述图像的纹理特征。实验结果表明,与其他方法相比,该方法提取的纹理特征具有更强的纹理鉴别能力,平均分类正确率达到93%。     

基于改进特征金字塔网络的人体姿态估计

为在人体姿态估计过程中有效获取多尺度特征和关键点坐标,建立一种基于改进特征金字塔网络(IPFN)的人体姿态跟踪模型.在原特征金字塔上采用新的检测器扩大感受野得到新特征金字塔,通过引入多尺度卷积生成高斯热点图,同时搜索和定位关键点,使坐标转换层将高斯热点图转为坐标,实现端到端训练过程.实验结果表明,相比FPN,IPFN模...     

基于局部二元模式的电子胃镜图像识别

由于受到胃部蠕动、气泡、食物、光照以及图像采集过程中摄像头移动等因素影响,电子胃镜图像存在亮度变化较大等问题,常用的计算机辅助分析方法难以取得理想的效果。针对该问题,在分析电子胃镜图像特点的基础上,提出一种电子胃镜图像病灶良恶性识别方法。在不同颜色通道中使用结合局部二元模式算法,提取其纹理特征向量,分别输入支持向量机进行训练和识别,对不同颜色空间的识别结果采用投票原则确定最终结果。实验结果表明,该方法的识别率达到92.2%。     

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。     

基于多层空间特征融合的三维人体姿态估计

在三维人体姿态估计任务当中, 人体关节之间的连接关系形成了一种复杂的拓扑结构, 利用图卷积网络对该结构进行建模, 可以有效捕捉局部关节间的联系; 尽管不相邻关节之间没有直接的物理连接, 但由于人体的运动和姿态受到生物力学约束以及人体关节之间的协同作用, 利用Transformer编码器建立关节之间的上下文关系, 可以更好地推断出人体姿态; 在大模型的背景下, 如何在保证模型性能的同时, 降低参数量, 也显得尤为重要. 针对上述问题, 设计了一个基于图卷积和Transformer的多层空间特征融合网络模型(MLSFFN), 在使用相对少量的参数基础上, 有效地融合了局部和全局空间特征. 实验结果表明, 本文提出的方法在仅需2.1M参数量的情况下, 在Human3.6M数据集上达到了49.9 mm的平均每关节误差(MPJPE). 此外, 模型在MPI-INF-3DHP数据集上也展示出了较强的泛化能力.     

基于通道切分的人体姿态估计算法

为了提高人体姿态估计的准确率和识别速度,提出一种基于通道切分的人体姿态估计算法Channel-Split Residual Steps Network(Channel-Split RSN)。首先,提出通道切分模块,对切分后的特征通道通过卷积提取特征再融合起来,以获得丰富的特征表示。接着,引入特征增强模块,对特征通道进一步分组,并对不同的分组采取不同的处理策略,以减少特征通道内的相似特征。最后,结合改进的空间注意力机制,提出一种基于特征空间相关性的姿态修正机Context-PRM,得到更加准确的人体姿态估计。在COCO test-dev数据集上的实验结果表明,本文方法达到75.9%的AP和55.36的FPS,并且模型的大小Params(M)仅为18.3。相较于传统的RSN18和传统的RSN50,模型的AP分别提高了5和3.4个百分点,FPS比传统的RSN50快12.08。在更具挑战性的CrowdPose数据集上,本文方法达到66.9%的AP和19.16的FPS,相较于RSN18,AP提高了4.6个百分点。有效提高了人体姿态估计的准确率,且模型具有较快的识别速度。本文源代码公开在https://github.com/qdd1234/Channel-Split-RSN。     

基于渐进高斯滤波融合的多视角人体姿态估计

针对视觉遮挡引起的人体姿态估计(Human pose estimation, HPE)性能下降问题, 提出基于渐进高斯滤波(Progressive Gaussian filtering, PGF)融合的人体姿态估计方法. 首先, 设计分层性能评估方法对多视觉量测进行分类处理, 以适应视觉遮挡引起的量测不确定性问题. 其次, 构建分布式渐进贝叶斯滤波融合框架, 以及设计一种分层分类融合估计方法来提升复杂量测融合的鲁棒性和准确性. 特别地, 针对量测统计特性变化问题, 利用局部估计间的交互信息来引导渐进量测更新, 从而隐式地补偿量测不确定性. 最后, 仿真与实验结果表明, 相比于现有的方法, 所提的人体姿态估计方法具有更高的准确性和鲁棒性.