现有的大多数特征提取算法在提取人脸特征时,容易受到光照等外界因素的影响,从而导致后期人脸识别率下降。而方向梯度直方图(Histogram of Oriented Gradient,HOG)具有较强的光照鲁棒性,能够很好地减少由光照带来的干扰,但传统HOG在计...现有的大多数特征提取算法在提取人脸特征时,容易受到光照等外界因素的影响,从而导致后期人脸识别率下降。而方向梯度直方图(Histogram of Oriented Gradient,HOG)具有较强的光照鲁棒性,能够很好地减少由光照带来的干扰,但传统HOG在计算梯度幅值和方向时只计算水平和垂直方向上4个像素点对中间像素的影响,当外界环境变化时不能保证稳定性,因此提出一种基于Haar特性的改进HOG的人脸特征提取算法。该算法在计算梯度幅值和方向时考虑水平、垂直以及对角线上8个像素点对中间像素的影响,由于增加计算量导致特征提取时间也随之增加,因此引入Haar,借助Haar型特征运算简单、快捷的特点设计4组Haar型特征编码模式,按照改进的HOG特征计算方式提取人脸特征。在有光照等外界因素影响的FERET人脸数据库和Yale B扩展的人脸测试库中进行实验,实验结果表明,与GFC,LBP和其他文献中的HOG算法相比,该算法对光照具有更好的鲁棒性,能够在光照变化的环境下提高人脸识别率。该算法在FERET探测集fb,fc,dup1和dup2上的识别率分别为95.1%,80.9%,70.1%和63.2%,在Yale B中的识别率为89.1%。展开更多
结合Haar型特性局部二元模式(HLBP)的图像纹理特征提取方法,提出一种新的目标跟踪算法,并将其运用到Meanshift框架中。将Visual Studio 2010和opencv2.4.9作为实验平台,将所提算法的实验结果与传统Meanshift跟踪算法、基于局部二元模式(...结合Haar型特性局部二元模式(HLBP)的图像纹理特征提取方法,提出一种新的目标跟踪算法,并将其运用到Meanshift框架中。将Visual Studio 2010和opencv2.4.9作为实验平台,将所提算法的实验结果与传统Meanshift跟踪算法、基于局部二元模式(LBP)纹理特征的Meanshift跟踪算法进行对比分析。实验结果表明,所提算法在背景复杂或背景简单的情况下都表现出了稳健而准确的跟踪特性,且在部分遮挡的情况下仍可以正确地跟踪目标。展开更多
为提高复杂环境下的车道线检测精度,设计基于Haar特征耦合级联分类器的车道线检测方案。对输入图像进行尺度缩放,根据消失线位置提取感兴趣区域(region of interest,ROI);从该ROI中提取车道线的Haar特征,引入级联的车道线分类器,对ROI...为提高复杂环境下的车道线检测精度,设计基于Haar特征耦合级联分类器的车道线检测方案。对输入图像进行尺度缩放,根据消失线位置提取感兴趣区域(region of interest,ROI);从该ROI中提取车道线的Haar特征,引入级联的车道线分类器,对ROI中的车道线进行粗检测;借助线段检测器(line segment detector,LSD),对粗检测结果进行线拟合;结合生长策略与几何检查来优化拟合结果,完成目标检测。在多个数据集上进行测试,测试结果表明,与当前的车道线检测方法相比,所提算法具有更高鲁棒性与准确率,可达96.5%。展开更多
文摘结合Haar型特性局部二元模式(HLBP)的图像纹理特征提取方法,提出一种新的目标跟踪算法,并将其运用到Meanshift框架中。将Visual Studio 2010和opencv2.4.9作为实验平台,将所提算法的实验结果与传统Meanshift跟踪算法、基于局部二元模式(LBP)纹理特征的Meanshift跟踪算法进行对比分析。实验结果表明,所提算法在背景复杂或背景简单的情况下都表现出了稳健而准确的跟踪特性,且在部分遮挡的情况下仍可以正确地跟踪目标。
文摘为提高复杂环境下的车道线检测精度,设计基于Haar特征耦合级联分类器的车道线检测方案。对输入图像进行尺度缩放,根据消失线位置提取感兴趣区域(region of interest,ROI);从该ROI中提取车道线的Haar特征,引入级联的车道线分类器,对ROI中的车道线进行粗检测;借助线段检测器(line segment detector,LSD),对粗检测结果进行线拟合;结合生长策略与几何检查来优化拟合结果,完成目标检测。在多个数据集上进行测试,测试结果表明,与当前的车道线检测方法相比,所提算法具有更高鲁棒性与准确率,可达96.5%。
