基于多通道融合HOG特征的全天候运动车辆检测方法

对传统的梯度方向直方图(HOG)特征提取方法进行改进,提出了一种基于多通道特征提取的加权HOG特征融合方法。首先采用基于亮度均值的方式对彩色车辆图像增强处理,其次采用自适应加权法将H、S、V三通道的梯度方向直方图(HOG)特征融合成多通道融合HOG特征,最后采用支持向量机(SVM)对融合后的特征进行车辆分类器训练和车辆检测。该方法与直接运用HOG特征进行车辆检测以及其他车辆检测方法相比,具有检测率高、鲁棒性强等特点,并且在各种气候环境下都能实现较好的检测效果,效果优于其他方法,达到了全天候车辆检测的要求。     

融合多特征的高分辨率遥感影像震害损毁建筑物检测

为充分利用特征的互补优势提高变化检测精度,本文提出了一种多特征融合的损毁建筑物检测方法。首先通过建筑物线划图获取建筑物对象,然后统计对象的灰度直方图和方向梯度直方图(Histogram of Oriented Gradient,HOG),并用G统计量计算地震前后对象的光谱距离;用震前影像训练基于HOG特征的支持向量机(Support Vector Machine,SVM),计算震后对象的HOG特征的响应值;再用Relief方法对光谱距离和HOG特征响应值进行加权融合,最后用FCM方法分类从而检测出损毁建筑物。实验结果表明,本方法充分利用了各特征的优势,有效提高了变化检测的精度。     

基于字袋模型的交通标志识别方法研究

交通标志识别是智能交通中一个重要的研究领域,实现辅助驾驶和自动导航等应用正获得越来越多的关注.本文提出一种自然场景下交通标志的识别方法:提取标志的局部特征以提高获取效率也使其较少受到遮挡的影响,通过字袋模型量化后获得标志的本征特征,基于该本征特征训练支持向量机,最后使用得到的判别分类器进行交通标志的分类.实验结果表明,...     

一种结合非顶层特征图和自适应阈值的飞机目标检测算法

针对Faster R-CNN模型在遥感影像中对飞机目标进行检测与识别时,易出现漏检、错检等问题,提出了一种在基于小样本飞机遥感影像数据集的改进型Faster R-CNN目标检测方法。首先对特征提取网络进行优化,然后将非顶层特征图融合顶层特征图得到边缘信息更丰富的融合特征图,利用该特征图输入RPN网络,完成目标检测模型的训练;并结合自适应阈值进行检测。以普通客机与战斗机目标为试验对象,开展飞机目标检测与识别对比分析。试验结果表明,所提出的算法在小样本情况下检测效果有明显提升。     

利用多特征进行航空影像建筑物提取

高分辨率遥感影像在不同的尺度下表现出不同的特征,根据这一特性,提出了一种基于多层次特征的航空影像规则建筑物提取方法。该方法先利用大尺度特征——方向梯度直方图（histograms of oriented gradient,HOG）特征对建筑物进行识别,然后提出了一种小尺度特征——纹理和光谱融合特征,该特征能够有效地将HOG特征识别结果中的道路、草地等非建筑物剔除,最终获取建筑物边缘信息。实验结果表明,该方法不仅对矩形建筑物有较好的提取效果,对结构复杂的规则建筑物也有较好的提取效果。     

联合局部二值模式的CNN高光谱图像分类

卷积神经网络CNN（Convolutional Neural Networks）具有强大的特征提取能力，应用于高光谱图像特征提取取得了良好的效果，双通道CNN模型能够分别提取高光谱图像的光谱特征和空间特征，并实现了特征的决策级融合。局部二值模式LBP（Local Binary Patterns）是一种简单但有效的空间特征描述算子，能够减轻CNN特征提取的压力并提高分类精度。为了充分利用CNN的特征提取能力及LBP特征的判别能力，提出一种双通道CNN和LBP相结合的高光谱图像分类方法，首先，采用1维CNN（1D-CNN）模型处理原始高光谱数据提取深层光谱特征，同时采用另一个1D-CNN模型处理LBP特征数据进一步提取深层空间特征，然后，将两个CNN模型的全连接层进行连接，实现深层光谱特征和空间特征的融合，并将融合特征输入到分类层中完成分类。实验结果表明，该方法在Indian Pines数据、Pavia University数据及Salinas数据上能够分别取得98.54%、99.73%、99.56%的分类精度，甚至在有限数量的训练样本条件下也能取得较好的分类效果。     

基于LBP/C纹理的遥感影像居民地变化检测

针对遥感影像上居民地纹理的特点,将基于方差的纹理分析方法、基于LAWS纹理能量测度的纹理分析方法、基于LBP/C(local binary pattern/contrast)的纹理分析方法分别对遥感影像上的居民地纹理特征进行分析描述;然后进行基于区域生长的扩张检测,得到居民地变化检测的结果.对不同地区、不同居民地分布情况的遥感影像进行了居民地扩张变化检测的试验.结果表明,基于LBP/C的变化检测方法可以高精度地检测出居民地的扩张变化,并提高了检测的自动化程度.     

基于移动测量的交通标志自动提取

针对从移动测量车采集的图像中提取交通标志的需求,研究探索适合移动测量的交通标志检测识别方案。在交通标志检测阶段,提出一种检测多个圆形禁令标志连接的多圆度检测法,对于三角形警告标志的检测,在原有拐角检测法基础上提出基于候选区域的拐角检测法;在交通标志识别阶段,选用像素特征作为特征向量,采用概率神经网络实现交通标志的分类识别。最后设计实现移动测量后处理软件的交通标志自动提取模块。     

基于街景影像的交通标志识别

针对街景影像中交通标志识别存在的问题,结合交通标志的对称性特点和Hough变换对图形检测的抗残缺能力,提出一种基于Hough变换搜索交通标志中心点的交通标志检测方法。在识别过程中,利用SIFT算法将提取的目标区域依次与对应模板库中的模板影像匹配进行交通标志的识别。     

MRELBP特征、Franklin矩和SVM相结合的遥感图像建筑物识别方法

为了进一步提高遥感图像建筑物区域的识别精度,提出了一种基于中值稳健扩展局部二值模式(median robust extended local binary pattern,MRELBP)、Franklin矩和布谷鸟优化支持向量机(support vector machine,SVM)的分类方法。首先,通过MRELBP特征算子计算图像块的纹理特征向量,并根据Franklin矩得到形状特征向量,组合图像块的纹理特征向量和形状特征向量得到综合特征向量;然后,利用训练样本对SVM进行训练,同时由布谷鸟搜索算法对SVM的核函数参数和惩罚因子进行优化;最后,通过训练好的SVM得到建筑物区域识别结果。通过30组试验的结果表明,与基于三原色(red green blue,RGB)和SVM的分类方法、基于LBP和SVM的分类方法、基于Zernike矩和SVM的分类方法相比,本文提出的方法所识别的遥感图像建筑物区域准确度更高。