传统的基于Haar特征的AdaBoost人脸检测算法,由于Haar特征数量过多,导致训练时间过久,而且不能快速检测出人脸。针对这一问题,本文提出一种基于多块局部二值模式(Multi-block Local Binary Pattern,MB_LBP)特征的AdaBoost人脸检测算法,...传统的基于Haar特征的AdaBoost人脸检测算法,由于Haar特征数量过多,导致训练时间过久,而且不能快速检测出人脸。针对这一问题,本文提出一种基于多块局部二值模式(Multi-block Local Binary Pattern,MB_LBP)特征的AdaBoost人脸检测算法,这种MB_LBP特征结合了旋转不变局部二值模式(Local Binary Patterns,LBP)描述符,表达能力更强,特征数量更少.仿真结果表明,在训练时间大幅缩减的同时,使用MB_LBP特征时可以达到Haar特征的检测效果,且检测速度大大提高.展开更多
针对带钢表面缺陷识别率受到光照变化、纹理复杂多样以及噪声干扰而导致误识别率高的问题,提出一种新的带钢表面缺陷识别算法。首先从增加邻域联系的角度改进多块局部二值模式(MB-LBP)特征,缓解提取过程中因所选子窗口尺寸大小不同而造...针对带钢表面缺陷识别率受到光照变化、纹理复杂多样以及噪声干扰而导致误识别率高的问题,提出一种新的带钢表面缺陷识别算法。首先从增加邻域联系的角度改进多块局部二值模式(MB-LBP)特征,缓解提取过程中因所选子窗口尺寸大小不同而造成的保留图像细节与去除噪声之间的平衡性问题;其次将改进的MB-LBP特征与梯度方向直方图(HOG)特征线性加权得到融合特征,弥补MB-LBP特征没有表征缺陷边缘和方向的缺点,从而更全面地表征复杂的缺陷纹理;最后通过同时增加全局信息和监督信息改善的局部保持投影(LPP)算法将高维的融合特征非线性映射到低维的本质特征空间中,减少融合特征冗余对分类器识别率的影响。在NEU数据集上仿真实验结果表明:算法对光照变化、纹理复杂多样、以及噪声具有一定的鲁棒性,在信噪比为50 d B情况下将带钢表面缺陷识别准确率提高了5. 17%。展开更多
文摘针对带钢表面缺陷识别率受到光照变化、纹理复杂多样以及噪声干扰而导致误识别率高的问题,提出一种新的带钢表面缺陷识别算法。首先从增加邻域联系的角度改进多块局部二值模式(MB-LBP)特征,缓解提取过程中因所选子窗口尺寸大小不同而造成的保留图像细节与去除噪声之间的平衡性问题;其次将改进的MB-LBP特征与梯度方向直方图(HOG)特征线性加权得到融合特征,弥补MB-LBP特征没有表征缺陷边缘和方向的缺点,从而更全面地表征复杂的缺陷纹理;最后通过同时增加全局信息和监督信息改善的局部保持投影(LPP)算法将高维的融合特征非线性映射到低维的本质特征空间中,减少融合特征冗余对分类器识别率的影响。在NEU数据集上仿真实验结果表明:算法对光照变化、纹理复杂多样、以及噪声具有一定的鲁棒性,在信噪比为50 d B情况下将带钢表面缺陷识别准确率提高了5. 17%。
