驾驶员因素引发的交通事故比例居高不下,因此,研究基于驾驶员活动状态分析从而对异常驾驶行为进行正确识别分类的识别方法具有重要意义。提出一种基于协方差流形和基于二分类思想的多类LogitBoost分类器的异常驾驶行为识别方法。首先,提取图像的纹理、颜色和梯度方向等基础特征,以克服基于单一特征识别驾驶行为的不足;然后,利用协方差流形进行多特征融合,以消除特征冗余,同时降低由于不同特征数值差异过大而可能给图像处理及识别带来的影响;最后,使用基于二分类的多类LogitBoost分类器进行分类识别。实验结果表明,相对传统的直接使用LogitBoost的多分类方法,本文方法较大幅地提高了多分类的正确率,针对不同目标的正确识别率可达81.08%。

研究一种高效的异常驾驶行为正确识别分类的识别方法, 对预防由于异常驾驶行为导致的交通事故具有重要意义。提出了一种新的基于协方差流形的异常驾驶行为识别方法。首先提取图像的纹理、颜色和梯度方向特征, 以克服基于单一特征识别驾驶行为的不足; 并利用协方差流形进行多特征融合, 以消除特征冗余以及不同特征数值悬殊对图像识别的影响; 最后使用多类 LogitBoost分类器进行分类识别。针对相同检测目标的正确识别率可达 98%以上, 对不同检测目标的正确识别率可达 70%以上。实验结果表明该方法有效提高了驾驶行为识别的效果。

针对红外目标识别问题，提出了一种基于协方差描述子和核稀疏编码的红外目标识别方法。该方法结合了红外图像的灰度、一阶以及二阶梯度等特征的协方差描述子作为红外目标的特征，并采用 Log-Euclidean度量进行特征相似性计算，通过高斯核函数将协方差描述子映射到高维空间，最后在新的特征空间上进行稀疏编码。实测数据实验结果表明，与传统的 KNN（k-nearest neighbor，k最近邻）以及 SVM（support vector machine，支持向量机）等分类算法相比，基于核稀疏编码的红外识别方法在识别准确率上有很大的提高。

作为前视红外成像末制导的关键部分, 红外目标跟踪是一个极具挑战性的课题。本文针对前视红外建筑物目标, 提出了一种基于协方差描述子稀疏表示的红外目标跟踪框架。首先, 提取红外建筑物目标的协方差描述子特征; 其次, 由于协方差描述子属于黎曼空间, 采用 log-Euclidean变换将其转换到欧式空间; 最后, 在粒子滤波的理论框架基础上, 采用目标在字典中的稀疏表示作为观测模型, 对红外建筑物目标进行表示, 通过贝叶斯状态推理框架进行目标跟踪。对前视红外建筑物目标的跟踪实验表明, 该方法在跟踪准确度及鲁棒性方面体现出了优良的特性。

图像场景分类一直是计算机视觉领域的一个热点问题。提出了协方差描述子场景分类算法, 它聚合了像素位置、颜色特征、方向特征和局部纹理特征等互补特征形成协方差描述子。为了避免计算黎曼空间内的协方差距离测度, 把协方差描述子转换成欧式空间内的Sigma点特征, 可以实现线性的场景描述和支持向量机训练。在SUN Database标准数据集上进行了算法分类测试, 并与经典的场景分类算法进行了性能比较; 通过构造包含噪声的场景数据集, 验证了新算法和经典算法的鲁棒性。实验结果表明该算法在计算效率和分类性能方面具有很强优势, 同时具有较好的噪声鲁棒性。