把正負(fù)樣本12×30內(nèi)的averageGray、maxPixelDiff，添加到LBPFeature后；再把梯度Mat（size(12,30)）展開(kāi)成一行添加到LBPFeature后。組成新的sampleFeatureMat，進(jìn)行訓(xùn)練。

//計(jì)算輸入圖片的最大灰度差、平均灰度、平均梯度 int calAverageGary(const Mat &inImg, int &maxGaryDiff, int &averageGrad_xy) {float averageGary;int garySum = 0;int i, j;//求平均灰度值for (i=0; i<inImg.cols; i++){for (j=0; j<inImg.rows; j++){garySum += inImg.at<uchar>(j, i);}}averageGary = (int)(garySum*1.0f/(inImg.rows*inImg.cols));//求滑窗內(nèi)的最大灰度差值double minGary, maxGary; minMaxLoc(inImg, &minGary, &maxGary, NULL, NULL);maxGaryDiff = (int)(maxGary-minGary);//求滑窗內(nèi)的平均梯度值Mat grad_x, grad_y, abs_grad_x, abs_grad_y, grad_xy; Sobel( inImg, grad_x, CV_16S, 1, 0, 3, 1, 1, BORDER_DEFAULT ); //求X方向梯度 convertScaleAbs( grad_x, abs_grad_x ); Sobel( inImg, grad_y, CV_16S, 0, 1, 3, 1, 1, BORDER_DEFAULT ); //求Y方向梯度 convertScaleAbs( grad_y, abs_grad_y ); addWeighted( abs_grad_x, 0.5, abs_grad_y, 0.5, 0, grad_xy); //合并梯度(近似) //cout<<"gary_xy"<<grad_xy<<endl;int grad_xy_sum = 0;for (i=0; i<inImg.cols; i++){for (j=0; j<inImg.rows; j++){grad_xy_sum += grad_xy.at<uchar>(j, i);}}averageGrad_xy = (int)(grad_xy_sum*1.0f/(inImg.rows*inImg.cols));return averageGary; }

結(jié)果：干擾帶來(lái)的多檢顯著減少，在LBP特征基礎(chǔ)上增加新特征（灰度值、梯度值等）前后效果如下。

? ? ? ? ? ? ? ? ? ? ? ? ? ? 融合前? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?融合后

?

總結(jié)

以上是生活随笔為你收集整理的【机器学习】LBP特征融合最大灰度差、平均灰度、平均梯度改善SVM检测效果的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。