一种融合表观与属性信息的车辆重识别方法

针对基于深度学习的车辆重识别模型缺乏提取车辆局部细节描述的能力,以及不同环境下同一车辆表观特征变化显著,增加车辆重识别的难度的问题,提出一种融合多尺度车辆表观和属性信息的重识别模型.充分利用车辆颜色和车型属性在不同环境下较为稳定且易判断的特性,将其融合到车辆表观特征中,获得强化提升的深度特征;另外使用交叉熵损失函数与Triplet损失函数构建多任务的目标优化函数对模型进行参数训练.该方法在VeRi-776车辆数据库上的实验结果表明:通过融合颜色和车型属性特征可以明显地提高车辆重识别的准确率,并可以取得优于其他大部分对比方法的性能.     

一种统计特征点网格分布的表格图像识别方法

提出一种统计特征点网格分布的表格图像识别方法 ,该方法以表格框线间的交叉点类型作为表格分类的主要结构特征 ,把表格图像外接矩形区域归一化为N×N的网格 ,并统计每一网格内各种类型特征点的分布情况 ,由此形成的N×N个向量作为表格识别的特征向量 .采用了类似度的方法作为表格分类的判别准则 ,将未知表格类型的特征向量与预先经过学习建立的表格模板库中的标准特征向量进行相似性度量 ,取其类似度最高的模板类型作为识别结果 .实验表明该方法可行、高效 .     

采用改进的尺度不变特征转换及多视角模型对车型识别

针对车型识别过程中车辆的姿态复杂以及采集图像时尺度缩放和光照等因素导致识别出现困难的问题,提出采用改进尺度不变特征转换(SIFT)及多视角的车型识别算法。该算法对尺度不变特征提取方法进行改进,并获取车型特征;通过视觉聚类对车辆进行多视角建模;利用最佳节点优先搜索算法完成特征向量的近邻搜索,并根据匹配相似度完成车型识别。实验结果表明,该算法所给出的车型识别方法具有可行性和有效性,可以在不同的图像畸变条件下保持稳定性,最终的车型识别效率也都可达到90%,所用时间要低于SIFT方法,处理时间在原SIFT方法的基础上降低了20.58%。     

基于改进SIFT算法的汽车车型自动识别

SIFT即"尺度不变特征变换"图像匹配算法,多用于虹膜、指纹、人脸识别等,在车型识别中应用较少.另外,传统车型识别多根据车辆外形、车标来区分车辆类别(客车、越野车、三轮车)和车辆品牌,较难识别车辆的具体型号.针对这个问题,本文把SIFT算法应用于车型识别中,并结合SUSAN算子对其改进,通过对不同的车脸图像做标准化处理、构建尺度空间、提取特征点、匹配关键点等流程,完成了车辆品牌以及具体型号的识别.通过实验验证,该方法能有效识别车辆具体型号,在智能交通系统的研究中具有重要意义.     

足球机器人视觉目标识别的PCA-SIFT算法

针对Robocup类人组比赛的特殊环境,为了识别比赛双方机器人,并克服光照变化、图像扭曲等问题给识别目标带来的干扰,选用尺度不变特征变换（SIFT）算法进行特征提取.由于SIFT算法的实时性差,提出改进的PCA-SWT目标识别算法,将主成分分析法（PCA）用于对经典SIFT算法中的128维描述子进行降维,并用最近邻法进行特征点的匹配.通过实验发现,经过PCA改进的描述子不仅提高了运算速度,匹配度也保持在较好的状态.     

基于Laplace谱结构特征和局部特征的图像分类

鉴于常规词袋模型中图像局部特征对图像信息表达不全面的特点,提出一种基于图像Laplace谱结构特征与局部特征相结合的图像分类方法.在提取基于图像均匀划分的Laplace谱结构特征后,对图像进行尺度不变特征变换(scale-invariant feature transform,简称SIFT)的抽取及描述;构造基于图像特征的视觉词典;根据视觉词典对图像特征进行量化,得到图像的全局特征直方图表示;构造支持向量机(support vector machine,简称SVM)分类器并进行图像分类.实验验证了该方法对图像进行分类的有效性与可行性.     

基于SIFT特征的粒子群优化的视觉跟踪算法

提出了一种基于SIFT(scale invariant feature transform)特征的表观模型更新的粒子群优化(particle swarm optimization,PSO)跟踪算法.与现有的跟踪方法不同,该算法将当前帧检测到的SIFT特征与最近更新的目标模板相匹配,估计目标的位置,然后把此位置信息融入到PSO的结果中以得到更加精确的位置估计,并把其作为新的目标模板,从而更加鲁棒地应对表观模型的更新问题.实验结果表明,提出的SIFT-PSO算法在目标发生大的运动变化和局部遮挡条件下仍然能够可靠地跟踪目标.     

基于SIFT特征矢量图的快速图像拼接方法

为了减少图像拼接方法的计算复杂度,提出一种基于尺度不变特征变换(SIFT)特征矢量图的快速图像拼接方法.该方法首先结合相位相关算法,确定待拼接图像的重叠区域,限定SIFT特征点检测范围;然后考虑特征点的空间位置信息,构建SIFT特征矢量图像,以便在特征匹配时限制匹配点的搜索范围,快速获得匹配点对.实验结果表明,该方法减少了大量的不必要搜索,提高了图像拼接速度.     

基于视觉感知的模糊C均值聚类算法

针对传统模糊C均值聚类算法对结构复杂图像分割效果不理想的问题,提出一种基于视觉感知的模糊C均值聚类算法.首先,在分析视皮层神经元感受野性质的基础上,建立视神经元细胞响应函数来计算图像的结构特征.其次,定义一种斜坡函数从仿生学的角度来模拟人眼对相对亮度变化的感知,用来计算图像中像素点与聚类中心点之间的差异.所提模型充分考虑了邻域刺激对中心神经元影响的方向性、位置相对性和周期性,比较精确地描述了图像的结构信息,有效地抑制了噪声和复杂纹理的干扰.实验结果表明,本文算法克服了传统模糊C均值聚类算法的缺点,实现了具有复杂背景图像的精确分割.     

采用稀疏SIFT特征的车型识别方法

针对实际应用中因图像清晰度低等因素导致的车型识别误差过大的问题,提出了一种基于稀疏尺度不变转换特征(sparse scale invariant feature transform,S-SIFT)的车型识别方法。该方法用背景建模方法检测交通视频运动目标,提取目标SIFT特征;通过L1约束计算出SIFT特征的稀疏编码,并用最大池化方法降低稀疏编码维度,在线性SVM分类器中完成车型分类,弥补了背景建模方法识别误差过大、不具备车型分类功能的缺陷。经G36高速公路实际应用表明:算法对车辆场景识别率可达98%以上,车型识别准确率可达89%以上,对低清晰度、不同视角、雨雪、遮挡等场景有很好的鲁棒性;图像平均处理时间不超过40ms,可满足系统对实时性的要求,在准确率和时间效率两方面均明显优于传统的SIFT方法和HOG方法。     

基于匹配分布和混合高斯模型的车辆检测算法

为解决高斯混合模型GMM（Gaussian Mixture Model）在车辆检测中存在的车辆断裂等问题, 提出了一种基于匹配度分布的混合高斯车辆检测算法。该算法采用c均值聚类法计算混合高斯模型初始值, 得到初步的背景模型； 匹配度分布的提出充分考虑了背景变化的时间性和空间性的特性； 根据前几帧检测结果得到每个点的匹配度分布, 对当前图片改变背景学习的规则, 去除了干扰, 适应了背景的变化。实验结果表明, 该算法较传统的混合高斯检测方法检测率平均提高16%以上, 使背景也更稳定和准确, 克服了车辆检测的断裂以及光照突变等问题, 提高了车辆区域检测的准确性。     

对光照变化鲁棒的快速关键点提取与匹配

利用积分图像提出一种对光照变化鲁棒的快速关键点提取与匹配方法.首先,对基于黎曼积分的对比度拉伸响应,利用积分图像进行多尺度上采样滤波,快速提取光照鲁棒的局部特征,并在多分辨率框架下基于局部极大值检测多尺度显著特征关键点.然后,使用积分图像方法对以特征点为中心对称的矩形区域快速构造协方差描述,并采用对数欧氏距离,测度2个匹配场景中所提取的关键特征点周围区域的协方差矩阵之间的差异;最后,根据稀疏匹配策略,完成2个特征点集之间的自动匹配.实验结果表明,该方法结构简单,计算快速高效,准确性较高,且对于光照变化具有较好的适应性.     

车载热成像行人检测RoI提取方法

热成像适合低照度行人检测,车载热成像背景灰度分布变化大,行人目标易与背景干扰物混淆,捕捉远距离行人困难,以双阈值分割方法提取RoI(region of interest)很难满足系统召回率和虚警率要求.针对车载热成像行人检测,提出新的RoI提取方法,包括图像预处理、RoI提取和后处理.设计膨胀最大值滤波器进行图像增强;利用Haar-like特征来改进自适应双阈值分割法进行RoI提取,设计增量计算模型以提高计算效率;设计目标时序特性和空间对称性过滤器来排除虚假RoI.与基准方法相比,当虚警率不高于40时,本文方法提高召回率49%,且RoI提取速率不低于18帧/s.     

基于自适应特征选择的夜间运动车辆检测算法

针对夜间交通环境的特点,提出了基于自适应特征选择的夜间运动车辆检测算法.首先,利用SIFT算法提取夜间运动车辆的形状特征,并融合颜色和纹理特征,得到夜间运动车辆的特征向量;其次,利用Boosting算法和遗传算法以迭代形式获取模糊规则及其权值;然后,采用Boosting算法以加权投票方式自适应选取对检测最有利的特征,从而实现自适应特征选择;最后,对夜间交通场景下3种不同道路情况进行实验.实验结果表明,在遮挡、光照及背景干扰等复杂情况下,该方法可以根据背景信息的不同自适应地选择特征,实现夜间车辆的实时检测,鲁棒性较好,可以满足智能交通系统的实时性和准确性的要求.     

基于相位角点检测的特征匹配研究

基于特征的匹配是立体匹配中最常用的方法,但是匹配结果受特征检测精度的影响较大.针对这一问题,提出一种基于相位一致性角点检测的匹配算法,该算法采用相位一致性模型对图像中的角点特征进行检测,检测结果不受亮度、对比度等因素影响,因此在不同光照环境下的多幅图像可以使用相同的固定阈值,避免了特征检测中阈值选取的困难.在此基础上,结合场景的深度信息采用图像的灰度局部区域相关系数进行特征匹配.实验结果表明,该算法获得的匹配结果具有很高的正确匹配率.     

基于SIFT,PCA-SIFT和SURF特征检测方法的研究

文章对SIFT,PCA-SIFT和SURF三种鲁棒性较强的特征检测方法作对比.文中运用KNN（K-Nearest Neighbor）和RANSAC的方法对这三种方法进行分析.其中KNN用于寻求匹配对,RANSAC用于从匹配对中剔除错误匹配.特征检测性能的鲁棒性主要是对图像旋转、图像模糊、光照变化、尺度变化下的图像进行测试.在各种图像变换中SIFT都体现出了稳定性,但计算速度相对比较慢.SURF不仅与SIFT的性能相一致,而且还拥有较快的计算速度.PCA-SIFT在图像旋转和光照变化中有较好的性能.     

一种基于单张图像的烟雾检测算法

为了提高烟雾检测的准确性,有效排除图像中类似烟雾的区域,降低由于环境和光照不同而产生的误检率,提出一种基于颜色矩并结合邻近算法进行分类学习的方法,对图像中的烟雾进行检测,该算法能克服光照不同、背景复杂的干扰,有效消除疑似烟雾区域的存在。算法由两部分构成:烟雾颜色矩特征的提取和利用邻近算法对特征数据集进行分类学习,自动找出并正确标记新的测试图像中烟雾区域的位置。     

基于特征组合的视觉目标跟踪

针对大多目标跟踪算法仅关注目标特征的问题,提出同时采用目标特征及背景特征对目标进行跟踪.针对场景中灰度和梯度特征在跟踪过程中其分类性能动态变化,首先计算各特征似然度,然后根据各特征分类性能计算特征权重,求取加权似然图.根据该似然图,结合粒子滤波算法,进而确定待跟踪目标位置与尺寸.仿真结果表明,该方法对环境光照变化、目标尺寸变化、局部遮挡等均具有一定的鲁棒性.     

A robust face recognition method using multiple features fusion and linear regression

This paper presents a robust face recognition algorithm by using transform domain-based multiple feature fusion and lin- ear regression. Transform domain-based feature fusion can provide comprehensive face information for recognition, and decrease the effect of variations in illumination and pose. The holistic feature and local feature are extracted by discrete cosine transform and Gabor wavelet transform, respectively. Then the extracted holistic features and the local features are fused by weighted sum. The fused feature values are finally sent to linear regression classifier for recognition. The algorithm is evaluated on AR, ORL and Yale B face databases. Experiment results show that our proposed algo- rithm could be more robust than those single feature-based algo- rithms under pose and expression variations.     

人体行为识别特征提取方法综述

行为识别的过程很大程度上可以看作特征提取与分类器相结合,故特征提取方法的优劣直接影响最终识 别效果。与静态图像物体识别相比,视频中人体行为识别特征提取更易受到动态背景、采集设备运动、视角和 光照等因素影响人体,从而对研究人员的工作提出了很大挑战。为此,综合了近几年对行为识别特征提取系 统分类和不同类型行为识别特征提取方法以及常用行为识别数据库等领域研究的最新进展,探讨了目前研究 难点,阐述了与未来可能的研究发展方向。