基于纹元森林的视觉词袋模型在图像分类中的应用

引入纹元森林(semantic texton forest,STF)的视觉词袋模型,联合基于金字塔匹配核的支持向量机,实现图像分类.首先对图像进行采样,提取SIFT(scale-invariant feature transform)特征,然后导入纹元森林构造视觉词典,统计视觉单词出现的频率构建语义词袋模型,最后利用支持向量机进行训练得出分类结果.实验在MSRC21(Microsoft research cambridge)图像库上进行,通过优化实验中的关键参数,引入加权的不平衡训练,提高了图像分类精度.实验结果表明,基于纹元森林的视觉词袋模型具有良好的图像分类效果.     

一种基于递增权值函数的图像谱的匹配算法

文章提出了一种基于递增权值函数的图像谱的匹配算法,利用递增权值函数,分别对2幅待匹配图像的特征点构造Laplace矩阵,其次进行SVD分解;通过分解后的矩阵特征值和特征向量,寻找匹配矩阵,根据匹配矩阵的特征信息,实现2幅图像特征点之间的匹配;通过对Laplace矩阵和邻接矩阵比较实验,表明了Laplace谱能使发生刚体变换前后的图像获得更高的匹配精度,递增权值函数的Laplace谱比欧式距离的Laplace谱匹配精度要高。     

基于K中心算法分层视觉词典树构造方法

视觉词典树是通过视觉词袋(Bag of Visual Words,Bo VW)模型将一组图像形成单词表征场景。它主要通过聚类算法构造视觉词典树,为了改进K-Means在寻找聚类中心的过程中受到噪声异常维度的干扰,基于K中心算法提出了一种分层视觉词典树构造方法。该方法提出了从每次迭代后的聚类特征点中随机地选取新的中心点,可避免因噪声异常维度使计算中心点位置时有较大误差,从而可提高聚类质量,使类簇更加紧凑。在图像的分类实验中,分别使用K-Means和K中心算法对构建的视觉词典树进行性能评价,实验结果证明通过K中心算法构造的分层视觉词典树可有效提高图像分类准确率。     

基于融合SIFT特征和二次聚类视觉词典生成的场景分类方法

在传统SIFT(scale-invariant feature transform)特征检测算子基础上,增加部分伪极值点和非极值点作为特征点,提出融合SIFT特征检测算子.该算子能够提取图像中更多特征点,并使特征点在图像上分布均匀;然后在生成视觉词典前,对每幅图像的特征单独进行聚类,使视觉单词包含更多的场景信息,并缩短视觉词典的生成时间;最后使用PLSA(probabilistic latent semantic analysis)主题生成模型实现场景分类.在标准图像集上进行的对比实验表明:该方法的分类性能有一定提高,并且对多个不同场景的表现较为均稳.     

基于图的Laplace矩阵和非负矩阵的图像分类

文章将图的Laplace矩阵和非负矩阵分解方法结合起来,应用于图像分类.对不同的图像先提取其特征点,再对提取得到的特征点构造图的Laplace矩阵,将构造的矩阵进行非负矩阵分解后得到图像的特征向量,最后将特征向量输入到PNN分类器中,对图像进行分类.对模拟图像和真实图像进行了多组实验,结果证明了该算法应用于图像分类的准...     

基于视觉语义与RSSVM的图像检索

以图像的视觉语义为基础,设计了一种新的空间转换模型,提出了一种新的图像语义描述方法.首先,采用NCut方法对图像进行分割,提取每个区域的颜色、纹理与形状等视觉特征;再用K-Means聚类方法对训练集中所有的视觉特征进行聚类,称聚类中心为视觉语义(Visual Semantic,VS),用来构造投影空间;然后通过所定义的非线性函数,将每幅图像向投影空间作映射,得到图像的投影特征;最后,为了提高分类器的训练效率与性能,先采用RS(粗糙集)方法对投影特征进行属性约简,再用支持向量机(SVM)进行学习和分类.基于Corel图像集的对比实验结果表明,该方法性能受聚类数的影响不大,鲁棒性强,且性能优于其它方法.     

基于改进BOF算法的图像识别和分类

对bag of features(BOF)算法进行研究与改进,并将其应用到图像识别和分类中。针对传统BOF算法执行效率低以及分类精度不够高等缺陷,提出一种结合SURF(speeded up robust feature)与空间金字塔匹配原理的优化方法相结合的图像识别与分类算法。SURF算法可提高执行效率,而空间金字塔匹配原理的优化方法可提高分类精度。首先对分类图像应用SURF算法提取特征描述符并生成视觉词典,该算法提取的视觉词典能更有效地表示图像特征,且能应对多变的尺度;然后应用空间金字塔匹配原理对图像采用视觉词典的直方图表示,进一步提高分类的准确度;最后利用LIBSVM分类器进行分类。在Graz,Caltech-256和Pascal VOC 2012这3个数据集中进行实验测试。研究结果表明:该方法与传统的BOF算法相比提高了执行效率和分类精度。在数据实验中通过与近几年一些相关研究工作在分类准确率方面进行对比,该方法具有很大的优越性。     

基于有序视觉词袋模型的图像相似性衡量

针对当前广泛应用的BOVW模型存在精度不足问题,提出一种基于有序视觉词袋模型的相似性衡量方法.首先,对经过K-mean聚类得到的高维视觉单词,采用LLE(locally linear embedding)流形学习算法降至一维,对一维数据进行排序,并以此顺序对高维单词排序获得有序词袋库;其次,对样本图像的所有局部特征,以该特征在词袋中对应的有序单词索引号构建图像局部特征谱;最后,对训练样本和测试样本的局部特征谱作差求得残差,并以残差的1-范数衡量图像的相似性.KITTI数据集相似性衡量实验表明,有序BOVW模型相似性识别率明显高于无序BOVW模型.     

基于模糊度量视觉特征的非局部均值去噪

针对非局部均值(non local mean,NLM)相似性度量不够准确的问题,提出一种基于模糊度量的视觉特征相似度的改进非局部均值图像去噪算法.利用模糊度量理论构建视觉特征度量相似性函数作为衡量图像像素点相似性;将平滑核函数代替高斯加权核函数,提高运算速度和避免滤波参数的设置;利用构建视觉特征相似性度量生成的平滑核函数,对图像进行去噪.由于改进方法考虑图像视觉结构特征,更加完善了非局部均值结构相似的特点.在高斯噪声和椒盐噪声下,用峰值信噪比(peak signal to noise ratio,PSNR)和结构相似性(structural similarity index,SSIM)评价指标分别对比分析提出方法与几种优秀的改进NLM方法的降噪性能.实验结果表明,改进的新方法在去噪性能方面得到较高的提升,同时降低了相似度计算的复杂度和减少了参数设置问题.     

基于局部像素特征分类的图像分割算法

图像分割是模式识别、计算机视觉等领域的重要研究内容,也是图像信息处理的难点和热点之一.以孪生支持向量机(TSVM)与极坐标复指数变换(PCET)理论为基础,提出了一种基于局部像素特征分类的图像分割算法.该算法首先对局部像素窗口进行PCET,并将PCET系数幅值作为图像的像素级特征;然后利用指数交叉熵阈值技术确定训练样本,并进一步训练出TSVM分类模型;最后利用已获得的TSVM分类模型对原图像像素进行分类处理,从而获得图像的最终分割结果.实验结果表明,该算法可以获得较好的图像分割结果.     

外耳形状特征和内耳结构特征结合的人耳特征提取

针对人耳的生物特征提出了一种人耳的形状特征和结构特征相结合的识别方法. 首先提取外耳最长轴,即外耳轮廓边缘点的最长连线. 利用外耳长轴把外耳曲线分成两部分,用最小二乘法对这两段曲线分别进行多项式曲线拟合,拟合多项式函数的系数作为外耳特征向量. 同时长轴与内耳曲线的交点作为内耳特征点,特征点之间连线的长度与长轴长度的比值作为内耳特征向量. 长轴的相对不变性保证了特征向量具有缩放、平移和旋转不变性. 实验结果表明此方法在噪声情况下具有较强的鲁棒性.     

轴类零件制造特征分类及特征信息模型

通过分析轴类零件的工艺和特点,归纳出轴类零件的特征．总结出30种不同特征间的关系及其联结和定位关系．描述了详细的特征信息,建立了独特的、用XML格式描述的特征信息模型,并创建XML格式的文档,用以配合后序的CAPP系统读取XML文档数据．     

高维特征集选择模型研究

特征选择是机器学习和模式识别等领域一个关键问题。而高维特征选择又是当今研究的热点和难点。从高维特征选择的模型出发。详细说明高维特征选择所采用的各种算法类型。并分析了该模型的优劣。     

一种鲁棒的二进制图像特征点描述子

为了提高特征点匹配的速度,采用二进制方法生成特征点描述,并对描述子进行了尺度和旋转适应性改进.使用特征点邻域小块中随机点的强度对比生成描述,描述子的相似度以Ham-ming距离度量,以二进制运算提高算法的时间性能.为了检验算法在视角、旋转及尺度变化时的性能,采用Wall和Graffiti图像集及相应的旋转和尺度变换图像集对算法进行测试,得到该算法在各图像集上的匹配准确率,并与SURF算法得到的结果进行比较.结果表明,在2幅图像间进行特征点匹配时,该算法的特征点描述生成时间和匹配时间分别为1 043.67和4 313.36 ms,而使用SURF算法时的相应时间分别为3 950.34和9 951.03 ms,说明该算法的时间特性明显优于SURF算法.此外,在绝大多数测试集上,该算法的匹配准确率明显高于SURF算法.     

基于统计特征融合的人脸识别

从理论上分析了PCA分析的主元特征向量仅仅表示了图像的整体信息,不能表示图像的微小变化,而非零最小特征向量仅仅反映了图像的细微变化,将主元特征向量和非零最小特征向量进行有机的结合,并用于人脸统计识别. 试验结果表明,本文介绍的方法比PCA的人脸识别方法优越, 在一定程度上克服了人脸姿态表情的影响.     

基于多尺度特征选择与融合的目标检测方法

针对多尺度目标检测中特征图特征混淆和特征丰富程度不足的问题,提出一种基于多尺度特征选择与融合的目标检测算法。设计了一个特征选择模块来分离出不相关的特征,并结合特征金字塔网络形成特征选择网络结构,降低特征图中不同尺度目标的局部特征对当前尺度特征的干扰;提出一种浅层特征融合方法,将浅层特征逐级融合到较深层级特征中,解决特征图的特征不够丰富问题。结合特征选择架构和浅层特征融合架构,在PASCAL-VOC2007数据集上进行测试,结果mAP达到了80.1%。相较于基础的单阶段目标检测(single shot detection,SSD),所提算法的网络性能可提高2.9%,且在一些小目标和遮挡目标的检测效果上有明显的提升。通过对比和消融实验,证明了所提方法的有效性。     

基于主题特征的Email分类研究

针对基于词语特征的Email分类综合性能（F-score）较低的问题,提出一种基于主题特征的Email分类方法.该方法利用领域知识及统计信息,从Email的词语特征空间中提取主题特征,并利用提取出的主题特征实现Email分类.通过对1080封Email进行分类测试,结果表明,由于主题特征能够更加准确地表达Email的主题思想,因此,与基于词语特征的分类方法相比,该方法在针对Email的全文及标题实现分类时,将平均F-score分别提高了13.16%和17.16%,从而使平均F-score提高到72.37%,基本可以满足实际应用的需求.     

一种人脸面部特征的提取方法

在人脸精确定位的基础上,将提取出的面部图像进行积分投影,然后结合驾驶员疲劳时所特有的面部特征,有效地把人脸的特征器官区分开来,定位司机眼睛和嘴巴的位置,并且将其从面部图像中提取出来。     

基于特征贡献度的特征选择方法在文本分类中应用

在目前的文本分类问题中,特征选择方法被认为是提高分类精度和效率的一种有效方法.提出了一种基于特征贡献度FCD（feature contribution degree）的特征选择方法,本方法将某个特征对于类别之间区分能力的贡献度大小作为该特征被选取的条件,特征对于某一类别的FCD值为特征在该类中出现的文档数与在所有类别中出现的文档数的比值.对该方法进行了实验,并与一些常用的特征选择方法进行了比较,实验结果表明该方法具有更好的分类效果.     

基于特征融合的改进粒子滤波目标跟踪算法

针对复杂背景下单一的颜色特征不能准确跟踪目标的问题,提出了一种改进的目标跟踪算法。该算法利用跟踪目标的颜色特征和运动边缘特征来表示目标。在粒子滤波的框架下融合特征信息从而进行目标跟踪,能够有效地避免单一颜色特征在跟踪过程中受到相似背景、遮挡等问题的干扰。通过与基于单一颜色特征跟踪实验误差数据的分析,实验结果表明该算法在复杂背景以及目标遮挡等情况下能达到较好的目标跟踪效果,实现目标的准确跟踪。