基于多尺度深度卷积特征的图像检索

为了检索图像中不同位置和不同大小的感兴趣目标,提出一种基于多尺度深度卷积特征的图像检索方法.首先利用卷积神经网络构造一个深度学习框架,利用随机梯度下降和后向传播算法训练深度学习模型;其次利用训练得到的模型提取图像在不同尺度下的卷积特征,对不同尺度下的卷积特征进行PCA降维,研究降维后的检索性能;最后为了提高深度特征对图像的刻画能力,对不同尺度下降维后的卷积特征进行特征融合.大量的实验表明本文所提算法对图像检索是有效的.     

广义二维PCA和稀疏表示的红外行人目标检测

红外行人检测在夜间智能视频监控,车辆安全驾驶等领域有重要应用。为了解决红外图像特征降维后空间结构信息丢失的问题,提出一种基于广义二维主分量分析（principal component analysis,PCA）和稀疏表示的红外图像行人目标检测算法。该算法主要由2个阶段组成：第1阶段利用广义二维主分量分析方法提取图像的二维主特征分量,并由此构造行人目标的超完备特征字典;第2阶段采用滑动窗口的方法得到图像中局部子图,然后利用基追踪算法求解每个局部子图的稀疏表示系数向量,最后定义一个函数度量每个子图存在行人目标的可能性,并设置相邻标记框的最小距离得到整幅图像最终的检测结果。实验结果表明,该方法能够有效地检测红外图像中的行人目标,具有较好的检测效果。     

基于深度中心匹配哈希网络的足迹压力图像检索

以赤足足迹压力图像为研究对象,采集了40人的5 230幅赤足足迹压力图像,在具有较低存储消耗的哈希算法基础上,结合深度学习方法设计了一种深度中心匹配哈希(DCMH)网络实现足迹的检索．该网络首先根据足迹压力图像的特点构建深度特征融合模块,提取反映足迹形态结构的全局特征和压力分布的局部特征,并将两种特征进行融合;然后在哈希编码模块通过全连接层将融合后的特征映射为1 024维特征向量,并通过哈希层生成哈希码;在网络优化过程中通过构建深度中心匹配损失函数从而减小哈希码与对应哈希中心之间的距离．深度中心匹配损失函数通过伯努利分布生成哈希中心,设计对数中心损失函数减小同类足迹压力图像数据哈希码与哈希中心的距离,并设计相似性损失函数作为正则化项约束每个批次数据间的相似性关系．通过在40人的赤足足迹压力图像数据上进行图像检索实验,本文算法检索结果的mAP可以达到0.99,优于传统的哈希算法及常用的深度哈希算法,为足迹的进一步的现场应用提供技术支撑．     

分块PCA在脸像识别中的应用

鉴于整幅人脸图像主成分提取（PCA）特征脸算法的高计算复杂度,本文提出了基于分块PCA的脸像识别算法,先对每幅脸像等分成相同的块,再对各子块图像预处理,采用像素均值法的降采样和能量归一化处理以降低维数和消除光照的影响,再合并成一个向量,将预处理得到的向量进行PCA降维,最后采用k-近邻分类器进行分类识别。在Yale人脸库中实验结果表明该方法的有效性。     

基于自适应局部保持映射的图像特征降维算法

针对基于颜色特征的图像检索中的图像特征降维问题,提出了自适应局部保持映射(ALPP:Adaptive Locality Preserving Projection)的图像特征降维算法.在考虑了每个特征向量与其近邻关系的基础上,通过研究贝叶斯准则在图像分类中的作用,将聚类引入降维算法中,解决特征空间维数的自适应确定问题.使降维结果既保证了最大化地消除高维向量间的相关性和冗余度,又不破坏原始数据近邻间的拓扑结构.实验结果表明,对Coral图像库,应用HSV直方图特征,在查询返回图像为50幅的情况下,基于ALPP算法图像检索的查准率为67.7%,查全率为57.3%.相对PCA(Principal Component Analysis)算法的查准率(45.8%)和查全率(49.2%),具有较高的检索精度.     

嵌入式人脸识别系统的开发

人脸识别过程中需要处理大量图像特征数据和进行复杂的计算,很难直接在处理能力较弱的嵌入式平台上实现。在Tiny6410嵌入式平台采用OpenCV人脸类Haar特征进行人脸区域检测,PCA降维算法快速提取人脸特征,欧氏距离进行人脸识别,减少了人脸识别过程中的数据量和计算,在嵌入式平台上开发了一套人脸识别系统。识别结果显示:该系统运行稳定,识别率高。     

基于伪模块2D PCA的人脸识别方法

在模块2D PCA方法的基础上提出了伪模块2D PCA的人脸识别方法.该方法不仅保留了模块2D PCA方法在特征抽取之前无需将图像矩阵转化为图像向量、能快速降低鉴别特征的维数、可以完全避免使用矩阵的奇异值分解等优点,而且在降维的同时尽可能保持了原样本的变化信息,使得降维后的同类数据样本尽可能保持相似.在ORL人脸数据库上的实验结果表明,伪模块2D PCA在识别性能上优于模块2D PCA.     

基于LLE和PCA的人脸识别算法研究

用PCA算法对非线性结构的高维数据(如人脸图像)进行降维,会破坏其局部结构信息.而采用LLE算法对其进行降维,又会保留大量的冗余信息,并且算法不具有可扩展性,从而达不到预期的降维效果.为了克服PCA算法和LLE算法的这些缺点,我们提出将LLE算法与PCA算法以及径向基神经网络相结合的LPR算法,并将该算法分别与LLE算法和PCA算法进行实验比较.结果表明,LPR算法在保证较高识别率的同时,大大提高了算法效率.     

基于特征优选和图像相似度的人体动作识别算法

有效提取特征有利于提高后续人体动作识别的准确率。针对人体动作识别时方向梯度直方图(histogram of oriented gradient,HOG)特征维数过高和相似动作不好区分的问题,提出一种基于特征优选和图像相似度的人体动作识别算法。实验对比三种降维方法主成分分析法(principal component analysis,PCA)、PCA+Pearson、PCA+Spearman处理后的动作识别率,证明PCA+Pearson相关系数的降维效果最佳。同时将全局特征八星模型与降维后的局部特征HOG特征组合在一起全面表征人体动作,并计算相邻两帧图像相似度,自适应分配一个判别周期内单帧支持向量机分类结果的统计权值,最后二次分类人体姿态识别结果。在标准数据集KTH上进行实验,该算法识别准确率为94. 5%,较其他方法有所提高,在视频人体动作识别领域有较好应用价值。     

基于信息熵的局部二值模式手指静脉识别

为进一步提升手指静脉识别算法的识别率与识别速度,在图像处理阶段,提取出手指图像的感兴趣区域(region of Interest, ROI),减少手指周围区域的干扰。为提升识别率,在局部二值模式 (local binary patterns, LBP)的基础上,引入像素邻域之间的关系,增强LBP的识别性能;然后将信息熵与改进型LBP结合得到新的ELBP特征,最后采用主成分分析(principal component analysis,PCA)降维,以减少识别时间,去除冗余特征。通过对比欧氏距离与曼哈顿距离构建的分类器,与其他主流特征比较,验证算法的识别性能。在SDUMLA数据库与天津市智能实验室采集指静脉图像数据库上,保证了算法的识别速度前提下,分别取得了99.53%、99.84%的识别率,与其他识别算法相比识别率有明显的提高。     

一种改进的SIFT-PCA算法在图像检索中的应用

针对SIFT算法(尺度不变特征)提取出的图像特征点向量维数较多造成计算量较大、检索效率低等问题,提出一种SIFT和改进的主成分分析(Principal Component Analysis,PCA)相结合的SIFT-PCA算法。该算法首先采用SIFT算法提取图像特征点向量,然后利用改进的PCA算法把特征点向量变换到另一个空间,得到最具有代表性的特征参数,实现对特征点向量的降维。此算法在保证原SIFT算法鲁棒性的同时减少了计算量,增强了实时性。实验结果说明了该算法具有尺度、平移、旋转、光照不变性,在图像检索中应用切实可行且效果良好。     

一种新的彩色图像降维方法

基于内容的图像检索(CBIR)是图像检索的重要分支，而基于颜色的特征提取是CBIR的常用方法之一．如果对图像颜色的特征数提取过多、维数过大，则不利于对图像的快速匹配．本文将图像的色彩直方图作为输入向量，然后采用局部线性映射(LLE)算法对原始数据进行降维，并分别在4种色彩空间下对降维后的彩色图像进行分类．实验证明，在处理非线性数据降维时，LLE较主成分分析(PCA)具有明显的优势．     

基于图像欧氏距离流形降维的端元提取算法

由于多重反射和散射,高光谱图像中的混合像元实际上是非线性光谱混合传统的端元提取算法是以线性光谱混合模型为基础,因此提取精度不高针对高光谱图像的非线性结构.本文提出了基于图像欧氏距离非线性降维的高光谱遥感图像端元提取方法该方法结合高光谱数据的物理特性,将图像欧氏距离引入局部切空间排列进行非线性降维以更好的去除高光谱数据集中冗余的空间信息和光谱维度信息,然后对降维后的数据利用寻找最大单形体体积的方法提取端元.真实高光谱数据实验表明,提出方法对高光谱图像端元提取具有良好的效果,性能优于线性降维的主成分分析算法和原始的局部切空间排列算法.     

基于分类器的身份证号码识别研究

目前,许多场合下需要进行身份证自动识别,因此准确识别身份证号码是一个有待重点研究的问题。本论文利用分类器进行识别身份证号码,将从两部分介绍身份证号码分类识别方法,第一部分是解释分类器(距离分类器、最小类间距分类器与最大后验概率分类器)的分类公式。第二部分是对图像首先进行主成份分析(PCA)方法进行特征降维,再运用分类器识别身份证号码图像。通过实验结果证明,身份证号码图像经过PCA特征降维后,分类器可以获得很好的分类效果。     

基于互信息可信度的主成分分析数据降维

数据降维就是将数据集从高维特征空间向低维特征空间的映射.传统的主成分分析(PCA)算法是一种常用的线性数据降维算法.但是耗时太长,降维结果不够好,同时不能满足实际分类要求.为此,通过引入互信息可信度,提出了一种基于互信息综合可信度的主成分分析(MIS-PCA)数据降维算法.该算法首先介绍互信息(MI)、相对互信息可信度(MIR)和绝对互信息可信度(MIA)的思想;然后根据MIA和MIR求解互信息综合可信度(MIS),利用互信息综合可信度进行特征筛选;最后再运用PCA算法对处理后的数据进行降维,并将降维后的数据采用KNN、SVM算法进行分类.对比PCA、E-PCA算法,通过试验表明该方法的降维结果较好、分类精确度较高.     

基于SLIC-DPC算法的车辆检测研究

针对密度峰值聚类算法存在对噪声敏感,在图像较大时检测时间较长等问题,以停车场车位为检测研究对象提出一种简单线性迭代聚类-密度峰值聚类算法。首先对线性迭代聚类算法中颜色与空间距离值进行分析;接着运用主成分分析算法对图像的特征矩阵进行降维;其次改进线性迭代算法的距离函数以处理像素边界和形状;最后将算法运用于停车场车辆检测,得到最终检测图像。实验结果表明,本文方法在车辆形状保留度、噪声处理等方面效果显著,且运算时间大大降低。     

一种基于SURF和扩展哈希的空间约束图像匹配算法

图像匹配是计算机视觉中一个重要的研究方向,是图像拼接、图像检索等相关应用的基础工作。如何实现快速、高效的图像匹配技术是本文的主要研究内容。提出一种基于SURF和扩展哈希的空间约束图像匹配算法,为了提高特征检测的速度,首先提取SURF特征描述图像局部特征,然后在局部敏感性哈希算法基础上,提出一种改进的高维数据搜索算法,该改进算法变换局部敏感性哈希的投影空间,使变换后的每一维特征数据都比原算法具有更好的局部敏感性。最后采用空间约束RANSAC算法剔除误匹配点,进一步增加算法的鲁棒性。实验结果表明,本文提出的算法与传统算法如BBF、LSH以及iDistance等算法相比具有更优的搜索效率,在一定程度上提高了图像匹配的性能。     

基于小波变换和改进PCA的人脸特征提取算法

针对在人脸图像高维数据降维时单纯使用主成分分析(PCA)算法的提取精度和速度受限问题,  提出一种基于小波变换和改进PCA的混合特征提取算法. 该方法首先对人脸图像进行小波分解, 选取低频分量对人脸图像进行特征提取;然后利用改进的PCA算法进行主成分提取, 获得代表人脸特征的特征向量; 最后将该算法应用于Olivetti Faces人脸库数据集的图像分类. 实验结果表明, 经过该混合算法处理后的图像特征数据, 由卷积神经网络(CNN)算法分类识别时准确率提升10%, 识别速度提高约37%.     

铸坯质量缺陷预测的特征降维方法研究

为提高铸坯质量预测的准确率,本文提出了一种基于最大信息系数(MIC)和主成分分析(PCA)的两阶段特征降维方法。采集某钢厂铸坯生产过程数据,根据冶金原理得到铸坯夹杂类质量缺陷的影响因素,构造原始特征集。第一阶段进行特征选择,使用随机森林分类器的分类准确率来评价ReliefF、IG和MIC三种算法的特征选择效果,结果显示,基于MIC度量指标选出的特征维度更低、分类准确率更高。第二阶段使用PCA方法对特征选择后的特征集进行降维,并将其与原始特征集、MIC、PCA算法的分类准确率进行比较,结果表明,本文提出的基于MIC和PCA的两阶段降维方法优于其他算法,能有效降低原始特征集的维度并提高对铸坯夹杂类质量缺陷的预测精度。     

Hadoop下煤矿图像PCA-SIFT算法改进及研究

大数据技术是当下热点问题,其中,Hadoop技术在煤矿领域的应用也引起了广泛关注。针对传统煤矿视频监控系统图像采集点多,单机环境煤场景矿图像特征提取效率低下等问题,提出了一种基于Hadoop的PCA-SIFT图像特征并行提取算法,该算法采用PCA算法对并行提取的煤矿图像的SIFT特征进行了并行降维处理。使用汾西矿务局煤矿图像井下数据集进行实验,提出的算法SIFT特征点检测效果好,运行耗时少,图像数量加剧后,系统加速比几乎呈线性增长的趋势,验证了算法处理大规模煤矿图像数据的有效性。