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.     

一种基于TF-IDF和ORB的改进闭环检测算法研究

针对视觉SLAM闭环检测过程中由于感知歧义导致的闭环不准确问题,基于TF-IDF方法提出了一种带权重的计算两幅图像相似性得分的算法,用于视觉SLAM的闭环检测研究;首先在特征点检测时,为了得到均匀分布且重叠点较少的特征点,使用FAST角点检测方法得到关键点,而后对关键点进行非极大值抑制;其次使用改进的算法计算两幅图像间带权重的相似性得分;最后根据场景图像的特征,进行闭环确认,进一步剔除错误闭环。实验通过搭建平台和使用标准数据集进行测试,证明了改进的闭环检测方法能够有效提高闭环的识别率与准确率。     

一种基于二进制分辨矩阵的视觉单词约简方法

针对图像场景生成视觉词典过程中产生冗余视觉单词而导致分类误差的问题,提出了一种基于二进制分辨矩阵的视觉单词约简方法。该方法首先通过调整归一化阈值α的取值,生成关于训练图像初始视觉词典不同的0-1信息决策表和二进制分辨矩阵,然后以二进制分辨矩阵行列方向1的个数作为启发信息,将二进制分辨矩阵行方向上只有一个1的视觉单词作为核视觉单词,列方向上1出现总数最大的视觉单词作为重要视觉单词,并将这些视觉单词构成的集合作为描述图像分类的决策规则。最后采用OT8作为数据集,实验验证了该方法能够有效减少冗余视觉单词对图像场景分类的影响,提高图像场景分类的精度。     

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.     

一种点线特征融合的双目同时定位与地图构建方法

基于特征点的视觉同时定位与构图方法依赖于图像质量以及可提取的特征点数量,且稀疏的特征点不能直观表达环境的结构信息。为此,提出一种将图像的点特征和线段特征融合的双目同时定位与构图方法。算法前端提取图像的点特征和线段特征,进行特征跟踪并完成相机位姿求解,从跟踪线程中分离出特征提取线程,进一步提升了前端线程的帧率。后端采用集束调整对局部地图进行优化,利用基于词袋模型的闭环检测以抑制系统的累积误差。最后结合点线特征共同构建环境地图。在公开数据集上进行了实验,与当前主流算法相比,提出的算法在保证定位精度的同时能够获得更丰富的环境地图,具备较好的鲁棒性与实时性。     

基于局部视觉单词分布的成人图像检测

为克服成人图像基于低层视觉特征识别产生的大量误检情况,在检测中引入了图像的局部形态特征.将图像中突出的局部形态量化为视觉单词,并消除了视觉单词中的多义和同义现象.然后对测试图像建立了视觉单词敏感度分布缩图,从中获知与色情信息高度相关的区域.通过分析这些区域的色情相关性,判断图像是否为成人图像.在与传统类型方法的对比实验中,该策略显著提高了检测性能,特别是减少了很多对人物类图像的误检.实验结果表明,基于分析局部视觉单词分布的策略,能有效提高成人图像识别系统的性能.     

一种基于图像匹配的闭环检测方法

为提高较大规模环境下同时定位与地图创建闭环检测的鲁棒性和实时性,提出一种基于单目视觉的闭环检测方法.利用尺度显著算法选择图像的感兴趣区域,对显著特征区域再选择后,通过提取图像尺度不变特征进行图像匹配以实现闭环检测,解决了特征匹配计算量过大对数据关联的速度影响问题.     

基于Surf和改进颜色矩的服装图像检索算法研究

针对单一算法检索效率不高的问题,提出一种新的基于Surf和改进颜色矩的服装图像检索算法,采用改进的目标颜色矩进行服装图像特征筛选,对目标进行预定位,进而采用Surf算法进行特征点匹配检索出目标图像,仿真结果表明,该算法图像检索时间比单一算法缩短了62.5％,效率提高了166％,比基于单一Surf或者颜色矩的检索算法更具...     

几种斑点检测算法及其性能比较

斑点检测是计算机视觉的重要内容，图像变换主要包括几何变换、尺度缩放和光照变换等，文章针对常用的几种图像斑点检测算法进行讨论．通过Matlah仿真比较几种算法的性能得出结论，Surf算法在图像斑点检测中具有明显的优越性．能够提高系统的实时运算速度，     

一种改进的SIFT特征点匹配算法

提出一种改进的SIFT特征点匹配算法.以提高图像特征点匹配算法效率为目的,研究了SIFT特征点描述子基于欧氏最小距离测度的匹配算法.由于SIFT特征点检测算法检测到的特征点数量较大,且每个特征点描述子都是128维的向量,而基于欧氏最小距离测度的匹配算法要求,待匹配第一幅图像的每个特征点要和待匹配第二幅图像的所有特征点求距离,排序后寻找极值,这导致了算法效率较低.依据光学成像理论和双目视觉理论,由第一幅图像每个特征点的坐标,从行列两个方向缩小第二幅图像待匹配特征点坐标的搜索范围,在保持匹配精度的基础上,提高了算法的效率,算法速度约是原算法速度的2.7倍.     

无人飞行器双目视觉位姿估计算法改进与验证

针对无人飞行器(UAV)在未知复杂环境下的导航问题,提出一种基于双目视觉的UAV位置和姿态估计算法.利用基于非线性尺度空间的KAZE特征构建立体图像对的特征点检测与描述,用Knn算法进行特征点匹配,导出相机坐标系下特征点三维坐标,用随机抽样一致(RANSAC)算法与L-M迭代算法获得UAV姿态和位置估计值.实验验证结果表明,基于KAZE特征的UAV双目视觉位姿估计算法的准确性、实时性与可重复性好,能满足UAV实时导航要求.     

图像内部Move-Copy篡改盲取证算法研究

针对一般Move-Copy图像篡改取证算法低鲁棒性特点,提出新算法.首先利用颜色不变量检测特征点位置,提高特点的数量和取证结果的召回率;其次用RGB颜色通道扩充Surf描述子向量维数,提高特征向量的健壮性和鲁棒性;然后定义噪声敏感系数判断图像噪声点并对之进行预处理;接着利用序贯相似性检测算法对特征点进行配准以提高配准速度;最后利用肯德尔系数和四条假设对取证结果进行约束,得到最后结果.实验结果表明,本文算法取证准确率较高,鲁棒性强,具有较强的取证说服力.     

基于稳健特征点的立体视觉测程法

提出一种基于稳健特征点的立体视觉测程法完成机器人自主高精度定位.从可重复性、精确性和效率3个方面比较多种局部不变特征算法性能,采用稳健特征算法AKAZE(AcceleratedKAZE)提取特征点.提出了一个稳定的特征点匹配框架和改进的随机抽样一致性算法(Random Sample Consensus,RANSAC)去除外点,使文中的视觉测程法可以应用于动态环境中.基于几何约束的分步自运动估计可提供相机运动的精确信息.将提出的方法在KITTI(Karlsruhe Institute of Technology and Toyota Technological Institute)数据集上和复杂校园环境中所采集的立体视觉数据集上进行测试,与经典立体视觉测程方法比较,文中的方法更好地抑制了误差累计,运动估计结果满足实时高精度定位系统需求.     

基于SIFT的视觉单词在人脸识别中的研究

近年来,基于视频的人脸识别吸引了很多人的关注,同时,视觉词袋(BoWs)模型已成功地应用在图像检索和对象识别中。提出了一种基于视频的人脸识别的方法,它利用了视觉单词,在经典的视觉单词中,第一次在兴趣点提取尺度不变特征变换(SIFT)的图像描述;这些兴趣点由高斯差分(DoG)检测,然后基于k均值的视觉词汇生成,使用视觉单词的索引以取代这些描述符。然而,在人脸图像中,由于面部姿势失真,面部表情和光照条件变化,SIFT描述符不是很好。因此,使用仿射SIFT(ASIFT)描述符作为人脸图像表示法。在Yale及ORL人脸数据库上的实验结果表明,在人脸识别中,基于仿射SIFT描述符的视觉单词方法可以获得较低的错误率。     

基于特征点校正的几何鲁棒性水印算法

提出了一种基于SIFT特征点几何校正的抗几何攻击水印算法.该算法首先利用SIFT从原始图像中提取特征点集,并将其作为密钥保存;水印在检测前,再用SIFT从含水印图像中提取特征点集,根据特征点匹配算法(欧式距离)实现两个特征点集的匹配;然后利用匹配点对的几何特性校正几何攻击,恢复含水印图像的同步性.一个可标志的二值图像水印通过量化的方式自适应地嵌入到Coutourlet变换域的低频子带中;水印提取时不用原始图像,水印存在与否不仅可以通过阈值检测,也可以通过视觉直接判定.实验结果可验证,算法对常见的图像处理攻击、几何攻击和多种组合攻击均具有较强的抵抗能力.     

基于深度学习和复杂空间关系特征的多尺度遥感图像检索

深度学习技术逐渐成为解决图像检索和图像分类问题的主流技术,然而现有算法不能有效地处理遥感图像中的复杂空间关系以及多尺度特征问题.为有效解决遥感图像检索问题,提出了一种综合考虑空间关系与尺度特征的新方法.首先,用深度学习方法检测过的遥感图像抽象为点集;其次,构造Delaunay三角网以描述全局空间关系特征;最后,在空间特征相同的部分中使用模糊性状模型匹配局部空间特征.该模型有效地规避了因尺度不同而产生的视觉差异.在UC Merced Land-Use和RS19等公开数据集上进行实验,结果表明,该算法在多尺度遥感图像检索精度方面的表现优于其他相关方法.     

基于稀疏编码空间金字塔模型的零样本学习

针对目前零样本图像分类均采用图像底层视觉特征训练属性分类器而导致分类精度较低的问题,提出一种基于稀疏编码空间金字塔模型的零样本学习方法,给出系统结构流程图.首先从原始视觉图像中提取SIFT特征,并进行SIFT特征点提取;然后构建空间金字塔最大池化模型,对已提取的SIFT中间特征进行稀疏编码;最后建立间接属性预测模型.给出基于稀疏编码的空间金字塔最大池化模型的零样本学习算法步骤,完成对目标图像的属性预测,从而达到零样本图像分类的目的.在Shoes数据集与OSR数据集上进行了对比试验.结果表明:试验证实了文中算法的有效性;相对于传统算法,试验耗时减少,图像属性预测精度增加,图像分类识别率提高.     

一种基于粗糙集的视觉单词生成方法

针对传统BOV(Bag-of-visual words)模型,存在的歧义视觉单词影响分类精度和效率等问题,采用粗糙集属性约简,提出一种视觉单词生成方法。首先,利用BOV模型,生成训练图像集和视觉词典,并将其抽象为决策信息表,其中:决策表中对象按类分别标记作为决策属性,视觉词典中的视觉单词标记为条件属性;然后根据决策表中决策属性的等价集和条件属性的等价集,建立不相容对象等价集,并对决策表中每一个条件属性进行启发式学习,保留能够引起不相容等价集数目变化的视觉单词,形成必要视觉单词集合;其次,根据必要视觉单词集合,结合相对知识粒度,来衡量决策表中不必要视觉单词的重要度,保存重要度值高的视觉单词,消除属性重要度低的视觉单词,形成约简视觉单词集合,从而有效地消除了视觉词包中,存在的歧义视觉单词;最后通过实验验证了该方法对视觉单词约简是有效的和可行的。     

基于粒子群模糊聚类算法的边缘检测仿真

将粒子群优化算法与模糊C-均值(FCM)聚类算法相结合,并应用于图像边缘检测,以期解决标准FCM算法在图像边缘检测中对初始值敏感及容易陷入局部极小的两大缺陷.首先,基于数学测度概念构造一个描述边缘点信息的特征向量,将灰度图像中的每一个像素点看成是一个数据样本,将该点灰度值处理后构成其边缘点信息特征向量,形成具有三维特征的数据集;然后对这个数据集应用粒子群模糊聚类算法进行分类,自适应地检测出图像的边缘点,达到提取边缘的目的.仿真实验表明,此算法具有良好的抗噪性能,能够得到较好的边缘效果,提高了边缘定位的精度.