AdaBoost图像到类距离学习的图像分类方法

近年来,距离度量学习已经成为图像分类领域的研究热点之一,图像到类距离的度量作为其中的一种方法,取得了不错的分类效果.该方法是一种非参数方法,但由于缺少训练学习,其分类性能很容易受干扰因素的影响,为此提出一种基于AdaBoost算法的图像到类距离学习的图像分类方法 .首先将图像到类的距离进行阈值化处理,并使用线性分段函数作为图像到类距离的评价函数,然后将该评价函数作为弱分类器加入到AdaBoost算法中生成一个强分类器.为了选择最优的弱分类器,使用粒子群优化算法确定图像的相似性阈值,再基于权重错误误差最小化原则得到距离评价函数的两个评价值.最后通过实验验证,该方法在Scene-15和Caltech-101图像数据集上比其他方法有更好的分类效果.     

基于样本相似度的三支聚类算法

将三支聚类思想和聚类集成思想相结合,提出一种基于样本相似度的三支聚类算法.首先,通过随机选择样本部分特征的方法生成一组基聚类成员,以此构造样本相似度,并在此基础上定义划分有效性指标,用以自动计算最优阈值;其次,使用投票法对基聚类成员集成得到初步的聚类结果;最后,利用最优阈值对聚类结果划分,得到每个类的核心域集合和边界域集合.UCI(University of California Irvine)数据集上的实验结果证明了所提出方法的有效性.     

一种新的自适应二维Otsu图像分割算法研究

现有二维Otsu图像分割算法的阈值识别函数是通过计算类间离散度矩阵的迹来实现的,没有考虑目标和背景这两类像素自身的内聚性且计算复杂度高,为此提出一种新的阈值识别函数设计算法.该算法先统计待分割图像目标类和背景类各自类内的绝对差,相加得到总体类内绝对差之和;再统计目标类和背景类两类之间的总体平均离差;然后把总体类内绝对差和类间总体离差的商式作为阈值识别函数.实验结果表明,与现有的识别函数相比,利用新构造的阈值识别函数来自适应寻优阈值,从主观上和客观上都取得了较好的分割效果,而且计算量较小.     

基于极线约束SIFT特征和粒子滤波的目标跟踪算法

针对采用颜色或边缘等特征的目标跟踪算法所存在的跟踪效果不稳定的问题,提出了一种基于极线约束尺度不变特征变换(SIFT)和粒子滤波的目标跟踪方法.该方法采用SIFT特征向量构建目标模型,引入极线约束改善目标匹配精度,采用粒子滤波算法获得SIFT特征向量的候选目标模型,利用似然函数计算目标模型与候选目标模型间的相似性.实验结果表明,该方法可解决目标与背景颜色相似时的跟踪失败问题,且对目标外形与位姿发生变化具有较好的适应能力.     

一种融合深度信息的视频目标压缩跟踪算法

针对复杂环境下单一特征在跟踪过程中易造成准确率下降和鲁棒性差的问题,提出一种融合深度信息的视频目标压缩跟踪算法。利用压缩感知理论分别提取目标灰度图像和对应深度图像的正负样本压缩特征,通过特征训练弱分类器,利用马氏距离赋予弱分类器权值,加权组合为强分类器,实现目标的多特征融合,视目标跟踪为一个二分类问题,确定目标跟踪结果。使用由粗到细的搜索策略减小计算复杂度。实验结果表明,该算法跟踪目标平均中心位置误差为9. 95像素,平均成功帧率可达96%,算法保持实时性的同时对视频目标运动遭遇的部分遮挡、姿态变化、光照变化以及相似物干扰等情况下的跟踪均具有较好的效果。     

HSEC:基于聚类的启发式选择性集成

提出一种基于聚类的启发式选择性集成学习算法.集成学习通过组合多个弱分类器获得比单一分类器更好的学习效果,把多个弱分类器提升为一个强分类器.理论上来说弱分类器的个数越多,组合的模型效果越好,但是随着弱分类器的增多,模型的训练时间和复杂度也随之递增.通过聚类的方法去除相似的弱分类器,一方面有效降低模型的复杂度,另一方面选出差异性较大的弱分类器作为候选集合.之后采用启发式的选择性集成算法,对弱分类器进行有效的组合,从而提升模型的分类性能.同时采用并行的集成策略,提高集成学习选取最优分类器子集效率,可以有效地减少模型的训练时间.实验结果表明,该算法较传统方法在多项指标上都有着一定的提升.     

基于多特征的洞库类目标识别方法

针对洞库类目标自动识别研究较少、识别率较低、识别方法成本较高等问题,设计了基于多种特征的洞库类目标识别算法.探讨了典型洞库类目标的模型并总结其主要特征;其次利用HOG特征对输入图像进行初步筛选,筛选出包含有洞库类目标的图像;然后基于洞库类目标的灰度特征提出了一种图像局部自适应阈值生成算法Wiblack提取图像中的疑似目标;最后搭建了洞库类目标的数学模型,并提出了基于形状相似度的目标判别算法,采用圆形相似度与椭圆形状相似度二次相似度判别方法,最终得出识别结果并描述目标轮廓,完成目标识别.实验结果表明该方法在洞库类目标的识别应用中有效可行,基于本文实验数据的识别准确度为92.6%.     

基于密度的稀疏最小二乘支持向量机

针对最小二乘支持向量机对训练样本内噪声比较敏感和其稀疏性差的问题,提出基于密度k-近邻向量的训练样本裁剪算法。对训练样本的各个样本类进行聚类,删除噪声数据,提高支持向量机的训练精度。通过计算出每个样本类的平均相似度和平均密度,得到样本的类相似度阈值;根据相似度阈值,将小于类相似度阈值的样本进行合并,减少训练样本总数。实验结果表明,该算法在保证训练精度的情况下,减少了支持向量数目。     

基于Zernike矩特征的FCM-RBF神经网络图像分类器

针对交通监控图像识别精度较差的问题,设计一种基于径向基(radial-basis)函数神经网络的图像分类器.该分类器利用Zernike矩噪声敏感度较小、形状特征稳定性好的特点,构建四阶矩的特征向量,用于特征提取;利用自适应模糊聚类方法,解决径向基函数神经网络隐层节点数不确定的问题.仿真分析表明,该分类器与基于改进的快速模糊C均值聚类算法的Back Propagation网络分类器和径向基函数神经网络分类器相比具有更高的识别率,与改进的粒子群优化模糊C均值聚类算法的径向基函数神经网络分类器相比具有相近的识别率,但其计算复杂度较低.仿真实验结果表明,该方法具有较好的分类能力及较高的计算效率.     

一种基于改进相似度计算的文本聚类方法

针对文本在聚类或分类时,由于数据高维稀疏导致相似度值低的问题,提出一种基于改进文本相似度计算的聚类方法.首先,利用向量空间模型VSM表示文本,采用余弦函数计算文本之间的相似度;然后,基于网络中节点的相似性传播原理,通过设置阈值找到与各个文本相似度较大的文本集合,进而使用Jaccard系数将两个文本之间相似度计算转化为两个文本集合之间的相似度计算;最后根据得到的文本相似度矩阵,利用谱聚类算法对文本进行聚类.在WebKB上的实验结果表明,与传统的K-means、谱聚类方法相比,该方法提高了聚类的准确度,召回率与F值.     

基于HOG/PCA/SVM的跨年龄人脸识别算法

为了实现跨年龄的人脸识别,通过梯度幅值和梯度方向这2个重要的图像特征测量图像相似度,建立了一种方向梯度直方图 (HOG)、主成分分析 (PCA)和支持向量机（SVM）相结合的人脸识别算法.首先对从FG-NET数据库中选取的人脸图像作预处理,然后用HOG算法提取特征值,用PCA方法降维特征值,最后将样本输入到SVM中进行训练,人脸识别匹配度最高可达90.91%.实验结果验证了算法的有效性.     

人脸识别中基于互信息的特征优选

人脸识别领域中常用Gabor小波系数表示人脸特征.然而,提取的人脸Gabor特征是高维数据,不可避免存在冗余和随机噪声的干扰.为了有效利用Gabor特征进行人脸识别,提出一种新的Gabor特征选取方法.首先计算训练集上的任两张人脸图像的Gabor特征差,生成类内空阃和类外空间.用单个Gabor特征训练筒单两值分类器,以其在类内空间和类外空间的分类错误率作为判据评价该Gabor特征的分类能力.在选取分类错误低的特征的同时还要再评估候选特征与已选特征间的互信息,这样优选出具有无冗余、低误差率的特征.最后对这些优选的Gabor特征进行主成分分析和线性判别分析完成人脸识别.在CAS-PEAL大型人脸数据库上的实验结果表明,所提出的方法不但可大大降低Gabor特征的维数,而且还有效提高了识别精度.     

基于特征偏移的人脸图像质量评价及影响因素研究

针对低质量人脸图像阻碍识别系统性能提升的问题,本文提出了一种无参考的人脸图像质量评价方法,并使用该方法评估了不同类型的图像退化对人脸图像质量的影响程度.该方法使用一种集群卷积网络结构,模拟人脸图像退化过程中的特征偏移,根据特征偏移量和图像信息量之间的相关性,完成人脸图像质量分数计算.使用遗传算法对构成集群网络的网络单元进行筛选,可使用更小网络规模实现同等性能.以质量评价算法为工具进行实验,研究评估了不同图像退化类型对人脸识别的影响,为指导今后人脸质量相关研究得出了有益结论.在主流人脸数据集上进行的实验证明,通过筛选数据库中低质量分数的人脸图像,可以进一步提升现有人脸识别系统的性能,且识别率提升表现出良好稳定性.该方法复杂度低,无需训练,与FaceQNet等最新方法相比,在FNMR和EER指标上显示出明显优势.     

基于相似性约束的面部幻象在人脸识别中的应用

为了根据低分辨率（LR）人脸图像生成高分辨率（HR）图像以提高人脸识别率,设计了四个相似性约束函数,提出了基于相似性约束的面部幻象方法。首先利用LR-LR约束计算出输入的LR人脸图像与训练集中各LR人脸图像之间的相似性;然后利用LR-HR约束描述输入的LR人脸图像与HR训练图像之间的局部结构相似性,同时增强相邻幻象图像块之间的平滑约束;最后利用空间相似性约束减少远离幻象图像块的那些图像块的影响。在FERET、Yale及ORL三大通用人脸数据库上的实验结果表明,相比其它几种较为先进的面部幻想生成方法,所提方法得到的幻想图像分辨率更高,此外,所提方法得到了更高的识别率。     

基于SIFT特征的人脸识别

尺度不变特征变换SIFT(scale invariant feature transform)对图像尺度、旋转、平移具有不变性,而被广泛应用,但是匹配过程中的错配问题难以避免。针对错配点的问题,对匹配策略进行了优化,利用人脸图像中关键点的特征描述子,对局部距离进行加权平均。实验表明,该方法能够有效剔除错配点,提高人脸匹配的正确识别率。     

基于主元分析的人脸识别方法研究

研究了利用主元分析进行人脸识别的方法。将人脸图像训练集进行主元分析,对得到的变换矩阵应用奇异值分解提取特征子空间,把训练图像和测试图像投影到子空间上,选择分类器进行人脸识别。实验表明,主元分析能很好地在子空间下提取出人脸图像的特征信息,从而实现人脸识别。     

一种改进SIFT算法

针对图像特征提取算法-SIFT,特征描述器维数较高,特征匹配耗费时间较长,匹配过程中存在相同图像不能匹配和不同图像能够匹配等问题,提出了一种改进SIFT算法与KD-tree搜索匹配算法相结合的新方法。采用KD-Tree算法替代传统链表式搜索方法降低特征点匹配时间;把特征点间距离和特征描述子内积同时作为匹配标准,加入相应匹配阈值减少匹配错误率,并通过理论和实验证明采用欧几里德距离作为相似性度量具有更高的匹配成功率。实验结果表明,在图像特征匹配中,该算法能够有效减少特征匹配错误率,大幅度降低匹配时间,具有较好的实时性和鲁棒性。     

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。     

基于主成分分析和支持向量机的鲁棒稀疏线性判别分析方法

为了提高人脸图像的识别率、识别效率和鲁棒性,提出一种基于主成分分析（Principal Component Analysis, PCA）和支持向量机（support Vector machine,SVM）的鲁棒稀疏线性判别分析方法,通过ORL和YaleB人脸库、COIL20物体库和UCI机器学习库中部分数据集,将本文方法与线性判别分析、鲁棒线性判别分析、基于 范数和巴氏距离的鲁棒线性判别分析、鲁棒自适应线性判别分析和鲁棒稀疏线性判别分析等六种方法进行比较。实验结果表明,在ORL人脸库、COIL20物体库和UCI机器学习库的部分数据集中,在原始图像条件下,本文方法的识别率均值依次为92.80%,97.76%和89.61%,均高于其它5种方法。在YaleB人脸库加入椒盐噪声的条件下,本文方法的识别率均值为81.35%,比其它五种方法高1.37%以上。