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。     

基于视觉词袋和三角函数法的动作识别

为了能够更为迅速与准确地对交警指挥等已知动作进行识别,提出了一种将人体特征点的运动轨迹三角函数化后用视觉词袋进行识别的方法.该方法通过将人体运动肢体的端点定义为特征点后,将特征点的空间位置与时间的关系看作是一组三角函数曲线,用不同的正弦公式的组合代替特征点的运动轨迹,以提取特征;同时此算法利用视觉词袋法,提取人体动作时的特征子通过金字塔模型与视觉词袋词典中的特征进行匹配,再通过抽象隐马尔科夫模型实现动作的预测,从而能够自适应地识别出动作.实验结果表明该算法在针对多个动作时优于传统算法.     

基于深度强化学习的移动机器人视觉图像分级匹配算法

针对传统移动机器人视觉图像分级匹配算法只能完成粗匹配,导致最终匹配精度较低、匹配时间较长等问题,提出一种基于深度强化学习的移动机器人视觉图像分级匹配算法.首先,利用深度强化学习网络结构中的策略网络和价值网络,共同指导浮动图像按正确方向移至参考图像;其次,在粗匹配过程中通过设计奖赏函数,实现颜色特征粗匹配;最后,在粗匹配基础上,利用改进尺度不变特征变换算法提取待匹配的图像局部特征,按相似度进行移动机器人视觉图像分级匹配.实验结果表明,该算法可有效实现图像的粗匹配与精匹配,在不同视角与尺度情况下特征检测的稳定性均较高,匹配精度高、时间短,匹配后的图像质量较好,提高了移动机器人的实际应用效果.     

三维双线性多分辨率形变模型研究

形变模型在计算机视觉和计算机图形学等领域均有广泛的应用.但现有形变模型的建立或依赖于不稳定的人脸图像对应光流算法,或需要大量的人机交互,而且基于随机梯度下降算法的模型匹配过程常收敛于局部最优值.针对这些缺陷,提出三维双线性多分辨率形变模型.首先基于人脸关键特征分割和网格重采样建立原始人脸的自动稠密对应;然后经紧致凸松弛将模型匹配问题转化为两个双线性规划问题,最后通过基于内点方法的全局优化算法求解.基于模拟和真实数据的实验表明:该模型在最优性、模型匹配速度、收敛性和对噪声异常点的鲁棒性优于传统的形变模型.     

基于运动目标识别的摩托车视频监控驾考识别技术研究

针对人工监考摩托车驾考往往存在徇私舞弊、判断不准确等缺点,提出一种基于运动目标识别的摩托车视频监控驾考识别技术.基于改进ORB图像特征匹配算法、消除误匹配点等策略对摩托车驾考监控视频进行稳像处理;使用边缘轮廓检测的运动目标识别算法,完成运动中摩托车目标图像边缘轮廓特征检测,利用双目视觉极线约束模型对摩托车目标特征点进行立体匹配与三维重构,提高轮廓检测精度.测试结果显示,该方法检测摩托车驾考目标的最优准确率可达96％,检测算法运行的响应时间较少、实时性优,具有良好的视频监控驾考适应性.     

基于混合Gauss模型的鲁棒性人脸识别算法

针对人脸图像受表情、光照、角度变化等因素影响,传统算法难以获得较理想的人脸识别结果问题,提出一种基于混合Gauss模型的鲁棒人脸识别算法.先将每副图像划分成子块,提取其方向梯度直方图特征,并加入子块相应的空间位置信息产生人脸图像的局部特征向量;再采用全部图像的局部特征向量训练混合Gauss模型生成人脸特征向量;最后采用最小二乘支持向量机建立人脸识别分类器,实现人脸匹配与识别.采用ORL,Yale和CIGIT人脸库进行仿真对比测试,仿真结果表明,该算法的人脸识别率高于其他人脸识别算法,对光照、角度、表情等有较强的鲁棒性,且可以获得更快的人脸识别速度.     

一种基于不变特征的图像识别算法研究

深入研究了图象的不变特征,并建立了一种基于图像不变特征的目标识别算法。算法首先提取目标的SIFt特征向量,并建立改进的Kd—Tree特征结构,使用BBF搜索策略完成特征点的匹配,接着建立目标的姿态变换空间对匹配点进行HOUGH聚类,去除错误的匹配点,最后对匹配点按照最小二乘法拟合出目标的姿态参数,从而完成目标的定位。实验证明,在目标发生平移、旋转和缩放以及场景部分遮挡、视角变化等因素引起的图像变形,算法都能够稳定的识别出目标。     

面向智能船舶的水面小目标检测算法

针对智能船舶中基于视觉传感器的水面小目标识别具有识别区域分辨率低、图像模糊、信噪比低等问题,提出了一种新的基于卷积神经网络的水面小目标检测算法——自注意力特征融合检测算法.首先,为了提高视觉信息处理的效率与准确性,在网络模型中引入了自注意力模块,更多关注小目标的细节信息.其次,在网络模型中采用了结构化的特征融合算法,通...     

基于改进LeNet-5的车牌识别算法

传统的车牌识别算法包括模板匹配、特征统计等方法,但是这些算法依赖于人工提取图像特征,识别准确率低。卷积神经网络LeNet-5算法能够自动提取车牌图像的特征,提高车牌识别准确率。但是目前基于LeNet-5网络结构的车牌识别算法存在识别不完整,运算时间长等缺点。提出基于改进的LeNet-5网络的车牌识别算法,该算法将输入车牌字符图像归一化为32×16大小,并通过删除传统LeNet-5网络中的C5层、修改输出层中神经元个数等,将车牌字符按照汉字和数字/字母的形式识别输出。通过采集大量车牌数据进行训练验证,结果表明:与前人改进的LeNet-5网络结构相比,本文算法在识别率和时间效率上均得到了提高。     

一种基于视觉的库区可疑目标识别算法研究

针对库区巡检图像采集设备对图像目标智能识别需求,进行基于视觉的远距离可疑目标识别算法设计与实现. 采用目标检测算法对图像进行目标识别并采集,通过基于卷积神经网络的深度学习模型卷积层对目标图像提取特征,采用基于机器学习传统方法的浅层网络对特征进行可疑目标分类. 根据算法设计实验,实验结果表明本算法模型识别效果良好,可有效减少人工识别工作量,能满足实际应用需要要求.      

一种基于特征点的图像匹配算法

本文提出一种图像特征点匹配算法，并在该算法的基础上形成构建全景图的图像拼接算法．此算法采用Harris角检测算子进行特征点提取，并为其分配特征描述符．在进行相邻图片的特征比对时，提出一种基于小波系数的特征索引算法，提高搜索效率．运用稳健的RANSAC算法将伪匹配点集合划分成为内点与外点，在内点域中精确计算图像之间的变换关系．算法的重要特点为：基于小波系数的特征索引，可以使不同图像之间匹配特征点的搜索效率显著提高．实验结果表明：该算法得到的匹配点精确，受图像的形变、噪声影响较小；图像拼接处理的效果较好，具有较高的实用价值．     

基于视觉单词树的快速图像检索

建立了一种分层的视觉字典树.首先提取图像特征,定义树的分支因子k和层数L,采用分层聚类算法进行逐层聚类,生成树型结构的视觉单词本,并对每个树节点计算逆向文档频率作为权值,定义得分准则进行图像的相似度匹配.新的视觉单词树由于建立了分层结构,较之传统平面结构的视觉单词本具有计算负荷小、单词个数不受约束、搜索速度快等优越性.在Caltech-101图像库的检索实验中验证了本文算法的快速性和高效性.     

基于引导滤波的数字图像自动聚焦融合方法研究

为了提高远程物探遥感数字图像的自动聚焦检测能力,提出基于引导滤波的数字图像自动聚焦融合方法。建立远程物探遥感数字图像滤波检测模型,在信息增强技术下进行数字图像的特征匹配,建立远程物探遥感数字图像三维重建模型,构建可见光数字图像的模糊特征检测算法,通过远程物探遥感特征匹配,进行数字图像RGB分解,获得远程物探遥感下数字图像的空间匹配函数,在视觉分布模型下,进行远程物探遥感信息融合,结合空间视觉信息增强的方法,进行数字图像的融合滤波检测,通过引导滤波方法,进行数字图像自动聚焦融合处理,提高图像的输出信噪比。仿真结果表明,采用该方法进行高远程物探遥感数字图像聚焦融合的输出质量较好,图像输出信噪比较高,自动匹配性能较好,提高了高远程物探遥感数字图像识别和聚焦成像质量。     

基于HSV图像匹配的改进型RatSLAM算法研究

由于室内环境的复杂性和多变性,导致单独采用Rat SLAM算法进行定位存在视觉里程计可靠性低、环境适应性较弱及RGB图像在图像识别邻域应用效果较差等问题。针对这些问题,提出了一种替代原始Rat SLAM模型中的绝对差总和(SAD)匹配的新型图像匹配方法,先利用HSV图像特征进行图像全局特征的粗匹配,再利用SURF与ORB融合算法进一步进行局部特征的精确匹配,辅助Rat SLAM模型更好地完成模板匹配,进而实现对位姿细胞网络活性的更准确修正,最终得到优良的路径经历图。仿真实验表明:改进后的Rat SLAM仿生算法较改进前定位精度明显提高、匹配的成功率显著增强、鲁棒性更好。     

面向装配机器人的零件视觉识别与定位方法

针对装配过程中背景复杂、零件形状多样性等因素导致的识别与定位精度较低的问题,结合加速稳健特征(SURF,speeded up robust feature)算法、快速视网膜特征点(FREAK,fast retina keypoint)算法、汉明距离及仿射变换等,给出了的一种零件识别与定位方法.首先通过SURF与FREAK算法对装配零件的特征点进行描述,其次以汉明距离作为匹配点的相似性度量,最后采用随机采样一致性(RANSAC,random sample consensus)算法进行二次匹配去除无效匹配点对.通过模板图像与装配零件图像建立四参数的仿射变换模型,结合仿射变换求解装配零件的质心坐标,再利用视觉系统的标定参数得到零件质心的世界坐标.实验结果表明,该方法实现了对装配零件快速精准的识别与定位.     

基于深度学习网络模型与大数据自动训练的工件缺陷识别算法研究

针对工件缺陷种类多样和特征不明显,造成机器视觉识别精度不稳定的问题,提出了一种基于深度学习网络模型与大数据自动训练的工件缺陷识别算法,并以软件工程来实现其功能。首先,对存在缺陷的工件进行取样,采集缺陷图像,建立识别标准。然后,基于深度神经网络模型和缺陷标准图像,进行模型训练,采取分批训练,逐步迭代收敛的方式,达到准确识别工件缺陷目的。最后,基于Python语言与TensorFlow框架实现深度神经网络模型,并将模型移植到C++平台调用,嵌入到商业版本软件中,实现算法的落地应用。实验测试结果显示,相对于已有的缺陷识别技术而言,本文算法具有更高的识别准确性,可为机器视觉软硬件设备提供技术基础。     

低定位精度条件下掌纹图像识别

提出了一种多层次相位相关掌纹识别(HPCPR)算法.先采用改进的结合相关值位置和大小的方法在整体上匹配和对齐掌纹图像,再用分块的加权相位相关法(WPC)精确匹配对齐后的掌纹图像,实现了低定位精度条件下掌纹图像的有效识别.算法综合使用掌纹图像的整体和局部特征,且能更快地对齐待匹配图像.与传统基于相位相关的识别方法相比,该算法既提高了识别的精度,又在识别的效率上获得明显改进.在PolyU掌纹库上的测试结果验证了算法的良好效果.     

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。     

基于改进的加速鲁棒特征算法的工件定位方法

为了解决传统的图像处理算法识别现场获得的工件图像速度慢且匹配效果较差等问题,通过对工件图像的识别方法进行研究,提出了一种改进的加速鲁棒特征(SURF)算法可以实现工件准确、实时的定位。该算法基于加速分割测试特征检测器(FAST)对SURF算法的特征提取方式进行改进,首先利用FAST提取特征点,然后通过SURF算法生成特征点描述子,使用主成分分析算法(PCA)对描述子进行降维。随后以欧式距离作为相似性度量进行粗匹配,再采用随机抽样一致算法(RANSAC)剔除误匹配点。最后结合双目视觉技术得到工件空间位置坐标。实验结果表明：本文提出的算法在运行时间上相比传统SURF算法减少80%,同时提高了匹配的精度。可见达到了准确、实时的工件定位目的。     

基于SPM-IBOVW模型的自然场景识别

提出一种基于空间金字塔匹配的集成化视觉词典(SPM-IBOVW)模型的自然场景识别方法.对各个类别的特征集合分别聚类形成各类别视觉词包,并连接成为集成化视觉词包(IVV);采用一种新的5层空间金字塔划分方法,相比经典划分方法在降低算法复杂度的同时,提高了场景识别率,并通过15类通用复杂场景的识别实验验证其有效性.结果表明,所提出的方法对复杂场景的识别率达到83.17%.