室外场景CSIFT的关键点检测和特征匹配

在目标的识别和匹配中,SIFT已经被证明是鲁棒性最好的局部不变特征描述符.虽然它能够对各种几何变化保持不变性,但却忽略了目标的颜色信息,限制了它的性能.提出一种改进的彩色的尺度不变特征变换(CSIFT)方法,结合目标的颜色特征与几何特征,针对室外场景的特点,简化了颜色不变量形式,实现了室外场景中目标的关键点检测和特征匹配.实验结果表明,CSIFT方法比经典的SIFT能更好地适用于室外场景中的关键点检测和特征匹配.     

基于最大稳定极值区域的机场目标识别

针对机场背景下动态变化的场景,采用一种基于最大稳定极值区域(MSER)的算法对目标进行匹配和识别。通过采用最大稳定极值区域的方法将区域结构相似性和特征空间结合起来,比较好地实现了机场复杂背景下的特定目标的匹配和识别,提高了目标匹配识别的稳定性,并在相同试验样本下采用基于SIFT的算法进行匹配识别,将其与基于最大稳定极值区域(MSER)的算法进行比较。实验结果证明了这种方法在机场目标识别方面的有效性。     

基于全局颜色传递的SIFT匹配算法

研究在不同光照条件下两幅彩色图像的匹配问题,提出了一种新的基于全局颜色传递的具有尺度不变性的特征变换（SIFT）匹配算法。新算法对不同光照下同一场景或目标的两幅彩色图像进行全局颜色传递,以减小匹配时由颜色差异带来的误差;利用SIFT算法提取处理后的图像的特征信息完成初步匹配;采用随机抽验一致性（RANSAC）算法消除误匹配点。实验结果表明新算法具有良好的彩色图像匹配性能。     

基于局部特征过滤的快速火焰图像识别方法

传统的基于物理信号的火焰识别方法易被外部环境干扰,且现有火焰图像特征提取方法对于火焰和场景的区分度较低,从而导致火焰种类或场景改变时识别精度降低。针对这一问题,提出一种基于局部特征过滤和极限学习机的快速火焰识别方法,将颜色空间信息引入尺度不变特征变换（SIFT）算法。首先,将视频文件转化成帧图像,利用SIFT算法对所有图像提取特征描述符;其次,通过火焰在颜色空间上的信息特性进一步过滤局部噪声特征点,并借助关键点词袋（BOK）方法,将特征描述符转换成对应的特征向量;最后放入极限学习机进行训练,从而快速得到火焰识别模型。在火焰公开数据集及真实火灾场景图像进行的实验结果表明：所提方法对不同场景和火焰类型均具有较高的识别率和较快的检测速度,实验识别精度达97%以上;对于包含4301张图片数据的测试集,模型识别时间仅需2.19 s;与基于信息熵、纹理特征、火焰蔓延率的支持向量机模型,基于SIFT、火焰颜色空间特性的支持向量机模型,基于SIFT的极限学习机模型三种方法相比,所提方法在测试集精度、模型构建时间上均占有优势。     

机器人的混合特征视觉环境感知方法

提出一种基于颜色直方图和SIFT混合特征的机器人视觉环境感知方法。该方法将颜色直方图的"色"与SIFT算法的"形"有机结合,有效提高了感知精度和实时性。对图像进行平均亮度调整并对颜色直方图特征加入主颜色直方图,使之对环境光照和动态变化具有更好的鲁棒性;通过控制特征点数和加入局部颜色统计信息方式改进SIFT算法,提高了特征生成速度和匹配准确度。利用分级匹配方法加速了特征检索过程,并采用本文提出的基于数据知识的推理方法进一步提高了感知精度。仿真与实验结果表明,随着数据库规模扩大,本文方法在感知精度和实时性上的性能优势越发明显。     

RoboCup标准组机器人队员识别仿真

在RoboCup标准组机器人比赛中,由于NAO机器人对其它队员的视觉识别容易受到场外背景和场内各队员之间的遮挡等干扰因素的影响,使得识别结果存在许多错误和遗漏.通过多特征融合目标识别方法,分别从机器人视觉图像中提取出尺度不变(SIFT)特征与颜色直方图,分别对两种特征进行匹配,通过匹配成功的SIFT特征点来获取机器人在视觉图像中的形体范围,再通过与颜色特征相结合来获取机器人的具体区域,避免了只采用单一特征进行识别所受到的干扰因素的影响.仿真结果分析显示了改进方法相比传统方法具有更好的识别准确度和抗干扰能力.     

隐马尔可夫模型下基于SIFT特征的局部遮挡目标识别

提出一种利用隐马尔可夫模型建立目标特征匹配库来识别图像中局部遮挡目标的新方法。该方法首先通过SIFT算法提取目标SIFT特征,然后采用隐马尔可夫模型对目标所有的SIFT特征进行训练,得到目标SIFT特征对应的模型输出概率范围,将该概率范围作为目标特征匹配库。在对图像中的目标进行识别时,利用目标特征匹配库可以把目标特征从图像所有特征中识别出来,即使目标遮挡比例为60%时,该方法仍能识别出目标。实验结果表明,新方法可以精准地识别出图像中被遮挡目标,能够很好地解决遮挡情况下的目标识别问题。与现有局部遮挡目标识别算法相比,新方法所取得的目标识别率均有所提高。     

基于多特征融合的敌对目标识别新方法

该文提出了一种基于HSV颜色直方图、一二三阶颜色矩、Gabor小波和SIFT特征描述子的多特征融合方法,以实现防空战争的提前预警和及时打击功能。在目标分类过程,针对SIFT特征描述子,该文使用最新的金子塔匹配核,通过在Caltech 101数据库的实验,采用SVM分类器,证明该方法在目标识别方面性能有很大的提高。     

简化SIFT算法及其在商标图像检索中的应用

针对商标图像形状简单、颜色单一的特点,提出了一种基于简化SIFT特征的商标图像检索新方法。采用DoG算子在多尺度空间检测图像的关键点,并利用圆环域结构替代SIFT原来的方形结构,对SIFT特征描述符的生成方式进行改进,使其具有计算简单、抗几何畸变性、抗旋转性等优点;然后在关键点匹配过程中,采用RANSAC算法去除错误匹配,从而提高匹配的稳定性与精确性。实验结果表明,该方法比原SIFT方法具有更快的计算速度和更高的匹配精度,能很好地应用在商标图像检索系统中。     

基于正则表达式的图像目标特征提取方法研究

针对图像匹配过程中生成匹配模板复杂度高的问题,根据应用场景下被识别物轮廓、颜色和空间相对位置等物理特征不变的特性,通过建立基于颜色、线条、位置等信息的基础像元素库,并利用正则表达式的组织语法对这些基础元素进行先验知识的有序组织,赋予它们描述待匹配目标匹配特征的能力,从而能够快速构建出被识别物的匹配模板,缩短图像识别过程中模板生成时间,提高图像识别效率。实验结果表明:基于正则表达式特征提取的目标识别方法能够快速、准确对目标进行识别。在固定视角下其识别率为87.5%,平均识别时间为60.3 ms。相比较于尺度不变特征变换(SIFT)和加速鲁莽特征(SURF)算法,该算法在固定视角下的识别精度和识别效率均有所提高。     

利用颜色的非刚性物体跟踪方法

提出了一个利用颜色特征实时跟踪非刚性物体的方法.首先.建立了一个颜色分布模型,该模型对部分遮挡具鲁棒性,对放缩和旋转具不变性,且计算简单.对非刚体物体的实时鲁棒跟踪是一个非常有挑战性的课题,本文提出了利用颜色特征实时跟踪非刚体物体的方法.首先，建立了一个颜色分布模型,该模型对部分遮挡具有鲁棒性,对放缩具有不变性,而且计算简单.然后,采用粒子滤波的方法将颜色分布模型集成到一个动态状态估计的概率框架中.为了处理光照变化等引起的外貌变化,进一步引入自适应模型更新过程.同时,本文还讨论了初始化策略用以处理跟踪物体的消失或消失后再出现的情况.     

Boosting算法在基因表达谱样本分类中的应用

基于基因表达谱结构提出一种基因表达谱的样本分类方法。首先用基因的Bhattacharyya距离衡量其所含样本类别的信息,过滤Bhattacharyya距离较小的噪声基因;然后修改重复剪辑近邻算法,剔除噪声样本;再基于Boosting算法构建支持向量机组合分类器;最后以结肠癌基因表达谱样本为例,进行了分类实验。实验结果表明该方法简单、有效,对基因表达谱样本的分类问题有强的实用性。     

视频图像序列中运动目标的提取与跟踪

提出一种摄像机静止条件下视频图像运动目标提取与跟踪的方法。本文首先提出了一种有效的阴影去除算法检测运动目标,然后采用基于目标颜色直方图的相关匹配,使用Bhattacharyya系数度量目标模型与预测模型间的相似度,选出最优相似模型作为当前的目标模型,实现了对目标的跟踪。实验结果表明该算法是可行有效的。     

基于双直方图自适应选择的目标跟踪算法*

针对传统的均值漂移算法,加入了梯度方向直方图及其与颜色直方图的自适应选择,提高了均值漂移算法在复杂场景中目标跟踪的鲁棒性。传统的均值漂移算法往往选择固定的一个颜色直方图对目标进行跟踪,当目标自身或者跟踪场景发生变化时,容易跟踪失败。通过分析被跟踪目标在当前场景中与目标模板在颜色以及梯度方向上的相似性并设定阈值,从而选择并使用当前有效的目标特征,实现复杂变化场景下的目标跟踪。一系列不同场景下的运动目标跟踪实验,证实了该算法的可靠性。     

巴氏距离和K-L变换结合的特征选择

该文提出巴氏距离(BhattacharyyaDistance)和K-L(Karhunen-Loeve)变换结合的特征选择。采用巴氏距离特征选择眼3,5演的迭代算法,可以获得最小错误率上界。当特征维数高时,为了减少巴氏距离特征选择计算时间,对样本先进行K-L变换,将特征降低到中间维数。然后进行巴氏距离特征选择,降低到结果的维数。用基于MNIST手写体数字库的试验表明,该文方法比单纯用巴氏距离特征选择计算时间大大减少,并比主分量方法(即单纯使用K-L变换)特征选择的错误率小得多。     

遮挡目标的分片跟踪处理

遮挡是目标跟踪领域一个棘手的问题,如何处理好遮挡是衡量跟踪算法鲁棒性的关键。本文就此问题,提出了一种基于分片跟踪下的遮挡处理算法。本算法在目标发生部分遮挡或者形变后,通过剩余有效片的强度信息,继续对目标实现可靠跟踪,并结合卡尔曼滤波有效的处理跟踪过程中的遮挡。算法采用分片的思想,利用Bhattacharyya系数作为候选目标片与相应模板片的相似性度量,有效的跟踪目标,采用H分量的反向投影的方法辨别遮挡和形变,根据遮挡的不同类型,做相应的处理,实现对目标的鲁棒性跟踪,本实验就遮挡提出了关联性遮挡和非关联性遮挡的概念,增加算法跟踪的可靠性。     

人群分裂后的人体运动跟踪

提出的算法将人体的运动状态和人体的颜色特征二者组合使用,既能在人体不出现遮挡时保持算法的快速性,又能在发生人体相互遮挡后还能正确地跟踪人体运动。     

A dual-kernel-based tracking approach for visual target

A dual-kernel-based tracking approach for visual target is proposed in this paper. The similarity between candidate and target model, and the contrast between candidate and its neighboring background are considered simultaneously when evaluating a target candidate. The similarity is measured by Bhattacharyya coefficient while the contrast is calculated with Jensen-Shannon divergence, and they are adaptively fused into a novel objective function. By maximizing the linear approximation of objective function, a dual-kernel target location-shift relation from current location to a new location is induced. According to the location-shift relation, the optimal target location can be recursively gained in the mean shift procedure. Experimental evaluations on several image sequences demonstrate that the proposed algorithm can gain more accurate target location and better identification power to false target, and it is also robust to deformation and partial occlusion.     

似然相似度函数在目标跟踪中的鲁棒机理研究

复杂背景条件下低对比度目标的跟踪和测量方法,是视觉领域的一个重要课题.低对比度,低信噪比,目标旋转、缩放、被遮挡等非理想状态给跟踪算法的研究带来很大困难,算法既要适应目标和背景的复杂变化,又要保证运算量小,满足工程实时性要求.提出一种基于似然相似度函数的低对比度目标跟踪方法.在建立模型阶段,利用棱锥面方程的单峰特性突出模型中的目标灰度信息,使目标与背景灰度信息的可区分性更高;在模型匹配阶段,从统计学中的极大似然估计方法得到启发,构造一种新的似然相似度函数,与传统的相似度量相比,度量值的可区分性更高,大大提高了匹配区域的无重复模式;最后,将目标跟踪过程转化为对目标跟踪位置的极大似然估计过程.目前,该算法已经成功嵌入TMS320C6416硬件平台.大量实验结果表明,该算法所能探测的目标对比度LSCR最低限度约为3.作为实例,给出复杂背景下低对比度LSCR=4.9时空中飞机的实验结果.     

视频图像中的运动目标跟踪

提出了一种视频图像中运动目标跟踪的新方法。该文首先提出跟踪区域内基于像素的可信度与空间位置的权重函数,然后利用HSV色彩分布模型计算出目标模型与预测模型间的相似性,选出最优相似模型作为当前目标模型,从而实现了多目标的跟踪。实验显示,该算法计算简单,对相似目标能实现准确的跟踪,对非刚性目标的尺度变化、多目标的交叉及部分遮挡具有鲁棒性。