基于直觉模糊集的图像相似性度量

提出一种基于HSV颜色直方图的图像直觉模糊模型.在该模型下图像可看作是一个直觉模糊集合(IFS),图像之间的相似程度可通过计算直觉模糊集合之间距离来度量.实验数据表明:在HSV颜色空间下基于直觉模糊集的相似性度量能够有效用于图像数据库的查询,并且比普通基于模糊集的相似性度量和直方图距离在查询正确率方面提高5%～10%.     

基于区域边缘统计的图像特征描述新方法

直方图特征是计算机视觉领域最为常用的图像特征之一,然而空间统计信息的缺乏导致传统灰度直方图对图像特征的区分能力较差.对此,文中通过引入直方图子区间对应区域的边缘复杂度概念,提出了一种描述图像特征的区域边缘直方图方法.文章首先定义了区域边缘复杂度的概念,并提出以直方图各子区间的边缘复杂度作为空间权系数对各子区间进行加权,然后通过对加权后的直方图进行化简进而得到区域边缘直方图的简洁描述形式,最后,给出了基于积分直方图实现的快速计算方法.实验结果表明,区域边缘直方图方法对图像特征的区分能力明显优于灰度直方图,克服了空间直方图等改进方法对图像旋转的敏感性,运算效率比空间直方图提高了两个数量级以上.     

基于概率距离及融合时空特征的镜头相似性度量*

提出一种基于概率距离及融合镜头时空特征的镜头相似性度量方法。横向方面,构造镜头加权颜色直方图来表示时间信息并使用直方图交计算镜头时间相似性;纵向方面,通过非线性映射将空间特征向量映射到高维空间进行高斯分布建模,计算两镜头空间特征高斯分布间的概率距离来度量两镜头空间相似性;最后,对时、空相似性加权融合计算两镜头总相似性。实验结果证明了该方法的有效性。     

一种改进的Mean Shift跟踪算法

本文主要针对经典的Mean Shift跟踪算法均匀剖分整个颜色空间造成许多空的直方图区间以及不能准确表达目标颜色分布的缺点, 提出了一种改进算法. 该改进算法首先对目标的颜色进行聚类分析, 根据聚类结果通过矩阵分解和正交变换自适应地剖分目标的颜色空间从而确定对应于每一聚类的子空间. 在此基础上定义了一种新的颜色模型, 该模型统计落入每一颜色子空间的像素的加权个数并用高斯分布建模每一个子空间的颜色分布, 并推导了一种相似性度量来比较目标和候选目标的颜色模型之间的相似程度. 最后基于该颜色模型提出了改进算法. 实验表明, 基于该颜色模型的改进算法比经典的Mean Shift算法具有更好的性能, 而跟踪时间与经典算法大致相同.     

基于优化颜色直方图的图像检索方法

本文提出了一种改进的颜色直方图图像检索方法.通过对HSV颜色空间的变换,把颜色空间量化为9个区间,在此基础上计算出每种颜色区间的空间分布信息.综合颜色直方图和空间信息作为图像相似性的量度.试验表明,该算法提取的特征数较少,检索速度快,并且准确度较高.     

综合颜色特征的彩色图像检索方法

基于内容的图像检索技术已成为当前的研究热点,文章提出了一种综合利用两种颜色特征进行图像检索的新方法。首先,在变换空间建立色度直方图表示图像的颜色分布特征。为进行图像间的相似性度量,对Swain定义的直方图相似性度量作了改进,为弥补全局直方图不包含颜色空间分布关系的缺点,文章提取了另一种颜色特征,即分块的颜色矩,其距离度量为特征矢量的比值相似度。最后,综合利用上述两个特征对图像进行共同检索。通过对真实图像数据的检索实验表明:综合两种特征检索图像比单一特征检索效果更好。     

图像相似性改进算法

针对图像相似性度量问题,提出一种图像相似性改进算法。首先,分别得到源图像和候选图像的三个向量,包括HSV颜色空间H分量的颜色直方图向量、尺度不变特征转换（SIFT）算法局部特征向量以及图像颜色矩向量;然后,采用向量拼接的方法融合上述三个向量,借助主成分分析对融合后的向量降维,生成新的特征向量;最后,计算源图像和候选图像特征向量之间的欧氏距离,进行特征点匹配和图像相似度计算。实验结果表明,所提算法不仅提高了颜色直方图算法对于颜色分布接近图像的识别精度,而且减少了SIFT算法对于平坦区域较多图像的误判,平均查准率较颜色直方图算法和SIFT算法分别提高了23.8和9.6个百分点。所提算法能够有效提高识别图像相似性的准确度,判别结果更符合人眼观察结果。     

图像相似性改进算法

针对图像相似性度量问题,提出一种图像相似性改进算法。首先,分别得到源图像和候选图像的三个向量,包括HSV颜色空间H分量的颜色直方图向量、尺度不变特征转换（SIFT）算法局部特征向量以及图像颜色矩向量;然后,采用向量拼接的方法融合上述三个向量,借助主成分分析对融合后的向量降维,生成新的特征向量;最后,计算源图像和候选图像特征向量之间的欧氏距离,进行特征点匹配和图像相似度计算。实验结果表明,所提算法不仅提高了颜色直方图算法对于颜色分布接近图像的识别精度,而且减少了SIFT算法对于平坦区域较多图像的误判,平均查准率较颜色直方图算法和SIFT算法分别提高了23.8和9.6个百分点。所提算法能够有效提高识别图像相似性的准确度,判别结果更符合人眼观察结果。     

基于区间扫描的车速计算新方法

本文提出的视频车速检测方法主要分为四个步骤:建立映射关系表、确定车尾、跟踪车尾、提取灰度直方图、计算车速.本文将提出一组利用视频图像计算出目标车辆任意位置瞬时车速的精确计算数学模型.根据目标检测的思想,帧差法能够较好的检测出运动目标位置,从每一个灰度直方图的最大值处按照该车速向前向后分别计算出各帧车尾在跟踪区域中所对应的位置,然后将8个灰度直方图中这些对应位置处的灰度值相加,作为本车速的扫描的最终结果.根据各个直方图的波形相似性和平移的车速相关性可知,扫描结果的最大值所对应的车速就是车辆的实际车速.     

融合粒计算的颜色直方图图像检索方法

传统的颜色直方图只关注颜色的统计信息,丢失了颜色的空间分布信息,检索效果往往不尽人意。该文提出一种融合粒计算的颜色直方图图像检索方法。它融合粒计算多粒度、多层次、多视角的思想,避开了颜色直方图空间位置信息丢失的弊端,同时对颜色直方图的量化区间大小进行分层粒化,并采用直方图相交距离的方法进行图像的相似性度量,实现了图像检索效率和精度的平衡,在不失精度的前提下,保证了检索的效率。实验结果表明,该文算法具有较好的查准率和查全率。     

An Improved Spatiogram Similarity Measure for Object Tracking

Spatiogram is a generalization of the histogram. It adds high-order spatial information so that the target can be described more precisely. It is important to choose a suitable method of measuring the similarity between two spatiograms when Spatiogram is applied to the target tracking field. However, the original similarity measure based on spatiogram has the limitation of the insufficient discriminative power. Therefore, in this paper, we propose a new spatiogram similarity measure method called BJSD (Bhattacharyya coefficient and Jensen-Shannon divergence). The similarity of the color feature and the similarity of the spatial distribution are calculated by the Bhattacharyya coefficient (BC) and Jensen-Shannon divergence (JSD). Experiments show that the improved similarity measure has better discriminative than the Conaire’s method and the tracking results are more stable and accurate than the traditional mean shift tracking method.     

一种改进的EMD目标跟踪方法

DEMD（Differential Earth Mover’s Distance）跟踪算法采用归一化的EMD模型作为相似性函数,在推导相似性函数梯度时,假定颜色模型中某一区间权重发生改变时其他区间的权重等比例变化,这种假定在很多情况下并不合理。另外,DEMD算法沿着梯度方向以一个像素为步长进行迭代,收敛速度较慢。为了解决上述问题,提出了一种改进的EMD目标跟踪算法。该方法使用未归一化的EMD模型作为相似性函数,通过线性规划中的两阶段法求解EMD距离并推导出相应的均值漂移算法。实验表明,改进算法具有更好的跟踪性能而且收敛速度更快。     

融合KL散度和移地距离的高斯混合模型相似性度量方法

为提高高斯混合模型(GMM)间相似性度量方法的计算效率和准确性,通过对称化KL散度(KLD)并结合移地距离(EMD)提出一种新的相似性度量方法。首先计算待比较的两个高斯混合模型内各高斯成分间的KL散度,对称化处理后用于构造地面距离矩阵;然后用线性规划方法求解两个高斯混合模型间的移地距离作为高斯混合模型间的相似性度量。实验结果表明,将该相似性度量方法应用于彩色图像检索,相对于传统方法能够提高检索的时间效率和准确性。     

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.     

不确定性目标的CLARANS聚类算法

在传统CLARANS聚类算法基础上,提出一种针对不确定性目标的CLARANS聚类算法。在该算法中,待聚类的每个不确定性目标都被表示成高斯混合模型,即高斯分布的一个加权和,并将Kullback-Leibler散度作为不确定性目标间的距离测度。在图片数据库上的实验结果表明,该算法具有较高的聚类精度。     

基于区间箱粒子多伯努利滤波器的传感器控制策略

多目标跟踪中的传感器控制本质上是一个最优非线性控制问题, 其在理论分析和计算上极具挑战性. 本文基于区间不确定性推理, 利用箱粒子多伯努利滤波器提出了一种基于信息测度的传感器控制策略. 首先, 本文利用箱粒子实现多伯努利滤波器, 并通过一组带有权值的箱粒子来表征多目标后验概率密度函数. 其次, 利用箱粒子的高斯分布假设, 将多伯努利密度近似为高斯混合. 随后, 选择柯西施瓦兹(Cauchy-Schwarz, CS) 散度作为评价函数, 并详细推导了两个高斯混合之间的CS散度的求解公式, 以此为基础提出相应的传感器控制策略. 此外, 作为一种对比方案, 利用蒙特卡罗方法, 本文还给出了通过对箱粒子进行混合均匀采样, 进而通过点粒子求解CS散度的递推公式, 并提出了相应的控制策略. 最后, 仿真实验验证了所提算法的有效性.     

融合Jensen-Shannon散度的推荐算法

为 充分利用所有评分,缓解数据稀疏性问题,将概率统计领域的Jensen-Shannon(JS)散度引入相似性度量中,提出了一种新的项目相似性度量算法。该 算法将项目的评分信息转化为评分值密度,并依据评分值的密度分布来计算项目相似性。同时,引入评分数量因子,进一步提升了基于JS的相似性度量方法的性能。最后,以基于JS的相似性度量方法为基础,设计了相应的协同过滤算法。在MovieLens数据集上的实验结果表明,所提算法在预测误差和推荐准确性方面均有良好的表现。因此,该算法在推荐系统中具有很好的应用潜力。     

综合颜色和轮廓曲线特征的图像检索方法研究

传统的基于内容图像检索（CBIR）及跟踪算法主要利用图像的颜色、纹理等特征进行相似性比较,但大量的实验和应用也表明利用颜色和纹理进行图像相似性比较在空间结构和对象形状上难以精确控制,致使图像检索经常出现一些不可预料的结果。为了提高图像在形状、颜色及纹理上的检索精度,提出了一种综合颜色和图像轮廓曲线特征的检索方法。该方法分割图像并提取图像中感兴趣对象的轮廓,对提取的轮廓进行仿射变换及最小值化处理,经处理后的轮廓带有边缘的完整信息,具有几何不变性;利用聚类的颜色信息,提取主聚类的直方图,所提取的直方图不仅包含了主聚类的颜色信息也包含了该聚类的空间位置信息。利用检索对象与被检索对象的颜色距离直方图及轮廓曲线距离偏差的加权平均度量检索及被检索对象的相似性。实验结果表明,针对基于感兴趣对象的图像检索问题,给出了一种具有高度检索精度的算法。     

基于相似度加权的自适应HD算法

Hausdorff距离(Hausdorff distance, HD)是一种点集与点集之间的距离测度, 常用于目标物体的匹配、跟踪和识别等. 本文在分析经典HD及改进算法的基础上, 提出了一种基于相似度加权的自适应HD (Adaptive Hausdarff distance, AHD)算法. AHD算法利用不同点到点集的最小距离的个数作为匹配相似度的测量, 并舍弃对判断匹配几乎没有作用的较大的点到点集的最小距离值; 同时根据点到点集的最小距离自适应选择权值, 从而得到一种基于相似度测量加权系数; 通过利用部分点到点集的最小距离和基于相似度的加权平均, 既增强了算法的鲁棒性, 又尽可能地保证了算法的精度. 实验结果显示, AHD算法在匹配准确性、抵抗噪声和遮挡干扰等方面性能良好.