一种结合交叉熵和投影特征的图像匹配算法

基于图像交叉熵的图像匹配方法对于噪声不敏感,并且具有一定的抗几何失真能力,但算法复杂度高,不适合用于实时匹配系统中.而投影变换可将图像的二维灰度降为一维的特征向量,且还具有抗噪性好的特性,因此定义图像的局部交叉投影熵,提出了一种新的图像匹配算法.该算法首先计算模板图的行、列投影;然后计算模板图和实时图的交叉投影熵;最后根据行、列交叉投影矩阵确定出最优匹配坐标.新算法不仅具有较好的抗噪和抗几何失真性能,并且提高了在强光照射及云层遮挡情况下的匹配能力.通过实验仿真并对比局部熵、局部投影熵、局部交叉熵和局部交叉投影熵四种算法的匹配效果,表明该算法不仅匹配效果良好,并且计算速度快,是一种精确而实用的图像匹配方法.     

局部不变特征综述

局部不变特征是近年来计算机视觉领域的研究热点。局部不变特征在宽基线匹配、特定目标识别、目标类别识别、图像及视频检索、机器人导航、场景分类、纹理识别和数据挖掘等多个领域得到了广泛的应用。本文基于局部不变特征检测、局部不变特征描述和局部不变特征匹配3个基本问题,综述了文献中现有的局部不变特征研究方法,并比较了各类方法的优缺点。根据特征层次的不同,局部不变特征检测方法可以分为角点不变特征、blob不变特征和区域不变特征检测方法3类。局部不变特征的描述方法可以分为基于分布的描述方法、基于滤波的描述方法、基于矩的描述方法和其他描述方法。局部不变特征匹配的研究主要集中在相似性度量、匹配策略和匹配验证3个方面。最后在分析各类研究方法的基础上,总结了局部不变特征研究目前存在的一些问题及可能的发展方向。     

基于局部操作的一种有效标记算法

本文在对现有的几种局部标记算法进行分析的基础上，提出了一种有效标记算法，其运行时间为Ｏ（ｎ）。它既保持了一般局部标记算法中运算时间的常量因子小和快速等特点，又弥补了现有局部标记算法的不足。     

联合 LTP 和 LPQ 的人脸识别方法

提出一种联合局部三值模式（LTP）和局部相位量化（LPQ）的人脸识别方法,该方法首先对预处理后的人脸分别采用LTP算子、LPQ算子提取各自的直方图,然后,通过特征选择将两者联合为LTP＿LPQ直方图,最后通过最近邻分类器进行分类识别。在ORL和YALE标准人脸数据库上的实验表明,该方法能有效地提高人脸的识别率。     

基于局部回归融合的多核聚类方法

针对现有多核聚类方法较少考虑多核数据局部流形结构以及在多核融合时学习参数过多进而易受多核噪声异常等干扰的问题,文中首先提出了基于局部核回归的聚类方法(CKLR).该方法通过局部学习来刻画单核数据的流形结构并采用稀疏化的局部核回归系数来进行预测和聚类.文中进一步提出了基于单核局部核回归融合的多核聚类方法(CMKLR).该方法为每个核矩阵构造对应的稀疏化的局部核回归系数,并采用全局线性加权融合的方式获得了多核数据下的局部流形结构和同样稀疏化的多核局部回归系数.所提方法较好地避免了现有方法的两个缺陷,且该方法仅包含局部邻域大小这一超参数.实验结果表明,所提方法在测试数据集上的聚类性能优于当前的主流多核聚类方法.     

基于场景局部特征的多曝光图像融合

针对现有多曝光图像融合算法得到的图像质量不高以及算法效率低的问题,提出了基于场景局部特征的多曝光图像融合算法。首先,将不同曝光量的图像序列划分为规则的图像块,并且相邻的图像块有一定像素的重叠区域。对于静态场景,根据图像的局部方差、局部可视性以及局部显著性特征这三个指标计算每一个图像块的权重值;对于动态场景,除了应用前面所述的三个局部特征指标外,还需要将局部相似性指标用于动态场景融合过程中以去除运动物体导致的鬼影现象。其次,利用加权求和的方法得到最佳的图像块。最后,将输出的图像块进行融合,并且将图像块重叠区域的像素求平均,从而得到最终的融合结果。选取12组不同自然场景的曝光序列,从主观和客观两方面与现有的基于像素和基于特征的7种算法进行了分析和比较。实验结果表明：无论在静态场景还是动态场景的测试中,所提算法都保留了更多的场景信息,获得了令人满意的视觉效果,同时该算法还保持了较高的计算效率。     

改进的局部ART测试算法研究

局部ART算法虽然克服了测试样本点与样本生成区域已测试顶点有可能距离很近的问题,但它对生成区域周围的已测试样本点对样本选择的影响考虑不足.本文针对局部ART算法的缺陷,提出了改进的局部ART算法,将生成区域周围一定范围内的已测试顶点都加入到临近已测试样本集中,在保持时间复杂度的同时,使测试样本的分布更加均匀.实验结果表明,改进的局部ART算法的错误检测能力得到了提升.     

基于局部均值和标准差的图像增强算法

针对传统图像局部增强算法,提出一种基于图像局部均值和标准差增强图像细节的算法。采用局部均值和标准差限定的方法,使低对比度和较暗的区域得到相应增强,对高对比度和较亮的区域保持不变。实验结果表明,该算法能够有效地增强低对比度低灰度的区域而保持其他区域不变,为图像的进一步处理提供满意的结果。     

基于兴趣点颜色及纹理特征的图像检索算法

提出一种利用兴趣点进行局部特征提取及检索的新方法。该方法利用图像中兴趣点的位置信息,提取兴趣点周围局部区域的颜色及纹理特征作为刻画图像内容的主要特征,结合兴趣点的空间分布对相似图像进行检索。对真实图像数据库的检索实验表明,该方法与其他基于兴趣点的方法相比,平均检索准确率提高了11%,能够更准确地查找到用户所需的图像。     

LPP算法和DLPP算法在掌纹识别中的应用研究

本文对近年来提出的局部保留映射（LPP）算法和判别局部保留映射（DLPP）算法思想进行了详细介绍,设计并完成了基于LPP和DLPP算法在掌纹识别中识别结果的对比实验。实验结果对基于这两种算法的掌纹识别方法给予数据支持,而且说明DLLP算法要优于LPP算法。     

无监督的差分鉴别特征提取以及在人脸识别上的应用

局部保持投影(LPP)只考虑了投影后的局部性,而忽视了非局部性.针对这个问题,引入非局部散布矩阵,提出无监督的差分鉴别特征提取算法,通过最大化非局部和局部之间的散度差来寻找最优变换矩阵,并将其成功地应用于人脸识别.该算法同时引入非局部和局部的信息,揭示隐含在高维图像空间中的非线性结构;采用差分的形式求解最优变换矩阵,以避免"小样本"问题;对LPP中的邻接矩阵进行了修正,以更准确地描述样本之间的邻近关系.在Yale和AR标准人脸库上的实验结果验证了文中算法的有效性.     

一种新的结合图像梯度的局部活动轮廓模型

基于区域的局部二值拟合模型只考虑图像灰度的平均值统计信息,然而由于图像中的噪声改变了图像的灰度分布,该类方法对于包含大量噪声的图像往往很难获得理想的效果。为了提高模型对于噪声的鲁棒性,提出了一种结合图像统计信息和梯度信息的局部活动轮廓模型。该模型在图像灰度的统计信息的基础上,加入图像梯度信息,分别构造以高斯函数为核函数的局部二值灰度拟合能量和局部二值梯度拟合能量,得到最终的能量泛函,并通过最小化该能量函数,驱使活动轮廓向目标边缘演化。实验结果表明,基于图像灰度和梯度的局部活动轮廓模型能够有效克服图像中弱边缘以及强噪声对于分割结果的影响,其分割精度高于同类方法。     

基于自适应判别局部块对齐的人脸识别

针对有监督学习下的人脸识别问题,提出自适应判别局部块对齐SALDA(Self adaptive Local Discriminative Alignment)算法用于提取人脸特征。SALDA算法利用各样本点所具有的独特的局部近邻点分布,通过同类近邻点自动构造各样本点的局部邻域;基于已构造的局部邻域,SALDA提出一个自适应局部判别分析模型,所得到的局部判别信息通过全局排列转化为统一的全局特征表示。SALDA算法具有自适应构造局部邻域和自适应局部判别分析两个特点。通过在人脸数据库上的仿真实验,证明了所提出的SALDA算法在人脸识别上的有效性。     

局部区分区域在三维模型检索中的应用及改进

由于对三维模型检索查全率与查准率的要求不断提高,在研究模型整体特征的同时,对于模型局部特征的研究越来越多。分析并讨论了几种主流的局部特征提取方法,深入研究了局部区分区域方法,并对此方法做出了改进以适应检索需求,经过试验证明,使用局部区分区域可以提高三维模型检索的查全率和查准率。     

人脸表情的LBP特征分析

为了有效提取面部表情特征,提出了一种新的基于LBP（局部二值模式）特征的人脸表情识别特征提取方法。首先用均值方差法对表情图像进行灰度规一化,通过对图像进行积分投影,定位出眉毛、眼睛、鼻和嘴巴这些关键特征点,进而划分出各特征部件所在子区域,然后对子区域进行分块,提取各个子区域的分块LBP直方图特征。为了验证所提出的方法的合理性,最后在JAFFE表情库上进行了实验,结果表明提出的方法能够有效地描述表情的特征。     

优化局部保留投影及其在表情识别中的应用

提出一种基于优化局部保留投影(OLPP)的人脸表情识别方法。OLPP方法在降维过程中将图像结构信息融入LPP目标函数,通过降维处理,在获得图像结构信息的同时将投影最优化,从而能从原始表情数据中提取更多更具判决性的有效表情信息。JAFFE和CED- WYU(1.0)2个表情数据库的识别结果表明,基于OLPP的特征提取方法能有效提高识别率。     

LDC-mine——基于局部偏差系数的孤立点挖掘算法

孤立点检测一直是知识发现（KDD）中一个活跃的领域，如信用卡欺诈，入侵检测等。在这些应用领域中研究孤立点的异常行为能够发现隐藏在数据集中更有价值的知识。提出了一个新的度量LDC(局部偏差系数)因子和基于LDC的孤立点挖掘的算法LDC-mine。实验证明：该算法能够有效地检测出孤立点。     

相关子空间中的局部离群数据挖掘算法研究

针对高维数据集,采用局部稀疏差异和局部密度差异的度量因子,给出一种相关子空间中的局部离群数据挖掘算法.该算法根据K最近邻(K-NN),确定数据集中各数据对象的局部数据集,并依据属性值的稀疏因子生成全局的稀疏因子矩阵和局部稀疏因子矩阵,从而有效地反映了数据对象的局部稀疏程度;根据局部稀疏因子矩阵,计算属性维对应的局部稀疏差异因子,并确定数据对象对应的子空间定义向量,从而体现了具有任意性相关的相关子空间;如果数据对象存在相关子空间,则采用高斯误差函数体现相关子空间中各数据对象的局部密度差异,有效地降低了"维灾"的影响,使得离群数据的度量与相关子空间的维度无关,并能够度量相关子空间的数据对象,否则设置数据对象的局部密度差异为0,表明其为正常数据;选取局部密度差异(离群程度)最大的若干数据对象作为局部离群数据;最后采用UCI和恒星光谱数据集,实验验证了该算法的有效性.