基于谱域-空域结合特征和图割原理的高光谱图像分类

高光谱图像中存在着特征维度高而训练集小的问题。为解决该问题,提出了一种2步走的分类方法:1)通过支持向量机对图像进行初步分类,根据分类结果计算出每个类别的均值特征;2)使用1)计算出来的均值特征作为能量函数的数据项,然后利用图割原理对图像做二次分类。实验中发现:空间上相近的像素点往往具有相似的特征,且属于同一个类别。针对这种现象,提取一个将谱域特征和空域特征相结合的新特征。该特征既包含了光谱信息也包含了空间信息,具有较好的分类性能和鲁棒性。在Indian Pine数据集和Pavia University数据集进行实验,实验结果表明了本文提出方法的有效性。     

一种基于级联神经网络的飞机检测方法

由于旋转角度多样性、极端的尺度差异的影响，遥感图像中的飞机检测目前仍存在挑战。为了解决旋转和尺度的问题，目前的策略是将现有的自然场景下的目标检测算法(如Faster R-CNN、SSD等)直接迁移到遥感图像中。这些算法的主干网络复杂，模型占用空间大，难以应用到低功耗和嵌入式设备中。为了在准确率不降低的情况下提高检测速度，本文提出了一个仅包含9层的卷积神经网络来解决飞机检测问题。该网络采用了由粗到细的策略，通过级联两个网络的方式减少计算开销。为了评估方法的有效性，我们建立了一个针对飞机检测的遥感数据集。实验结果表明，该方法超越了VGG16等复杂的主干网络，达到了接近主流检测方法的性能表现，同时显著降低了参数量并使检测速度提高了2倍以上。     

一种简单快速的相机标定新方法

本文提出了一种新的相机自标定方法,该方法要求摄像机在3个(或3个以上)不同方位摄取一个包含其内接正三角形的圆的新型标定模板的图像.首先,从模板图像中推导得到圆环点的像点坐标;然后通过得到的圆环点像点坐标,可线性求解摄像机内参数.与传统方法不同的是,该方法避免了复杂的椭圆拟合和直线拟合,降低了计算复杂度,提高了标定速度和...     

关键肢体角度直方图的行为识别

当前的姿态表示的行为识别方法通常对姿态的准确性做了很强的假设,而当姿态分析不精确时,这些现有方法的识别效果不佳。提出了一种低维的、鲁棒的基于关键肢体角度直方图的人体姿态特征描述子,用于将整个动作视频映射成一个特征向量。同时,还在特征向量中引入共生模型,用以表示肢体间的关联性。最后,设计了分层的SVM分类器,第1层主要用于选择高判别力的肢体作为关键肢体,第2层则利用关键肢体的角度直方图并作为特征向量,进行行为识别。实验结果表明,基于关键肢体角度直方图的动作特征具有较好的判别能力,能更好地区分相似动作,并最终取得了更好的识别效果。     

基于透视不变二值特征描述子的图像匹配算法

针对基于局部特征的图像匹配算法普遍存在对透视变换顽健性差的缺点,提出了一种新的二值特征描述子PIBC（perspective invariant binary code）,提高了图像匹配算法的透视变换顽健性。首先,在提取金字塔图像FAST特征点的基础上,利用Harris角点响应值去除非极大值点和边缘响应点;其次,通过模拟相机不同视角成像之间的透视变换,对单个FAST特征点生成不同视角变换下图像的二值描述子,使描述子具备描述不同视角图像中同一特征点的能力。实验结果表明,算法在提高描述子透视不变性的同时时间复杂度与SURF算法近似。     

行人检测技术综述

行人检测是计算机视觉中的研究热点和难点,本文对2005-2011这段时间内的行人检测技术中最核心的两个问题—特征提取、分类器与定位—的研究现状进行综述.文章中首先将这些问题的处理方法分为不同的类别,将行人特征分为底层特征、基于学习的特征和混合特征,分类与定位方法分为滑动窗口法和超越滑动窗口法,并从纵横两个方向对这些方法的优缺点进行分析和比较,然后总结了构建行人检测器在实现细节上的一些经验,最后对行人检测技术的未来进行展望.     

H.264中的运动估计和帧内预测算法研究

 针对一些算法过早的确定搜索方向,容易陷入局部最优点缺失搜索准确度的情况,提出一种新的基于搜索方向预测的运动估计算法.实验结果表明,与单一搜索图形相比,该算法具有更高的搜索精度和搜索速度.帧内预测技术作为影响帧编码效率的关键,一直被广泛研究,为此,本文提出了一种快速的帧内预测算法,对宏块划分提出了新的"模板"宏块对比算法思想,并在已有的抽样算法和搜索窗算法的基础上,提出了改进方法.实验结果证明,算法在不降低图像质量的基础上,编码速度平均提高80%.     

基于在线半监督boosting的协同训练目标跟踪算法

基于自训练的判别式目标跟踪算法使用分类器的预测结果更新分类器自身,容易累积分类错误,从而导致漂移问题。为了克服自训练跟踪算法的不足,该文提出一种基于在线半监督boosting的协同训练目标跟踪算法(简称Co-SemiBoost),其采用一种新的在线协同训练框架,利用未标记样本协同训练两个特征视图中的分类器,同时结合先验模型和在线分类器迭代预测未标记样本的类标记和权重。该算法能够有效提高分类器的判别能力,鲁棒地处理遮挡、光照变化等问题,从而较好地适应目标外观的变化。在若干个视频序列的实验结果表明,该算法具有良好的跟踪性能。     

一种透视不变的图像匹配算法

针对ASIFT (Affine scale invariant feature transform) 算法存在的仿射采样策略、采样点离散设置等问题,提出了一种基于粒子群优化的图像透视不变特征PSIFT (Perspective scale invariant feature transform)算法. 该算法通过虚拟相机的透视采样来模拟景物在多视角图像中的变形. 在此基础上,将图像匹配问题转换为透视变换的优化问题,并以粒子群算法为工具,研究了虚拟相机旋转参数搜索空间、适应值函数的合理设定. 针对三组不同类型低空遥感图像的实验结果表明,该算法比ASIFT、SIFT (Scale invariant feature transform)、Harris affine和MSER (Maximally stable extremal regions)等算法获得更多的特征匹配对,有效地提高了算法对视角变化的鲁棒性.     

RBFD:一种鲁棒的图像局部二值特征描述子

针对传统浮点型特征描述子占用空间大、匹配速度慢的问题,提出一种基于梯度统计信息比较的局部二值特征描述子.通过对比特征点邻域梯度统计信息生成二值特征描述子,再利用多邻域和多分块策略提高描述子判别力,最后通过近似简化的Ada Boost算法实现描述子降维.实验结果表明,与已有描述子相比,文中提出的描述子在实现快速生成的同时其鲁棒性更强.