现勘图像检索综述

现勘图像检索是进行证据图像比对以获取物证信息的重要手段.本文基于目前应用广泛的现勘图像数据库,根据图像内容将图像分为鞋印、指纹、纹身等种类.并通过对现勘图像的两项关键技术即低层数字特征提取和高层语义分析的总结,从颜色特征、纹理特征、边缘提取等方面综述了现勘图像低层数字特征提取技术,从利用语义模板和数据库本体结构、机器学习算法、引入人工反馈三大类高层语义提取技术综述了现勘图像高层语义分析的研究成果.最后,结合公安行业利用现勘图像获取物证线索的实际应用需求,指出了通过引入公安行业先验知识来提高检索效率等研究方向.     

基于颜色通道融合特征的现勘图像分类算法

针对单一特征难以精确地表达复杂图像内容的问题,提出基于颜色通道融合特征的现勘图像分类算法。首先,分别在H,S和V三个颜色通道上提取图像的LBP特征和GIST特征,并利用颜色空间信息进行加权融合;然后,将融合的LBP和GIST特征串联形成新的特征描述向量,并用于训练分类器以实现精确地现勘图像分类。在现勘图像数据库上,大量实验结果显示提出的现勘图像分类算法优于基于单一特征的图像分类正确率。     

融合颜色特征和纹理特征的图像检索算法

文章结合颜色特征和纹理特征,利用欧氏距离计算两幅图像的相似度进行图像检索。首先,在HSV空间下,提取颜色特征并进行归一化处理。然后,提取GLCM的特征值,并结合Tamura特征形成更加丰富的纹理特征。最后,分别计算待检索图像和图像库中图像的颜色和纹理相似度,在不同权重下融合颜色和纹理特征得出最终相似度。Matlab实验表明,不同种类的图像,分配颜色和纹理的不同权重时,有不同的查准率。调整图像的特征权重可以提高查准率。     

基于特征共现的无监督哈希检索算法

现有无监督哈希检索算法的关注点在于哈希映射过程中的信息损失以及生成哈希的质量问题,忽略了图像特征本身对检索精度的影响。为进一步提高检索的精度,提出一种改进的基于特征共现的无监督哈希检索算法（Unsupervised Hash retrieval algorithm based on Feature Co-occurrence, UHFC）。该算法共分为两个阶段：深度特征提取和无监督哈希生成。为提高图像特征的质量,UHFC在卷积神经网络(Convolutional Neural Network, CNN)结构的最后一层卷积后引入了共现层,用来提取特征之间的依赖关系。并用共现激活值的均值来表示共现程度,解决原共现操作存在相同两个通道的共现值不一致的问题;接着,在特征融合部分UHFC设计一种适用于共现特征融合的,结合空间注意力机制的注意特征融合方法（Attention Feature Fusion method based on Spatial attention, AFF-S）。通过注意力机制自主学习共现特征与深度特征融合的权重,降低特征融合过程中背景因素的干扰,提高最终图像特征的表达能力...     

网格运动统计的刑侦现勘图像匹配算法

刑侦现勘图像存在质量差、模糊、目标复杂且分辨力低等缺点,这些缺点导致图像匹配时出现效果差、耗时长等问题,针对该问题提出一种基于网格运动统计(GMS)的特征匹配算法。该算法首先使用网格对图像均匀分割,然后在网格邻域中统计额外支持特征的数量,其次分别计算正确与错误匹配的概率以构造评分函数,最后通过评分函数和评分阈值来区分正确与错误匹配。实验结果表明,该算法对刑侦现勘图像能够实现快速准确的匹配,且该算法对模糊人脸和高纹理的刑侦现勘图像都有较好的匹配效果。     

基于特征融合的唐卡图像检索技术研究

本文深入研究了唐卡图像的特征,并研究了适合唐卡的颜色、纹理、形状及多种特征融合的提取方法,并设计了基于特征融合的唐卡图像检索系统,最后得出结论:将唐卡图像的多特征融合后检索系统的准确性有一定了提高。     

基于MKSVM的多示例学习算法及刑侦图像分类

针对刑侦图像分类问题,提出一种基于多核支持向量机的多示例学习(MIL)算法.首先,该方法采用金字塔网格划分法对刑侦图像进行分块,再将每幅图像作为一个多示例包,每个子块的底层视觉特征作为包中的示例,将刑侦图像分类问题转化为MIL问题;然后,采用K-means双重聚类方法对所有多示例包进行聚类生成聚类中心并定义为视觉字,再把视觉字的集合构造成视觉投影空间;最后,通过设计的非线性投影函数将每个包映射为视觉投影空间中的一个点,则MIL问题被转化为一个标准的有监督学习问题,并采用多核支持向量机(MKSVM)来训练刑侦图像分类器.基于真实刑侦图像库的对比实验表明,所提方法具有较好的鲁棒性,且分类精度高于其他方法.     

基于多特征融合的红外图像分类研究

针对传统红外图像目标分类方法准确率低的问题,提出了一种用结合多特征融合的粒子群优化(Particle Swarm Optimization, PSO)算法来优化支持向量机(Support Vector Machine, SVM)的方法。该方法采用方向梯度直方图(Histogram of Oriented Gradient, HOG)和局部二值模式(Local Binary Pattern, LBP)两类特征描述红外图像中目标的轮廓特征和局部纹理,从不同的方面展现红外图像的特点,在图像的特征表达上具有一定的互补性。在特征提取后对样本数据进行凸包算法计算,得到一些具有代表性的样本数据,从而提高分类计算效率;在分类模型训练时,采用PSO算法优化SVM,寻找SVM的最优惩罚因子和核参数,从而提高分类模型的准确率。实验结果表明,多特征融合的分类模型的准确率比单一特征的分类模型提高近10%,且经PSO优化的SVM最终模型的分类准确率高达99%。     

融合多特征的图像检索算法

针对单一特征不能很好地表述图像的问题,提出了一种融合多特征的图像检索算法.首先,提取查询图像和图像库中样本图像的GIST(Generalized Search Tree)特征,用欧氏距离衡量图像间的GIST相似度值,根据查询图像的GIST特征在图像库中进行检索,将结果按相似度进行排序;然后,提取查询图像和返回结果中前k幅图像的尺度不变特征变换(SIFT)特征,使用BBF(Best Bin First)算法进行特征匹配;最后,通过特征点匹配点对数排序并返回检索结果.实验在改进的Corel1000数据集上进行,与传统的单特征图像检索算法对比,提出的图像检索算法不仅提高了检索准确率,而且获得了较好的检索效率.     

基于多特征融合的运动对象识别算法

为提高视频检索的准确率,提出了一种基于多特征融合的视频运动对象识别算法。该算法首先使用基于背景帧构造及关键帧截取的方法提取视频中的运动对象的区域;然后分别提取运动对象的局部特征SURF描述子和全局特征如颜色直方图、边缘直方图等,并使两者融合为统一的特征向量;最后使用支持向量机对特征进行学习和识别,用以识别视频对象。实验证明该算法有效地提高了视频中运动对象识别的准确率。     

面向移动智能设备的多特征融合隐式鉴别机制研究

隐式鉴别机制在解决移动智能设备的安全性与易用性冲突方面具有重要而独特的作用.然而,已有工作通常基于单一特征或动作进行隐式鉴别,仅适合于特定动作、场景和范围.为了解决此问题,本文利用用户使用设备时存在位置、环境、状态、生物和行为特征,提出了一种基于多特征融合的隐式鉴别方案.该方案采集设备内置传感器、生物和行为数据,通过支持向量机方法训练和提取特征,设计多特征融合模型和构建隐式鉴别框架,计算用户身份信任水平,设计差异化安全策略并持续透明地鉴别用户身份.实验验证了该方案的有效性,并且能够平衡安全性与易用性和资源消耗.     

基于超像素多特征融合的快速图像分割算法

为了提高高分辨率图像分割效率,解决复杂图案中待分割目标边缘附近前景与背景区分度小而造成的分割目标不完整问题,本文通过引入超像素HOG特征,提出了一种基于超像素多特征融合（superpixel multi-feature fusion,SMFF）的快速图像分割算法.首先采用目前最有效的超像素算法对待分割图像进行超像素预分割,然后提取基于超像素的HOG特征、Lab颜色特征和空间位置特征,设计基于超像素的多特征度量算法,最终采用图割理论实现了基于超像素多特征融合的快速图像分割.实验结果验证了本文算法的有效性,其算法性能接近于目前最经典图像分割算法,且本文算法的时间性能要明显优于其它对比算法.     

基于混合学习框架的SVM反馈算法研究

 基于支持向量机（SupportVectorMachine,SVM）理论的相关反馈技术是可有效提高图像检索性能的重要手段之一。然而,大多数SVM反馈算法普遍受到小样本问题的制约。本文综合了集成学习、半监督学习和主动学习三种方法的技术特点,提出一种混合学习框架下的SVM反馈算法。该算法在Boosting迭代过程中使用了未标记图像,以增加个体SVM之间的差异,从而获得高效的集成学习模型。同时,高效的集成学习模型更有利于寻找富有信息（most informative）图像,从而也提高了用户主动反馈的效率。实验结果及对比分析表明,混合学习策略可有效改进相关反馈的性能。     

基于多媒体融合的图像检索系统的实现

提出一种融合了文本、语音、图像等信息特征的图像检索方案,并以MATLAB为平台构建了一种基于语音识别技术的新型图像检索系统.与基于文本或基于内容的图像检索系统相比,该系统既提高了检索性能,又使得人机交互更加便利.     

基于多特征融合技术的商品图像分类

针对网上商品图像的特点,提出了一种多特征融合的分类方法。本文针对颜色和商品图案风格两方面对图像进行分类。首先对商品图像进行分割,再提取特征,颜色特征选择提取颜色直方图特征和颜色矩特征;提取PHOG和SIFT特征来描述图案风格。然后采用基于决策的加权融合方法将两种特征结合起来进行分类,最后在数据集上进行实验,与仅用单一特征分类和使用普通多特征拼接方法作比较,使用本文融合特征的方法进行分类准确率较高,并且其准确率有8%~10%的提升。实验结果表明本文提出的方法是一种有效的商品图像分类方法。     

联合多尺度多特征的高分遥感图像场景分类

高分辨率遥感图像地物信息丰富,但场景构成复杂,目前基于手工设计的特征提取方法不能满足复杂场景分类的需求,而非监督特征学习方法尽管能够挖掘局部图像块的本征结构,但单一种类及尺度的特征难以有效表达实际应用中复杂遥感场景特性,导致分类性能受限.针对此问题,本文提出了一种基于多尺度多特征的遥感场景分类方法.该算法首先设计了一种改进的谱聚类非监督特征（iUFL-SC）以有效表征图像块的本征结构,然后通过密集采样提取每幅遥感场景的iUFL-SC、LBP、SIFT等三种多尺度局部图像块特征,并通过视觉词袋模型（BoVW）获得场景的中层特征表达,以实现更为准确详实的特征描述,最后基于直方图交叉核的支持向量机（HIKSVM）进行分类.在UC Merced数据集以及WHU-RS19数据集上的实验结果表明本文方法可对遥感场景进行鉴别特征提取,有效提高分类性能.     

基于综合特征和SVM相关反馈的图像检索

提出综合纹理、颜色和形状特征的图像检索方法。首先采用Gabor小波计算ROIs(Regions of Interest)的位置和数目;然后在ROIs中,使用Gabor小波提取纹理特征,采用YUV空间直方图和颜色矩表示颜色特征,使用Zernike矩提取形状特征。为了提高图像检索的准确度,最后采用基于支持向量机(SVM)的相关反馈算法。实验结果表明,提出的方法具有较好的检索性能。     

一种新的图像检索方法

常规基于内容图像检索的方法是提取图像的颜色、纹理等物理特征,运用相似性度量准则从图像库中查询相似的图像。为了提高图像检索的正确率,这里提出改进的方法。具体方法是:提取图像的物理特征,并将特征作为支持向量机(SVM)的输入向量,对图像进行分类,然后利用分类结果,对检索图像进行相似性匹配,从同类图像中找出相似的图像。实验结果显示,该方法的检索结果优于常规方法。