改进复杂网络模型的形状特征提取

目的 传统的基于欧氏距离的复杂网络表示方法容易受形状的非刚性变形影响。鉴于此,提出一种基于复杂网络模型与相对一致性距离相结合的形状特征提取方法。方法 首先,提取形状的边界轮廓点作为网络的节点,利用节点间的相对一致性距离作为边的权值构建初始的复杂网络模型;然后,利用阈值演化方法对初始网络模型进行动态演化,得到一系列子网络;最后,提取不同演化阶段下子网络的拓扑特征,实现对形状特征的提取。结果 分类和检索实验结果表明,相比于传统的复杂网络描述方法,本文方法对形状图像具有更强的描述和识别能力。结论 相比于传统的距离度量,相对一致性距离对形状的非刚性变形具有更强的稳定性。     

用于形状识别的目标轮廓无序点集描述与匹配

将目标形状的轮廓看成一个无序的点集,从中抽取形状特征,用于快速而有效的目标识别是形状分析任务中的挑战性问题.针对该问题,提出了一种基于复杂网络模型的形状描述和识别方法.该方法提出用一种自组织的网络动态演化模型构成一个分层的描述框架,在网络动态演化的每一个时刻,对网络分别进行局部测量和全局测量,抽取网络的无权特征和加权特征.在形状匹配阶段,用获得的局部描述子和全局描述子分别进行局部匹配（基于Hausdorff距离）和全局匹配（基于L₁距离）,组合两种匹配的距离值构成对形状的差异度度量.用标准的测试集对所提出的方法进行性能测试,实验结果表明,所提出的算法能够快速而又鲁棒地完成较高精度的形状识别任务.     

基于多尺度轮廓段的形状特征提取与识别

形状识别是计算机视觉与模式识别领域的重要研究内容。形状的特征选取与描述是形状识别的研究热点。针对现有识别方法的不足，提出一种通过对不同长度轮廓段进行描述，进行特征提取的方法。对每个形状均在6种尺度下进行特征提取，每种尺度选取5种轮廓段特征参数，实现了对形状的特征描述。在形状识别阶段，使用动态时间规整（DTW）算法度量形状描述子之间的匹配距离，实现形状识别。分别在Kimia99、Kimia216和MPEG-7数据库中进行算法验证，结果表明基于多尺度轮廓段的形状特征描述子具有旋转、缩放、平移和局部遮挡不变性，识别率优于现有算法。     

形状的不变量特征提取与识别

目的 形状作为图像检索、目标识别等任务中的一种重要线索,一直是计算机视觉领域研究的重点课题。形状识别在实际应用中经常受到视角变化、非线性形变等因素的干扰,导致识别精度较低。针对这一状况,提出一种多尺度的不变量形状描述。方法 方法首先在多个尺度下对形状轮廓进行计算,提取5种不变量特征,以构建对形状的有效描述,然后利用动态时间规整（DTW）算法对形状描述进行匹配,计算形状之间的相似度,以完成形状的匹配与识别。结果 基于不变量多尺度的形状描述对于旋转、缩放、局部遮挡、铰接形变、类内差异,以及噪声等干扰具有很强的鲁棒性。同时,方法被用于对MPEG-7、Kimia99、Kimia216以及铰接形状数据库中的形状进行识别,取得了较高的识别精度,分别为91.79%、95.27%、91.33%,以及89.75%。此外,在MPEG-7数据库中进行形状识别的平均耗时为65 ms,优于大多数同类方法。结论 提出了一种基于不变量多尺度的形状描述方法。该方法能提取形状在不同尺度下的多种不变量特征,对形状进行有效描述,提高了形状描述对几何变换和非线性形变等干扰的鲁棒性以及形状匹配识别精度,适用于大多数应用场景下的目标识别任务。尤其是在旋转、缩放、类内差异、局部遮挡和铰接变形等干扰存在的情况下也能保持较高的识别正确率。     

形状的几何特征数值描述与交通标志的识别

形状是反映物体特征信息的重要载体，形状描述的主要目的在于提取用以估计区域的特征信息，针对一个典型的二值计算机视觉问题即交通标志的识别进行研究，提出了基于集合交换的形状几何特征的数值描述，并用以描述交通标志的内核形状的特征。４种相应的形状识别方法被应用于交通标志的识别。实验结果表明新方法的有效性和鲁棒性。     

傅立叶描述子识别物体的形状

傅立叶描述子是分析和识别物体形状的重要方法之一，利用基于曲线多边形近似的连续傅立叶变换方法计算傅立叶描述子，并通过形状的主方向消除边界起始点相位影响的方法，定义了新的具有旋转，平移和尺度不变性的归一化傅立叶描述子，与使用离散傅立叶变换和模归一化的传统傅立叶描述了相比，新的归一化傅立叶描述于同时保留了模与相位特性，因此能够更好地识别物体的形状，实验表明这种新的归一化傅立叶描述子比传统的傅立叶描述子能够更加高效，准确地识别物体的形状。     

基于形状上下文描述子的步态识别

首先提取出行人二值轮廓序列,用分通道的灰度差和变化局部区域阈值进一步去除阴影、增强轮廓.用形状上下文描述子求取轮廓边缘采样点集的直方图分布,以此作为人体轮廓特征.用改进的Hausdorff距离算法定量轮廓间的相似度,窗口滑动搜索策略计算关键姿态轮廓集合问的匹配距离,最终实现步态分类和识别.在小型CA-SIA室外步态数据库和大型Soton室内库上进行实验,方法的正确识别率分别可达到91.25%和86.97%,与现有方法相比识别率均有提高.实验结果还表明人体轮廓采样点数取200点时识别率最高.     

基于小波描述子和神经网络的形状识别

提出一种把小波描述子和神经网络相结合的形状识别方法。通过小波描述子提取待识别物体的形状特征,所提取的特征值不受物体位移、缩放和旋转的影响,接着用多层分类器网络对物体的形状进行识别分类,并采用BP算法对神经网络进行学习和训练。最后得出令人满意的实验结果。     

基于小波描述子和神经网络的形状识别

提出一种把小波描述子和神经网络相结合的形状识别方法。通过小波描述子提取待识别物体的形状特征，所提取的特征值不受物体位移、缩放和旋转的影响，接着用多层分类器网络对物体的形状进行识别分类，并采用BP算法对神经网络进行学习和训练。最后得出令人满意的实验结果。     

基于形状特征描述算子的3D模型检索

针对投影图像的形状特征,结合傅里叶描述算子、Zernke不变矩、形状参数、离心率的特点,提出一种基于权重关系的合成的形状特征描述算子,将其应用到3D模型投影图像检索算法中。实验结果表明,相比其他4种形状特征描述算子,该算子能较好描述投影图像的轮廓、区域以及整体特征信息,并可提高算法的检索效率。     

基于SC特征的叶片图像识别研究

提出一种基于改进SC形状上下文描述子的叶片图像特征提取方法.利用颜色聚类分割图像,使用Ostu算子实现二值化处理,提取图像边缘轮廓,结合形状上下文(SC)描述子提取图像轮廓特征,计算匹配代价矩阵,利用匈牙利算法获得最小匹配代价.结果表明该算法具有较高的识别准确度.     

基于BP神经网络的图像形状识别

图像形状特征的提取和描述方法是基于形状的图像检索的重要研究内容，本文根据形状特征的描述方法，对提取的形状特征参数抽取一组特征值，形成特征向量，并进行归一化，然后利用BP神经网络进行形状识别，取得了较好的实验效果，对基于形状的图像检索具有一定的指导意义。     

用于形状特征提取的spike函数

形状特征是图像的一种重要视觉特征,其提取方法是形状识别、图像检索以及图像匹配等领域的研究热点。Spike参数用来反映磨粒轮廓角度的变化,spike参数越大,磨粒越尖锐,磨粒的磨损作用越大。在spike参数的基础上,提出了4种用于形状特征提取的spike函数,分别为用于表征形状轮廓细节特征的spike-angle函数和spike-height函数,以及用于表征形状轮廓整体特征的spike-area函数和spike-distance函数。根据spike函数提取形状特征时,采用多个步长的spike-angle函数和spike-height函数,同时采用单个步长的spike-area函数和spike-distance函数。为了消除起始点对spike函数计算的影响,以多尺度spike函数的归一化傅里叶变换系数的幅值作为形状特征。分别在MPEG-7和Swedish leaf数据集进行实验验证,与其他方法的对比结果表明采用spike函数提取形状特征,用于形状识别时,识别准确率高,抗噪声能力强。     

一种基于复杂网络的图像形状及纹理描述方法

文中提出了一种基于复杂网络的图像特征描述方法。将图像的关键点作为复杂网络节点,利用最小生成树分解法完成初始网络的动态演化过程,由不同演化阶段下的复杂网络特征实现对图像的形状描述;根据图像像素和周围邻域的距离与灰度的相似度,由不同的阈值生成度矩阵,统计不同阈值下网络节点的度分布,完成图像的纹理描述。实验证明,该算法具有较强的鲁棒性和旋转不变性,并且在分类实验中也有较好的表现。     

基于复空间中K-L变换的人脸识别

文中提出了一种基于复空间中从类平均向量中提取判别信息的K-L变换的人脸识别新方法。在ORL人脸库上实验结果表明所提出的方法不仅识别性能优于经典的Eigenfaces和Fisherfaces，而且最佳识别率达到97％。     

基于复主分量分析的人脸识别

提出了一种基于复主分量分析的人脸识别新方法。首先采用两种不同的K—L变换分别降低原始图像空间的维数，得到高维原始图像的两种简约表示。然后利用复向量将同一样本的两组特征向量合并在一起，通过运用复主分量分析，来抽取人脸图像的有效鉴别特征。最后在0RL人脸库上实验结果表明所提出的方法不仅识别性能优于经典的Eigenfaces和Fisherfaces方法，而且仅用27个特征识别率就达到96％。     

双树复小波变换结合LM神经网络的掌纹识别方案

针对现有掌纹识别方案不能够很好的提取多分辨率特征的问题,提出一种基于双树复小波变换（DT-CWT）和Levenberg-Marquardt（LM）神经网络的掌纹识别方案. 首先,将彩色手掌图像转换成灰度图像. 然后,提取出手掌图像中的感兴趣区域（ROI）,并构建成直方图. 接着,利用DT-CWT进行6层小波分解并获得特征系数,分别计算特征系数的最大值、平均值和中值构建36维特征向量. 最后,利用LM神经网络根据特征向量实现掌纹的识别分类. 在CASIA数据库上的实验结果表明,相比其他几种较新的识别方案,提出的方案的具有更高的识别率和更少的识别时间.