多特征融合的室内场景分类研究

针对场景分类方法在室内场景领域的分类精度普遍较低的问题,提出一种融合全局特征和局部特征的多特征室内场景分类的方法.首先,提取场景图像的SIFT局部特征并根据关键点位置进行聚类处理和降维,得到统一维度的SIFT特征矩阵;其次,提取场景图像的PHOG局部特征和Gist全局特征,并与SIFT特征融合在同一特征矩阵中;然后,采用SVM分类器进行场景分类的训练与识别.实验结果表明,相对于单一特征的场景图像分类方法,本文的方法具有更高的分类精度.     

MSER快速自然场景倾斜文本定位算法

针对在自然场景中文本定位需要大量样本训练导致算法运行速度较慢且倾斜文本难以定位的问题,提出了一种基于最大稳定极值区域(maximally stable extremal regions,MSER)结合层次聚类的快速自然场景倾斜文本定位算法。利用MSER椭圆拟合的方法对图片进行最大极值稳定区域的选取,并根据拟合椭圆的自身特征和在图像上的位置特征,过滤掉大部分的非文本区域,筛选出文本候选区域。运用层次聚类的思想,快速对文本区域逐层聚类融合,最终将单个的文本区域合并成单词区域,实现高效的倾斜场景文本定位。实验结果表明,与传统的定位算法相比,该算法在没有损失定位精度的情况下运算速度有明显的提升。     

基于模糊积分的多分类器融合文本分类研究

提出一种基于模糊积分的多神经网络分类器融合文本分类方法,利用Sugeno模糊积分作为融合工具,将BP神经网络、RBF神经网络及采用K-means算法的RBF神经网络等多种文本分类器相结合,取得了更加优化的中文文本分类结果。     

基于Gist特征与PHOG特征融合的多类场景分类

Gist特征是根据稀疏网格划分提取图像全局特征,它可以很好地描述单一场景,但是对于同一图像可能包含的多个场景,该特征的区分性能有所下降;而PHOG特征,提取的是图像局部轮廓特征,对Gist特征有一定的补充.本文以此提出基于Gist特征与PHOG特征融合的场景分类技术,首先分别提取图像的Gist特征和PHOG特征,然后将两种特征串接起来形成融合特征,最后使用SVM分类器进行场景训练和分类.在OT数据集上,考察了单一特征的分类精度和融合特征的分类精度,以及训练样本数对分类性能的影响,通过实验对比发现特征融合能够有效地提高场景分类的正确率.     

基于多场景融合的分布式推荐模型

个性化推荐系统中普遍存在着信息共享程度低、资源复用不足等问题.针对这些问题,提出基于多场景融合的分布式推荐模型,给出了该模型的组成单元和运行流程,以及对应的场景数据结构.该模型采用分布式的双向刻画的方法,通过多场景融合算法,进行客户特征(需求)与服务场景的互生成,并最终生成推荐列表.仿真实验证明,该模型较之独立节点的推荐模型,在消费娱乐领域,具有较高的客户覆盖度、推荐精度,且占用系统资源较少,具有较高的性价比.     

基于多特征融合和信息熵优化的前车检测

针对高速公路前车检测中单一特征易受光照、天气等环境因素影响的问题,提出一种基于多特征融合和信息熵优化的检测算法。首先,利用自适应大津算法对路面进行阈值分割,生成若干车辆假设区域;其次在方向梯度直方图(histogram of gradient, HOG)特征的基础上,引入几何特征、纹理特征和幅值特征构造特征向量,并根据信息熵对特征向量进行优化;最后,训练支持向量机(support vector machine, SVM)验证假设区域。实验结果表明,该算法提高了前车检测的准确率,扩大了前车检测的适用范围。     

基于多特征的中文文本蕴含识别

提出了一种基于多特征的中文文本蕴含识别方法,首先对文本进行预处理、中文分词、词性标注、命名实体识别、依存分析等处理;然后提取字符串特征、句法特征、语义特征等,使用贝叶斯逻辑回归模型进行预测;最后再使用规则进行修正,得到最终的识别结果.该方法在2014年RITE-VAL 评测任务的CS 数据上的MacroF1为0.625,超过目前最好的研究现状(MacroF1：0.615, BUPTTeam-CS-SVBC-05).     

基于多特征融合GMM的阴影检测策略研究

将运动目标从背景中准确分割出的过程中,阴影的检测和消除起着重要作用。传统的目标和阴影检测算法一般都是基于目标颜色等单特征信息,因此在很大程度上受到了场景光照条件变化的影响而导致算法的执行效果降低。提出一种基于颜色信息和纹理信息的多特征融合的混合高斯模型检测算法,可以降低由单特征检测所带来较高的误检率。其中采用了两重阴影判决方法以确定真实阴影,首先通过颜色夹角进行疑似阴影的判决,进而根据前景区域和背景区域的相似度和颜色分量差值再次判决阴影。最后通过实验对阴影检测算法进行比较,表明了本文提出算法能够对阴影进行准确消除。     

基于多源传感器数据融合的三维场景重建

针对特定校园场景重建结果中存在的目标冗余等情况,提出了一种相机RGB位图和激光雷达数据融合的方法.在三维重建领域,通过数据融合的方法剔除特定场景中无关目标以实现三维场景重现.首先使用轻量级的LeGO-LOAM算法,将不同类型的特征点进行特征提取与匹配,融合不同时刻的点云完成点云地图的重现;然后对构建的点云地图中可能存在...     

一种基于多模态特征融合的垃圾邮件过滤方法

近年来,垃圾邮件制造者为了逃避基于文本的垃圾邮件过滤系统的检测,将垃圾信息嵌入到图像中,并将其附着在邮件正文中进行传播。传统的基于文本的过滤方式无法处理此类包含垃圾信息的邮件图像。为了应对这种同时包含文本和图像的垃圾邮件,本文提出了一种基于多模态特征的融合文本、图像等多媒体信息的过滤方法。首先通过抽取邮件的文本特征和图像特征构建多个分类器,然后采用多分类器融合技术对各分类器的输出结果进行综合。通过对TREC垃圾邮件语料集的测试实验表明,本文提出多模态特征融合的方法获得了比单个分类器更好的效果,准确率达到90%以上。     

基于多特征融合的科学仪器工作状态检测方法

针对单一特征量状态检测的非鲁棒性,提出一种应用多特征融合技术的科学仪器工作状态检测方法。建立了条件约束方程组对基于圆内接直角三角形的圆检测算法加以改进。提出串并联混合结构模型,采用各特征量的模糊置信度作为模型输入,依据全局融合中心得出的综合置信度,决策出科学仪器工作状态指示灯的指示状态。EMX-SM7型电子探针的应用实验表明,该方法可以在多变的环境中准确可靠地完成在线检测任务。     

结合WTLBP特征和SVM的复杂场景文本定位方法

针对自然环境中文字结构差异性大,文字和非文字难以有效区分而造成定位虚警率较高的问题,提出利用小波变换(WT)和多尺度LBP算子相结合的方法(WTLBP)提取文字特征,并将其用于对候选文字区域的分类确认,以降低文本定位虚警率．算法首先利用文字笔画边缘实现快速的文本区域检测,获得候选的文字区域;然后,提取候选文字区域的WTLBP纹理特征,结合支持向量机(SVM)分类器对候选文字区域进行分类确认．实验结果表明, WTLBP文字特征具有较高的区分度,能够有效区分文字和非文字区域,将其用于对候选区域的分类确认可大大降低复杂场景中文本定位虚警率．     

基于多尺度显著区域特征学习的场景识别

场景识别是图像高层语义信息理解的重点和难点领域。如何寻找场景中有效信息的位置是场景识别领域中非常困难的问题。该文提出了一种基于多尺度显著区域特征学习的场景识别方法。首先,提取一个场景中在多尺度下的显著区域;然后,通过卷积神经网络的迁移学习,利用学习到的特征在多尺度的显著区域内对场景进行识别。基于两个公共场景识别数据库上的实验证明了该方法的有效性和良好的泛化能力。实验结果表明,该方法相对于传统的场景识别方法能取得更好的场景识别准确度。     

基于面部多特征跨层融合网络的驾驶员疲劳检测方法

针对现有驾驶员疲劳检测很大程度依赖于局部疲劳相关信息提取而导致检测准确度不足的问题,本文提出了一种基于面部多特征融合的驾驶员疲劳检测算法,能够对整体面部疲劳状态进行特征学习,从而实现更精确的驾驶员疲劳状态检测。提出的驾驶员人脸疲劳检测算法包含3个步骤：首先使用MTCNN网络检测面部关键点并截取脸部、眼部、嘴部图像区域;其次设计一种面部多特征跨层融合网络,实现不同面部区域之间的信息交互与疲劳相关特征提取,进而通过多标签分类对单帧图像面部疲劳相关属性进行识别;最后使用LSTM对长时间序列进行建模,实现最终的驾驶员疲劳状态检测。本文提出的驾驶员疲劳检测算法在NTHU-DDD数据集进行了测试,对比实验验证了该方法的可行性和有效性。     

在雷达HRRP识别中多特征融合多类分类器设计

在传统线性关联向量机的基础上,设计了一种多特征融合的多类分类器.该分类器基于多类Probit回归模型将传统的两类线性关联向量机推广为多类关联向量机,利用线性关联向量机的特征选择功能,对融合的高维特征向量进行降维和合理的幂次扩展,使线性关联向量机具有构造非线性分类界面的能力,以保证对非线性多类分类问题稳健的融合识别性能.针对雷达高分辨距离像目标识别问题,提取3种平移不变特征,使用提出的多特征融合的多类分类器在基于实测数据的识别实验中得到了稳健的融合识别结果.     

基于多尺度特征融合的水果图像识别算法研究

水果图像识别是智能采摘系统中最重要的组成部分.针对现阶段水果图像识别过程中存在的漏检和误检现象,为进一步提高识别准确率,研究了基于多尺度特征融合的水果图像识别算法.首先,为避免训练过程中出现欠拟合现象,对Fruits-360中的水果图像进行数据扩充,并进一步灰度归一化处理以减少计算量.随后采用ResNet-50作为骨干网络,并在骨干网络的基础上建立多尺度采样层,使用1×1、3×3和5×5的卷积核在拓宽网络宽度的同时进行特征提取,多尺度网络层整体增加BN层,即在每个卷积层之后都增加BN层.使在ResNet-50提取的原始特征基础上获取语义信息更加丰富的特征图.最后采用梯度下降法优化网络,得到最终的识别模型.实验结果表明,所提算法识别精度高,可准确的对水果图像经识别,识别精度高达99.4％,在相同数据集的情况下,优于目前主流算法,可为水果自动采摘技术提供帮助.     

多尺度特征提取和多级别特征融合的显著性目标检测方法

显著性目标检测已经被广泛应用到图像检索、图像分割、行人重识别等领域.目前主流的显著性目标检测方法通常采用短连接加权的方式融合多级别特征信息,这种方式无法精准有效地控制信息流的传递.而且,现有的检测方法通常采用单一的特征检测,导致显著性目标区域与背景的边界不连续、易模糊.因此,本文提出一种多尺度特征提取和多级别特征融合的...     

基于贝叶斯扩张树的文本分类算法

将文本的特征作为贝叶斯网络的节点,根据样本数据计算节点之间的互信息,并且将它们作为网络中边的权。利用 Kruskal 算法构造了一种简单的贝叶斯网络—贝叶斯扩张树,使它具有最大对数似然值。利用贝叶斯条件概率公式,将贝叶斯扩张树作为分类器对文档集中的文档进行分类。     

多特征融合和孪生注意力网络的高分辨率遥感图像目标检测

为提高高分辨率遥感图像目标检测效果,本文将多特征融合方法和孪生注意力网络相结合,提出一种新的目标检测方法。构建遥感图像目标检测的整体框架,基于锚框模型对遥感图像目标进行多层特征的提取及融合;运用孪生注意力网络对遥感图像目标实时视觉跟踪检测,引入通道和空间的双重自注意力机制,提高目标图像的特征表达能力,由此得到更加精准的检测结果。实验分析结果表明,本文方法的平均总体精度为93.8,F1指数平均值为0.88,Kappa系数平均值为0.93,均明显高于对比方法,说明本文方法具有较好的检测效果。