基于局部对称性的特征点加工策略及应用

在基于词袋模型的图像检索框架中,图像包含的SIFT特征点往往数量比较大,特征不够强。因此图像检索系统的效率和性能往往受影响。基于SIFT特征点的性质和视觉显著性原理,提出了SIFT特征点的局部对称性度量方法,并且在图像检索框架中嵌入了基于对称性的SIFT特征点过滤方法和加权策略,以提升SIFT特征点的利用效率。在牛津大学建筑物图像集上的实验结果表明,提出的基于对称性的SIFT特征点选择策略能有效地提高图像检索的性能。     

基于改进SIFT的离线签名鉴别方法

针对高质量模仿签名和签名图像的尺度变化对鉴别效果影响较大的问题,提出了一种基于改进SIFT的离线签名鉴别方法。该方法首先改进尺度空间的建立,减少尺度空间的层数和组数,然后检测签名图像的SIFT特征点和提取特征描述子,根据特征描述子间的欧氏距离进行匹配,通过邻近距离之比和特征点角度差筛选匹配对,并对匹配对特征点的角度差进行直方图统计构成ODH(Orientation Difference Histogram)特征向量。最终根据匹配对的数量和ODH特征向量的相似度完成鉴别工作。本文方法在本地数据库上的等误率为6.7%,在4NSigComp2010公共数据库上的等误率为20%。实验结果表明,该方法与现有方法相比有效的提高了鉴别正确率。     

对数极坐标特征指导的迭代就近点法

在多模态图像,有光照、取向及尺度或纹理变化的图像,以及宽基线图像之间通常存在大的形貌畸变。然而,当前主流推广的双自举迭代就近点法(GDB-ICP)在配准这类图对时存在困难。主要原因是,该方法利用提取的尺度不变泡点(SIFT keypoint)来引导迭代就近点法(ICP),但在大畸变图像上提取的SIFT点是不可靠的。为此,提出了一种用对数极坐标特征点(LPF)来引导迭代就近点的图像配准新方法(LPF-ICP)。实验结果表明,LPF-ICP方法成功地从Rensselaer数据组中的所有22对挑战性图对提取了可靠的LPF种子,并顺利实现了全图配准,而GDB-ICP方法则只完成了其中的19对,从而证实了LPF-ICP方法的有效性。     

基于SIFT和角点特征的商标检索算法

针对基于尺度不变特征变换(SIFT)的商标图像检索对于高度相似的反转商标图像容易出现漏检现象,提出了一种基于SIFT和角点特征的商标图像检索方法,该方法利用商标图像的局部角点特征弥补了SIFT特征的不足。实验结果表明,与现有方法相比,该方法保留了SIFT特征对遮挡、扭曲、噪声等干扰具有很强的抵抗力的优点外,同时增强了算法对图像形状的描述能力,表现出了更好的检索能力和性能。     

Farsi/Arabic handwritten digit recognition using quantum neural networks and bag of visual words method

Handwritten digit recognition has long been a challenging problem in the field of optical character recognition and of great importance in industry. This paper develops a new approach for handwritten digit recognition that uses a small number of patterns for training phase. To improve performance of isolated Farsi/Arabic handwritten digit recognition, we use Bag of Visual Words (BoVW) technique to construct images feature vectors. Each visual word is described by Scale Invariant Feature Transform (SIFT) method. For learning feature vectors, Quantum Neural Networks (QNN) classifier is used. Experimental results on a very popular Farsi/Arabic handwritten digit dataset (HODA dataset) show that proposed method can achieve the highest recognition rate compared to other state of the arts methods.     

基于单目视觉的机器人Monte Carlo自定位方法

针对单目视觉机器人定位问题,提出一种基于改进的尺度不变特征变换(SIFT)的Monte Carlo自定位方法.应用改进的SIFT方法提取特征,既能保证对图像光强变化、尺度缩放、三维视角和噪声具有不变性,又能减少SIFT算法产生的特征点及其抽取和匹配的时间.在机器人移动过程中,环境特征点的观测信息和里程计信息通过粒子滤波相融合,获得了更准确的环境标志点坐标.仿真实验结果验证了该方法的有效性.     

基于场强和凸壳的SIFT特征点匹配算法

传统尺度不变特征变换(SIFT)匹配算法的匹配结果易受参数影响。为此,提出一种于场强和凸壳的SIFT特征点匹配算法。在原始SIFT匹配方法基础上,结合特征点群的凸壳,引入引力场强概念刻画特征点群之间的空间特征关系,以进行图像点模式匹配,在匹配中充分利用特征点的几何空间信息。实验结果表明,该算法具有较高的匹配正确率,能找到更多的特征匹配点。     

基于Kinect三维重构的特征点提取改进

针对机器人在复杂的室内环境中,因提取特征点低效率、高失真造成性价比较低的问题,提出一种改进的SIFT特征点提取与匹配算法,并在此基础上构建基于Kinect的SLAM系统。SLAM系统前端对SIFT特征点提取法进行改进,使用高斯分离模糊函数,提高SIFT算法提取特征点的速度,并且使用RANSAC筛选不稳定特征点。本文所提出的改进型SIFT特征点提取法的SLAM系统可以对复杂与空旷的室内环境高效率、低失真的重构。     

HEp-2 image classification using intensity order pooling based features and bag of words

Human Epithelial type 2 (HEp-2) cells play an important role in the diagnosis of autoimmune disorder. Traditional approach relies on specialists to observe HEp-2 slides via the fluorescence microscope, which suffers from a number of shortcomings like being subjective and labor intensive. Pattern recognition techniques have been recently introduced to this research issue to make the process automatic. However, performances of current systems available in literature are not satisfying. We propose in this paper a framework using intensity order pooling based gradient feature and bag of words for HEp-2 classification. By pooling the gradient features based on the intensity orders of local grid points, the pooled feature is rotationally invariant without requirement of orientation estimation. The proposed approach was fully tested using publicly available ICPR dataset and our own SZU dataset. Experimental results show that the propose method significantly outperformed widely used SIFT feature and the winner of ICPR contest 2012. Encouraging 100% image level accuracy was achieved on the SZU dataset.     

基于局部特征过滤的快速火焰图像识别方法

传统的基于物理信号的火焰识别方法易被外部环境干扰,且现有火焰图像特征提取方法对于火焰和场景的区分度较低,从而导致火焰种类或场景改变时识别精度降低。针对这一问题,提出一种基于局部特征过滤和极限学习机的快速火焰识别方法,将颜色空间信息引入尺度不变特征变换（SIFT）算法。首先,将视频文件转化成帧图像,利用SIFT算法对所有图像提取特征描述符;其次,通过火焰在颜色空间上的信息特性进一步过滤局部噪声特征点,并借助关键点词袋（BOK）方法,将特征描述符转换成对应的特征向量;最后放入极限学习机进行训练,从而快速得到火焰识别模型。在火焰公开数据集及真实火灾场景图像进行的实验结果表明：所提方法对不同场景和火焰类型均具有较高的识别率和较快的检测速度,实验识别精度达97%以上;对于包含4301张图片数据的测试集,模型识别时间仅需2.19 s;与基于信息熵、纹理特征、火焰蔓延率的支持向量机模型,基于SIFT、火焰颜色空间特性的支持向量机模型,基于SIFT的极限学习机模型三种方法相比,所提方法在测试集精度、模型构建时间上均占有优势。     

基于改进SIFT特征的双目图像匹配算法

针对SIFT（尺度不变特征变换）算法无法准确定位物体形状特征的问题,提出了一种结合了Harris角点和SIFT算法的立体匹配方法。在DOG尺度空间提取Harris算子作为图像的特征点并为每个特征点定义主方向,计算出特征点的32维特征向量描述子并用BBF算法检索同名特征点之间的欧式距离进行匹配。在降低SIFT算法的时间复杂度的同时提高了算法提取特征点的形状意义,在双目图像匹配实验中取得了较好的结果。     

均值规范化对比度的局部特征描述符

目的 针对SIFT（Scale Invariant Feature Transform）特征描述方法存在特征维数高,计算效率低等问题,提出一种快速的,低维数的局部特征描述方法,即MN-CCH（Mean Normalized Contrast Context Histogram）。方法 该方法首先对局部特征区域内的像素进行均值规范化处理,得到局部特征区域的规范化对比度值。然后,在极坐标下以主方向为基准,将局部特征区域划分成32个子区域,统计每个子区域的正负对比度直方图。最后,对统计结果进行归一化消除线性光照的影响,得到64维的MN-CCH描述向量。结果 在图像变换数据集和小型图像检索数据库上的实验结果表明,64维的MN-CCH描述子可以达到与128维SIFT相当的匹配性能和相同的检索准确率,在描述子生成和匹配效率上明显优于SIFT方法,而且与同维数的CCH相比性能有明显的提高。结论 MN-CCH描述子在保留与SIFT相当性能的前提下,具有特征维数和计算效率的优势,更适合在一些对计算和存储资源要求较高的应用（如机器人导航,视觉SLAM等）中使用。     

遥感图像拼接系统

提出和实现了一种图像配准方法,利用OpenCV库开发了一个低空遥感图像拼接系统. 将SIFT作为图像拼接特征向量,实现了图像局部尺度空间中极值点的计算和SIFT特征点的提取. 使用特征向量的欧氏距离实现特征点的粗匹配,结合随机抽样一致RANSAC算法对匹配点进行优化,并精确估算出投影变换矩阵,实现两幅图像的拼接. 最后实现对重合区域的图像融合. 实验结果表明本文方法较好的解决了遥感图像中常出现的图像的平移、缩放、旋转等变换下的配准问题,达到较好的拼接效果.     

基于SIFT 特征的目标多自由度mean-shift 跟踪算法

传统的mean-shift跟踪算法不能跟踪目标的旋转、缩放运动,且常常因此造成定位不准.鉴于此,将尺度不变特征变换（SIFT）特征检测融入到mean-shift跟踪过程,提出SIFT特征点的尺度变化与目标的尺度变化成正比,特征点主方向变化与目标旋转角度一致,给出了基于SIFT特征的自适应目标尺度、方向计算方法,且利用带方向、可变带宽的椭圆核改进传统的mean-shift跟踪方法.实验表明,该算法能够较好地跟踪目标的旋转、缩放运动,定位也更准确.     

融合傅里叶描述子和尺度不变特征转换特征的商标检索

针对传统商标检索算法中全局特征容易造成误检,而局部特征SIFT对轮廓描述能力不强及算法复杂度高的问题,提出了一种融合图像全局特征和局部特征的商标检索算法。其中全局特征反应了图像的整体信息,这些信息可用来较快地建立候选图像库,而局部特征则可以更准确地与候选图像进行匹配。首先提取图像的傅里叶描述子进行初步检索,并按相似度排序,然后在此结果集的基础上对候选图像通过提取SIFT特征进行精确匹配。实验结果表明,该方法既保持了SIFT特征较高的查全率和查准率,优于傅里叶描述子单一特征,而且检索速度比SIFT单一特征显著提高,能很好地应用于商标图像检索系统中。     

基于Hadoop的大规模图像存储与检索

图像数据的指数型增长使得传统单机的图像检索在处理大规模图像时面临着检索速度慢、并发性差、检索准确率低的问题。由于图像特征文件都是小文件,本文提出将图像特征小文件进行适当的合并后存储于Hadoop的分布式文件系统HDFS中,实现大规模图像的快速存储和读取;为了适应大规模的图像检索,对图像Fisher向量进行二值化处理,并利用MapReduce并行编程模型实现基于二值Fisher向量和SIFT(Scale Invariant Feature Transform)特征的并行检索。在INRIA Holidays数据集、Kentucky数据集和Flicker1M数据集上的实验结果表明该方法扩展性强,能够取得较好的检索准确率,有效减少检索时间,提高检索速度,是一种高效的大规模图像存储和检索的方法。     

柱面全景图像自动拼接算法

提出了一种基于特征点匹配的柱面全景图像拼接算法。首先将360°环绕拍摄的序列图像投影到柱面坐标系下;然后提取各图像的SIFT（Scale Invariant Feature Transform,尺度不变特征变换）特征点,通过特征点匹配完成两幅图像的配准;再根据配准结果计算出图像间的变换参数;最后采用加权平均的融合方法对两幅图像进行无缝拼接。实验表明,算法可以有效、快速地自动生成柱面全景图像。     

基于全局特征和尺度不变特征转换特征融合的医学图像检索

特征提取是图像检索或图像配准的关键步骤,针对单一特征不能很好地表述图像的问题, 根据医学图像的特点,提出了一种融合全局特征和局部特征的医学图像检索算法。首先在研究单一特征医学图像检索算法的基础上, 提出了融合全局特征和相关反馈的检索算法;其次对尺度不变特征转换(SIFT)特征进行了优化,提出了改进的SIFT 特征提取算法和匹配算法;最后,为了保证结果的准确性并改进检索效果,采用了融合局部特征的方法逐步求精。通过对标准临床数字式X射线成像(DR)图像数据库的实验研究表明,该算法应用在医学图像的检索中有较好的结果。