基于深度特征与局部特征融合的图像检索

为了提高准确率与效率,提出一种基于深度特征与局部特征融合的图像检索方法,选择深度特征作为全局特征,局部特征采用加速不变特征(speeded up robust features,SURF)和局部二值模式(local binary pattern,LBP)等.为了解决典型相关分析(canonical correlation analysis,CCA)的特征融合方法存在信息缺失、信息冗余2个缺陷的问题,将目标函数改进为最小化特征之间的相关性,求解出变换基,通过投影变换得到2种特征中各自所包含的独立性信息,在此基础上加入其中一方所包含的相关性信息,得到最终的融合结果.改进后的融合方法能够更加全面地表征原始数据,同时消除冗余信息.在实验中,首先通过图像分类的应用验证了深度特征与LBP特征融合具有较好的判别能力,平均分类准确率达到99.1%,同时具有较高的时间效率.通过实验讨论不同维度对特征融合性能的影响,结果表明,增加特征选择的维度能够在一定程度上提高分类准确率.最后,验证基于深度特征与局部特征融合的图像检索方法,计算融合特征的相似性距离,根据距离度量得到检索排名.在实验数据集上查准率为98....     

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.     

基于特征融合的人脸表情识别算法研究

为了避免传统表情识别方法中复杂的特征手动提取过程,同时保证能够提取到更多的表情特征,文中提出一种融合卷积神经网络(Convolutional Neural Network,CNN)、方向梯度直方图(Histogram of Oriented Gradient,HOG)以及人脸关键点定位(facial landmark detection)的人脸表情识别方法.该方法首先通过在图像预处理中使用多任务卷积神经网络(Multi-task convolutional neural network,MTCNN)对不同尺度输入图像进行人脸检测并得到人脸的关键点位置信息(facial landmark).然后根据facial landmark的位置信息计算出人脸表情图像的几何结构特征,并且计算人脸表情图像局部区域的方向梯度直方图来构成HOG特征,采用特征融合的方式将facial landmark和HOG特征做进一步的融合形成新的特征向量LM_HOG.最后将融合后的特征与经过CNN提取的全局特征再次融合输入到支持向量机(Support Vector Machine,SVM)和Softmax中进行表情识别.在FER2013和Extended Cohn-Kanade(CK+)人脸表情库上的实验结果表明,将融合得到的LM_HOG特征作为局部特征,用以描述图像的局部性差异,CNN提取的特征作为全局特征,用以描述人脸表情图像的整体性差异,融合后的特征能更好的提取图像细节特征,平均识别率分别达到了75.14％和97.86％,具有优越的性能.     

自然场景下交通标志检测与分类算法研究

在HSV彩色空间进行颜色分割的基础上,提出一种基于局部特征与模糊规则的交通标志检测算法.为了对检测出的标志进行分类理解,根据交通标志的颜色与形状特征信息进行分层分解,设计多层决策分类系统,并采用J-means聚类分析与PSO算法来优化设计PNN作为其子分类器.对晴天、多云和小雨天气状况下共3000幅图像进行了交通标志识别,该检测算法的检测率分别达到93.28%、90.25%与88.97%;所设计分类器不仅具有精简的结构,而且有较高的分类精度.     

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.     

基于双通路跃层卷积网络的交通标志识别算法

交通标志识别(Traffic Sign Recognition,TSR)是智能交通系统的重要研究方向之一。因道路交通的环境复杂、交通标志数据库规模大小等因素制约,在设计TSR系统可行性方案时必须考虑算法的复杂度、识别率和鲁棒性。针对这一问题,本文提出了一种不同尺度的双通路跃层卷积神经网络算法,在同一通路上交通标志的底层局部特征和高层全局的特征,与不同通路上经过局部响应归一化和池化后的特征在全连接层融合,从而丰富了交通标志分类的特征,最后将特征图输入分类器进行交通标志识别。采用德国交通标志识别标准数据集(German Traffic Sign Recognition Benchmark,GTSRB)进行训练和测试,本文算法的识别率达到97.96%,明显优于单一通路的跃层卷积网络算法和人工方法。     

基于多描述子分层特征学习的图像分类

为解决图像分类任务中词袋(Bag-of-Words)模型分类算法单一局部描述子信息缺失、特征量化误差较大、图像特征表现力不足等问题,提出一种基于多描述子分层特征学习的图像分类方法.结合尺度不变特征变换(SIFT)与形状核描述子(KDES-S)进行局部特征提取,并构建分层特征学习结构来减少编码过程中的量化误差,最后将图像特征分层归一化后进行线性组合并利用线性支持向量机(SVM)进行训练和分类.在Caltech-101、Caltech-256、Scene-15数据库上进行实验,结果表明:相比其他图像分类方法,本文方法在分类准确率上具有显著提升.     

智能环境下基于核相关权重鉴别分析算法的多特征融合人脸识别

针对智能会议环境下基于单模特征的人脸识别的识别率低、鲁棒性差的问题,提出了一种在智能会议室环境下基于核相关权重鉴别分析(KRWDA)算法的融合全局和局部特征的多特征融合人脸识别方法。基于相关权重鉴别分析算法并结合核方法,提出了一种核相关权重鉴别分析算法,有效解决了小样本问题。利用全局特征和局部特征在识别时所描述的内容和作用的互补性在特征层融合两种特征,全局信息和局部信息分别采用离散余弦变换和Ga-bor小波变换提取。在AMIES2016数据库上的仿真实验表明,本文所提出的方法可以有效地提高系统身份识别的正确率。     

基于LGRP和多特征融合的人脸表情识别

针对复杂的Gabor滤波器直接抽取人脸特征数据存在一些冗余信息以及提取的表情特征较为单一的缺点,提出了基于LGRP和多特征融合人脸表情的识别方法。首先,提取人脸表情图像的Gabor多方向和多尺度特征,进一步编码得到局部Gabor排序模式(LGRP),以增强鲁棒性以及区分能力;其次,引入Haar小波和Otsu阈值分割法分别提取表情特征,通过级联融合3种不同的特征,可以全面地表达图像的局部特征和全局特征;最后,采用支持向量机(SVM)对人脸表情进行多分类。在CK+表情库上进行仿真实验,平均识别率达到94. 36%。与其他方法的比较结果表明,该方法取得了很好的识别率和鲁棒性。     

甲状腺结节超声图像特征提取及识别

采用多特征融合方法鉴别甲状腺结节超声图像的良恶性。首先用多尺度LBPV模型提取结节的局部纹理特征,然后与Tamura模型提取的全局纹理特征相结合,从全局和局部两方面对甲状腺结节的纹理特征进行了细致的描述。又提取了纵横比、圆形度、紧致度等形状特征,将上述特征进行融合并利用主成分分析法PCA对融合后的特征进行降维。实验结果表明,模型提取的特征用于分类识别时,较上述任一单一模型所提取特征用于分类时能获得更高的识别率。     

融合整体和局部信息的三维模型检索方法

基于特征融合的三维模型检索方法能有效提高检索效率,提出一种融合整体和局部信息的三维模型检索方法。分别通过Canny算子提取边缘特征和基于尺度不变特征变换特征的词袋模型提取词频向量特征,边缘特征用于描述三维模型的整体信息,词频向量特征用于描述三维模型的局部信息,将这两种特征融合成为新的特征用于描述三维模型。试验表明,融合整体和局部信息的三维模型检索方法能够有效地提高检索结果的准确率。     

基于PC-LDA的交通标志形状特征识别方法

针对PCA方法所提取的特征分类效果较差,而LDA方法通常不能直接应用于图像特征提取的问题,提出了一种基于PC-LDA的交通标志形状特征识别方法.通过对交通标志图像进行归一化和二值化处理,得到交通标志形状特征.将PCA方法与LDA方法相结合用于交通标志二值图像特征提取,可以得到既有最佳描述性又有最佳分类效果的PC-LDA特征子空间.利用标准交通标志图像数据库进行验证,并采用最小距离分类器对所提取的特征进行识别,结果表明,该方法能够快速有效地进行维数约减,提高了交通标志识别率.     

Image Classification Based on the Fusion of Complementary Features

Image classification based on bag-of-words (BOW) has a broad application prospect in pattern recognition field but the shortcomings such as single feature and low classification accuracy are apparent. To deal with this problem, this paper proposes to combine two ingredients:(i) Three features with functions of mutual complementation are adopted to describe the images, including pyramid histogram of words (PHOW), pyramid histogram of color (PHOC) and pyramid histogram of orientated gradients (PHOG). (ii) An adaptive feature-weight adjusted image categorization algorithm based on the SVM and the decision level fusion of multiple features are employed. Experiments are carried out on the Caltech 101 database, which confirms the validity of the proposed approach. The experimental results show that the classification accuracy rate of the proposed method is improved by 7%-14% higher than that of the traditional BOW methods. With full utilization of global, local and spatial information, the algorithm is much more complete and flexible to describe the feature information of the image through the multi-feature fusion and the pyramid structure composed by image spatial multi-resolution decomposition. Significant improvements to the classification accuracy are achieved as the result.     

基于CNN多层特征和ELM的交通标志识别

针对传统神经网络仅利用端层特征进行分类导致特征不全面,以及交通标志识别中计算量大、时间长等问题,提出基于多层特征表达和极限学习机的交通标志识别方法。利用CNN网络提取多层交通标志特征图;采用多尺度池化操作,将提取出的各层特征向量联合形成一个具有多尺度多属性特征的交通标志特征向量;使用极限学习机分类器准确快速地实现交通标志的识别。实验结果表明,该方法能有效地提高交通标志识别的准确率,且具有较好的泛化能力和实时性。     

基于目标区域定位和特征融合的图像检索算法

提出了一种新的基于局部特征点的图像检索算法。首先将彩色图像转换成灰度图像,并利用Harris算子对灰度图像进行"角点"检测,根据"角点"的分布确定目标区域,然后在彩色图像目标区域中提取图像的颜色特征和空间特征表述图像内容。实验证明,该算法在查准率和查全率上要优于基于全局特征的算法。     

New method for recognition of circular traffic sign based on radial symmetry and pseudo-zernike moments

Recognizing various traffic signs,especially the popular circular traffic signs,is an essential task for implementing advanced driver assistance system.To recognize circular traffic signs with high acc...     

基于孪生卷积神经网络的手机型号识别方法

随着城市矿产资源循环利用技术的不断发展, 废旧手机回收已成为当前研究热点。受限于计算资源和数据资源的相对缺乏, 目前基于线下智能回收装备的废旧手机识别精度难以达到实际应用。针对上述问题, 提出一种基于多元特征异构集成深度学习的图像识别模型。首先, 利用字符级文本检测算法(character region awareness for text detection, CRAFT)提取手机背部字符区域, 再利用ImageNet预训练的VGG19模型作为图像特征嵌入模型, 利用迁移学习理念提取待回收手机的局部字符特征和全局图像特征; 然后, 利用局部特征构建神经网络模式光学字符识别(optical character recognition, OCR)模型, 利用全局和局部特征构建非神经网络模式深度森林分类(deep forest classification, DFC)模型; 最后, 将异构OCR和DFC识别模型输出的结果与向量组合后输入Softmax进行集成, 基于权重向量得分最大准则获取最终识别结果。基于废旧手机回收装备的真实图像验证了所提方法的有效性。

     

混合交通特征表达及快速检测算法

针对混合交通特征表达和分类识别的问题,提出了基于边缘偏心率向量的混合交通视频检测算法。将利用上下文比对获取的边缘信息与图像重心相结合构建混合交通的边缘偏心率向量,对混合交通前景进行了特征表达。再结合极限学习机建立了快速学习机制,实现了快速分类识别,克服了采用支持向量机训练难以达到实时检测的问题。试验结果表明:本文算法中各个类别的混合交通边缘偏心率特征区分明显,识别准确率可达93%以上,且处理速度快,能够满足实时检测的需求。     

基于深度学习特征融合的遥感图像场景分类应用

针对传统手工特征方法无法有效提取整体图像深层信息的问题,本文提出一种基于深度学习特征融合的场景分类新方法.利用灰度共生矩阵（GLCM）和局部二值模式（LBP）提取具有相关空间特性的纹理特征和局部纹理特征的浅层信息;通过基于AlexNet迁移学习网络提取图像的深层信息,在去除最后一层全连接层的同时加入一层256维的全连接层作为特征输出;将两种特征进行自适应融合,最终输入到网格搜索算法优化的支持向量机（GS-SVM）中对遥感图像进行场景分类识别.在公开数据集UC Merced的21类目标数据和RSSCN7的7类目标数据的实验结果表明,5次实验的平均准确率分别达94.77%和93.79%.该方法可有效提升遥感图像场景的分类精度.