改进的图像局部特征区域描述方法

针对描述子的性能与维数相矛盾的问题,提出了一种顽健的图像局部特征区域的描述方法。首先按照像素排序将局部特征区域分割为若干个子区域,然后利用基于阈值的分段局部描述子设计方法计算描述子,并采用纹理谱加权方法累加局部描述子得到子区域描述子,最后连接各部分子区域描述子得到最终的特征描述子。该方法综合了全局信息和局部信息,在保证描述子维数较小时对噪声具有一定的顽健性。实验结果表明该方法不仅对单调强度变化和旋转变化具有不变性,而且对其他几何和光学变换具有较好的顽健性。     

基于多重稀疏字典的行人检测方法

针对于稀疏编码在行人检测问题中提取的特征维数高和不能够有效描述行人的问题,提出了一种基于多重稀疏字典直方图的特征提取方法。通过稀疏表示方法,预先学习多个不同稀疏度的字典,分别利用每一个字典对行人图像进行稀疏编码,统计每个字典中对应稀疏编码单元的分布直方图作为行人图像的特征描述子。该方法提取到的特征维数低,并且能够有效地描述行人,具有良好的检测性能。     

基于ILDP的噪声鲁棒人脸识别

针对局部方向模式(LDP)采样不充分和对噪声敏感的缺点,提出了一种改进的LDP(ILDP)人脸描述方法,利用局部井型邻域的梯度信息描述人脸特征。首先,将中心像素的井型邻域根据采样半径分成两个3×3的子邻域,每个子邻域包含按照原来相对位置排列的8个像素;然后,将两个子邻域与Kirsch模板卷积分别得到两组边缘梯度值,ILDP仅使用两组梯度值中各自最大值的方向编码成一个二位八进制数,产生ILDP码;最后,在人脸描述阶段将人脸图像进行分块并把每块转换成ILDP图,再对ILDP图进行直方图统计,将所有子块的直方图连接生成人脸特征。实验结果表明,ILDP比其它同类基于局部纹理特征的单一人脸描述器在对抗随机噪声方面更具鲁棒性。     

加窗灰度差直方图描述子及其对SURF算法的改进

如何构造紧凑而有效的特征描述子是机器视觉和模式识别领域重要的研究课题之一。针对SURF (Speeded Up Robust Features)算法的Haar描述子不能充分利用特征点周围信息的缺陷,该文提出了一种新的局部不变描述子加窗灰度差直方图(Windowed Intensity Difference Histogram, WIDH),该描述子基于特征点周围邻域一个较小的核心区域,通过窗口模板的移动充分利用外围作用区域的灰度差信息,构造了一个维度低且辨识力很强,运算简单高效的描述矢量。实验表明,将WIDH用于改进SURF算法的Haar描述子时,可以用更低维的矢量获取与SURF相近或更好的辨识能力。在抗模糊性和抗噪性方面,WIDH明显优于SURF的Haar描述子,相同的错误率下查全率分别提高了大约35%和50%。     

红外图像噪声滤波对比度增强算法

针对红外图像噪声大、对比度低的特点,在传统直方图均衡原理的基础上,利用像素邻域高斯分布特征,介绍了一种基于噪声滤波的对比度增强算法.首先,计算原始图像统计直方图;其次,对统计直方图进行噪声滤波:最后.利用构造的加权函数对直方图间距进行均衡处理.改进的对比度增强算法避免了传统直方图均衡对灰度邻近、分布较少的灰度级进行合并,从而保留了图像细节信息.仿真实验表明:该算法在增强图像对比度的同时,有效保留了局部细节信息,具有一定的实用价值.     

基于三维彩色点云的物体识别算法

随着新一代深度传感器的出现,使用三维(3-D)数据成为物体识别研究的热点,而且提出了很多点云特征描述子.针对传统的采用点云形状特征描述子在目标描述方面的不足,提出了一种基于三维彩色点云的物体识别算法.首先提取点云数据的视点特征直方图(VFH)和颜色直方图(CH),然后对提取的形状特征和颜色特征分别通过支持向量机(SVM)进行预分类,最后将上述2个识别结果进行决策级融合.提出的算法在Washington RGB-D数据集进行训练和测试.结果表明,该方法与传统的采用点云形状特征描述子相比,其物体的正确识别率有了显著的提高.     

基于NSCT变换与亮度序的局部特征描述算法

本文为了得到性能优良的局部特征描述子,结合图像频域变换与亮度序区域划分的思想,提出了一种基于非降采样Contourlet(NSCT)变换与亮度序的局部特征描述子。首先,对输入图像构建图像金字塔,并在金字塔的图层上查找关键点;然后,以关键点为中心的圆形区域划分多个NSCT支持区域,对每个支持区域进行亮度序子区域的划分;最后,描述每个子区域的特征,并串联所有子区域的特征描述,作为最终的局部特征描述子。实验表明,提出的描述子在图像模糊、视角变换、仿射变换、JPEG压缩、亮度变换等表现出良好的性能。     

基于SIFT和MSE的局部聚集特征描述新算法

为寻找更具鲁棒性和计算简便的特征描述子,提出了一种基于SIFT和MSE的局部聚集特征描述算法.分析说明了该方法在继承SIFT算法良好性质的基础上,通过对多尺度下信息熵的估计,能够快速准确找出图像局部结构特征并利用改进的非线性降维方法对特征描述子进行特征重划.实验结果表明,在图像尺度缩放、旋转、模糊、亮度变化等多种变换条件下,该描述子不仅能够取得更多的特征效果,并且计算速度较原算法大幅提升.该算法适用于实时性要求较高,存在旋转、尺度缩放、亮度差异等变换下的结构图像寻找描述子.     

一种基于LSB序列局部特征的通用隐写检测方法

基于短重码间距统计的隐写检测方法对LSB匹配等隐写技术有良好的检测性能.然而该方法为适应不同的应用场合,需要选择适当的短重码维数.这种一元统计分析方法无法考虑多个特征之间存在的联系,从而影响检测能力.本文分析证明了单个短重码间距统计变量的检测能力规律,给出了可减少检测次数的合理选择短重码维数的方法.基于短重码间距统计特征变量之间的相关性选择特征子集,构造局部特征描述向量,进而提出一种基于LSB序列局部特征的通用隐写检测方法.该方法采用GMM生成模型描述多维局部特征,并基于全局序列词汇设计融合GMM生成模型与SVM判别方法的分类器.实验结果表明:本文方法在有效控制虚警率的前提下,对LSB匹配隐写和LSB替换隐写都有较好的检测性能.     

基于改进的ResNet与IMU位姿图像特征描述子

基于深度学习的图像特征描述子,是许多3D视觉任务的重要组成部分,但现有的基于深度学习的图像特征描述子框架,通常需要特征点之间的真实对应关系来进行训练,而要想大规模获取这些对应的特征点却具有很大的挑战性。本文提出了一种新的弱监督学习框架,该框架只需从与图像相关联的惯性测量单元位姿中学习特征描述子。基于此,本文构造了新的损失函数,该函数利用IMU位姿所给定的对极约束,方法稳定且高效。因为本方法不需要特征点之间的真实对应关系,所以在庞大且多样化的数据集上训练效果更好,为更具有区分性的局部特征描述子提供了可能。本文将学习到的特征描述子称为POSE描述子,经过严格的监督训练,POSE描述子比之前基于完全监督的特征描述子更好,且数量和匹配度均有所提高。