基于SIFT特征的人脸识别方法

根据人脸识别中对高独特性的人脸特征的要求,提出一种改进的基于SIFT算子进行人脸识别的方法,结合K-means聚类的模式匹配策略,采用局部相似性和全局相似性的计算方法对人脸图像进行相似度匹配,并在匹配过程中使用基于概率统计的权值赋予方案和相似度的平方来提高识别的准确性。实验结果证明,该方法具备鲁棒性和有效性。     

基于GLOH算子和局部特征融合的人脸识别

为了减小高维特征算子的计算复杂度、提高识别算法的准确率,提出一种基于GLOH(Gradient Location and OrientationHistogram)算子的人脸识别算法。首先将人脸图像划分为4个独立的子区域并对提取的特征点进行聚类。为了更有效地描述人脸特征以及特征匹配,为不同的区域赋予不同的权重值,并采取整体结合局部聚类子区域的方法进行人脸识别。通过在ORL人脸图像库上的实验,验证了算法的有效性,特别是在不同表情、不同姿态等干扰因素的条件下,表现出了较好的稳定性和鲁棒性。     

贝叶斯模型下基于SIFT特征的人脸识别

根据姿态与表情变化对人脸识别的影响,采用对图像的旋转、尺度变化保持不变性的SIFT算子作为人脸特征,建立人脸各个子区域的相似性测度,并通过混合高斯建立不同变形条件下相同样本与不同样本的相似性概率模型。在此基础上,利用各子区域特有的识别能力获取子区域概率权值,结合基于贝叶斯公式建立的概率框架确定识别结果。实验结果表明,与直接用SIFT算子进行人脸识别的方法相比,该方法在姿态变化较大及表情变化较大的情况下识别率有明显提高。     

基于改进SIFT的图像拼接算法

针对基于SIFT算法的图像拼接中算法复杂度过大和特征点匹配不准的问题,提出了用CS-LBP算子结合SIFT特征点生成特征描述符以及特征双向匹配的图像拼接算法。首先提取SIFT关键点,对每个关键点生成81维的CS-LBP特征描述子,然后利用特征向量双向匹配策略寻找符合特征匹配关系的匹配点对完成粗匹配,最后再利用RANSAC算法计算待拼接图像之间的变换矩阵,从而实现图像的拼接。实验结果表明,该方法能够有效地减少运算量,加快运算速度,拼接效果也较为理想。     

基于直接局部保持投影和尺度不变特征变换的人脸识别方法

尺度不变特征变换(SIFT)算法提取的人脸特征具有一定的鲁棒性,但存在数据维数过高和计算过于复杂的问题。为此,提出一种基于直接局部保持投影-尺度不变特征变换(DLPP-SIFT)的人脸识别算法。首先采用SIFT算法进行特征提取,然后结合子空间方法局部保持投影(LPP)进行降维,利用直接对角化方法求取特征矩阵,解决了LPP的奇异值问题。在ORL和FERET人脸库的实验结果表明,DLPP-SIFT算法可显著减少计算复杂度和特征匹配时间,与SIFT、主成分分析(PCA)-SIFT、LPP-SIFT相比,具有更好的鲁棒性。     

基于LBP的尺度不变特征的描述和匹配算法

针对尺度不变特征变换(SIFT)算法计算复杂度高和匹配速度慢的难题,提出一种新的基于局部二进制模式(LBP)的尺度不变特征变换算法.首先采用高斯差分尺度空间检测局部极大值,利用圆形邻域统计梯度方向直方图来确定特征点的主方向,再通过坐标轴旋转避免图像旋转的计算代价;然后运用改进后的LBP算子求取特征点邻域的纹理信息,得到132比特的特征点描述子,有效地降低了描述子的计算复杂度;最后运用逻辑与运算对描述子进行特征点匹配.图像匹配实验结果表明,该算法具有尺度不变性、旋转不变性、仿射不变性和光照不变性等优良特性,在保证匹配正确率与SIFT和CS-LBP算法基本一致的情况下,运算速度优于以上2种算法,其中光照不变性明显优于SIFT算法.     

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。     

一种改进的SIFT图像特征匹配算法

针对传统SIFT图像特征匹配算法因其特征描述算子维度过高而造成的计算量大、实时性差的问题,提出一种基于内核投影的改进SIFT图像特征匹配算法。传统SIFT特征匹配算法采用平滑加权直方图计算特征点的梯度模值和梯度方向。采用内核投影算法对其进行改进,使生成的特征描述算子的维度降低,从而能够提高特征匹配效率。实验结果表明,改进后的SIFT算法具有较高的匹配精度,同时匹配时间有所减少,使实时性得到提高。     

基于SIFT和Hough变换的人脸识别

针对光照、表情、遮挡、几何变化等情况下的人脸识别问题,提出一种基于尺度不变特征变换(SIFT)和增强Hough变换的人脸识别方法。利用SIFT的位置、尺度、方向和描述符4个信息,通过增强Hough变换消除错配,将候选匹配点和离散点距离进行加权累计获得高辨别力的匹配分。在AR人脸数据库上的测试结果表明,在只选取每人1幅图像作为模板的情况下,能够获得近99.6%的识别率。     

基于trace变换特征的单训练样本人脸识别算法

提出了基于trace变换不变性特征的人脸识别算法,提高了单训练样本下姿势和表情变化后的识别率。应用一阶Scharr算子、二阶尺度适应的高斯型拉普拉斯算子（LOG）和Harris滤波器定位特征点,选择合适的泛函在特征点的邻域内进行trace变换得到具旋转和尺度不变性的特征描述子。根据特征描述子的特征向量和坐标值实现由粗到精的匹配,整个过程不涉及参数选择问题,保证了算法的稳定性。实验结果证明该算法降低了姿势和表情变化时识别率低的影响,并减少了算法运行时间。     

隐马尔可夫模型下基于SIFT特征的局部遮挡目标识别

提出一种利用隐马尔可夫模型建立目标特征匹配库来识别图像中局部遮挡目标的新方法。该方法首先通过SIFT算法提取目标SIFT特征,然后采用隐马尔可夫模型对目标所有的SIFT特征进行训练,得到目标SIFT特征对应的模型输出概率范围,将该概率范围作为目标特征匹配库。在对图像中的目标进行识别时,利用目标特征匹配库可以把目标特征从图像所有特征中识别出来,即使目标遮挡比例为60%时,该方法仍能识别出目标。实验结果表明,新方法可以精准地识别出图像中被遮挡目标,能够很好地解决遮挡情况下的目标识别问题。与现有局部遮挡目标识别算法相比,新方法所取得的目标识别率均有所提高。     

结合SIFT特征的人脸验证

人脸验证是人脸识别领域的一个分支,是安防领域的研究热点。根据人脸验证的特殊性,使用尺度不变特征（SIFT）算法,并利用图像分块方法,将特征点划分为数量特征以及位置特征,达到人脸验证的目的。所需验证的一对图像配准后,使用SIFT算法寻找出匹配特征点,对待匹配的2幅图像进行分块,统计各个分块中的特征点数量,获得匹配向量。判断两幅图像的特征点数量是否达到阈值,若达到则计算两幅图像的匹配向量相似度,若相似度达到标准,则认为图像对匹配,若有任何一个条件没有满足,则认为不匹配。利用CAS和FERET数据库进行测试,虚警率达到19%,漏警率达到0.3%,验证了算法的有效性以及安全性。该算法经优化后,可用于人脸验证。     

基于SIFT特征匹配的车牌识别方法

针对智能交通系统中基于视觉的车牌识别中存在的依赖于光学字符识别以及在复杂环境下准确率低的问题,提出了基于SIFT特征匹配的车牌识别方法。通过基于插值的超分辨率图像重建方法对车牌图像进行预处理,基于轮廓特征对车牌进行定位,通过SIFT特征匹配的方式,利用模板库中的车牌字符模板对车牌进行定位验证以及字符识别。实验结果表明该方法能有效提高车牌识别的效率。     

双目视觉小波域SIFT匹配与极线约束算法研究

研究双目立体视觉技术,特征的提取和匹配是双目视觉的最基本的问题。目前,SIFT已经被证明鲁棒性最好的局部不变特征描述符。但是SIFT算法产生的误匹配较多,精度偏低,为了解决这一问题,同时降低算法特征提取与匹配的复杂度,达到双目立体视觉实时性的要求,文中提出了一种结合小波变换和SIFT特征点的双目立体视觉匹配方法。首先,对双目视觉系统采集的左、右图像进行小波分解,把分解得到的低频图像作为输入,用SIFT算法进行特征点的初始匹配,再利用极线约束的理论求得精确匹配。实验结果表明,该方法具有较强的适应性,能够在减少误匹配的同时,大大加快运算速度。     

基于SIFT特征和Fisher的人脸识别方法

针对人脸识别中特征提取和特征分类问题,提出一种基于SIFT特征和Fisher鉴别的人脸识别新方法。采用具有旋转、缩放、平移、光照不变性及部分仿射不变性的SIFT特征作为初级特征,利用Fisher线性鉴别方法再次提取初级特征,从而得到样本的二次特征,通过比较二次特征之间的欧氏距离,得到识别结果。实验结果表明,新的方法具有99．65％的正确识别率,高于Fisher方法和核Fisher方法,识别速度和Fisher方法相当。     

Robust partial fingerprint recognition using wavelet SIFT descriptors

Even though there have been many advancements in the fingerprint identification, matching of the partial and overlapped fingerprints is yet to be resolved. This problem has drawn more attention with the evolution of small-sized scanners. The research attempts to resolve this issue whenever there are no core points available in the partial fingerprints. Moreover, the scaled or rotated versions of the image may also lead to poor matching performance. In order to overcome these challenges, a robust partial fingerprint matching method using the scale-invariant feature transform (SIFT) features of the wavelet decomposed image is proposed. The performance of the proposed method is compared with the baseline (minutiae) and the state-of-the-art (SIFT) techniques for partial fingerprint recognition. The method is experimented for different cropped levels (horizontal, vertical, diagonal, quadrant-wise random cuts and the region around a core point) of the image. Experimental studies with 100 subjects show that the proposed method improves recognition accuracy and reduces false acceptance rate (FAR) and false rejection rate (FRR) even for images with 75% occlusion.     

基于SIFT特征的地貌图像匹配研究

求解地貌图像匹配点对是地貌反求测量过程中的核心问题之一.针对地貌图像的特点,选用基于SIFT 特征图像匹配算法,并根据其算法特点在Vc+ +环境下编写了匹配程序.对地貌模型图像在视角变化、光照不一致等情况下,进行大量实验表明,该方法具有稳定、快速、高效的特点.