基于PCA-SIFT特征的目标识别算法

针对尺度不变特征变换(SIFT)算法在匹配时特征向量过多,从而导致耗时过长的问题,提出PCA-SIF]算法,对目标进行匹配与识别.首先,利用SIFT算法提取出原图像中稳健的特征点以及特征向量;其次,利用PCA算法对SIFT特征向量的维数进行约减;最后利用降维后的图像与原始图像进行匹配.实验证明,与原始SIFT算法相比,该算法不仅保持了SIFT算法的鲁棒性和稳定性,同时提高了匹配效率,增强了实时性.     

基于PCA-SIFT算法的产品表面缺陷检测研究

针对复杂产品表面正确性的快速自动无损检测问题,提出了一种基于PCA-SIFT算法的自动识别。该算法是对基于尺度旋转不变性(SIFT)算法的改进,在保证识别精确度的前提下,利用主元分析法(PCA)进行降维处理,改变了描述子的生成方式,以减少计算的时间,提高算法的实时性,最后通过相关度计算判别各区域有无缺陷。实验表明在保证准确率的前提下本论文所提出的算法比单独使用SIFT算法平均可以节省0.5s。     

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.     

融合几何特征的压缩感知SIFT描述子

为了解决尺度不变特征变换(SIFT)描述子在存在较多相似结构的匹配中,易造成误匹配,并且维数较高、匹配耗时的问题,提出了一种融合相对几何位置的压缩感知描述子.首先,以特征点为中心,将周围关键点的相对几何位置(RGL)信息形成尺度和旋转不变的RGL描述子,其次,对SIFT描述子利用压缩感知(CS)理论进行降维,形成CS-SIFT描述子,最后将两者融合形成RGL-CS-SIFT描述子.实验结果表明:与SIFT和PCA-SIFT描述子相比,匹配速度有所提升,匹准确率明显提高.     

高光谱图像基于像素结构的改进PCA算法

主成分分析法(PCA)作为一种常用的降维算法,被广泛的应用到如高光谱图像处理等需要进行大量数据处理的应用中。PCA的主要目的是利用正交变换,将具有相关性的高维数据的分量转换为线性不相关的新的成分变量,但当矩阵维数超过百万时候会造成严重的计算困难问题。本文针对PCA运算中协方差矩阵计算过程中内存调度的问题,提出了一种基于像素结构的改进的协方差矩阵计算方法,可以在确保与常规PCA具有相同性能的同时有效地降低计算所需的存储器规模。实验中分别采用传统PCA算法和改进算法对高光谱图像数据进行特征提取后利用支持向量机(SVM)进行分类,对比结果验证了改进算法的有效性和可靠性。     

SIFT改进算法在图像配准中的应用

文中对尺度不变特征变换(SIFT)算法进行分析研究,针对原算法中128维的高维描述子提出60维方形邻域描述子,统计邻域梯度信息.方形邻域描述子较原算法增加了邻域像素统计范围,增强了关键点的邻域信息;在配准阶段采用欧氏距离作为度量函数,用次临近与最邻近之比来对60维描述子进行匹配.通过实验证实,改进算法的匹配时间是原算法的30%～60%,配准精度与原算法相近,对于复杂图像的配准精度较原算法有所提高,适用于对实时性要求较高的图像配准场合.     

基于改进SIFT算法的图像配准方法

针对SIFT(Scale Invariant Feature Transform)复杂算法, 提出一种改进的SIFT算法。首先, 该方法利用Canny边缘检测算法去除部分影响匹配结果的边缘点。然后, 对于原算法中128维描述子提出64维圆形邻域描述子, 提高了运算速度。最后, 采用最近邻与次近邻之比进行双向匹配增强了匹配结果的精确度。实验结果表明, 该改进算法可以有效提高运算速度, 而且提高了匹配准确率, 增强了算法的鲁棒性。     

基于改进SIFT算法的弹载电视制导技术研究

以图像匹配技术为代表的弹载电视制导技术具有信息直观的特点,作为非常优秀的图像匹配技术,SIFT算法受到了广泛的关注和深入的研究。针对传统SIFT算法实时性差的问题,本文提出了一种改进的SIFT算法。在提取特征点部分,通过Laplace算子找出图像边缘区域并进行Laplace加权处理,然后利用FAST特征点检测算法提取区域特征点;在生成特征点描述子部分,将传统的128维SIFT算子降为48维,利用改进的SIFT特征描述算子为特征点赋予方向和描述符使其具有旋转不变性;在特征点匹配部分,利用欧式距离提取匹配点对,并采用RANSAC算法提纯匹配点对,得到最优矩阵。实验结果表明改进的SIFT算法在目标旋转、尺度变化等条件下匹配效果良好,与传统SIFT算法相比具有很高的实时性,可以很好地实现图像实时匹配。     

一种改进的SIFT特征点匹配算法

提出了一种改进SIFT特征点匹配算法,旨在提高图像的特征点匹配算法效率。SIFT特征点检测算法检测到的特征点数量较大,且每个特征点描述子都是128维的向量,算法匹配时间较长,实时性较差,改进的算法将特征点描述子的维数从128维降低到48维,而描述子像素范围从16×16提高到24×24。实验表明,改进的算法不仅降低了匹配时间,而且提高了匹配精度。     

视频序列中运动目标跟踪问题的研究

针对视频序列中运动目标跟踪的实时性问题,提出了一种改进的SIFT算法,即对SIFT算法生成的高维特征向量采用PCA直接进行降维。这种算法可以降低特征点的维度,提高特征点的匹配速度,计算量小,比较简单。实验结果表明该方法具有良好的实时性。     

主成分分析法(PCA)在SIFT匹配算法中的应用

针对传统SIFT匹配算法数据量大、耗时长的问题,采用了主成分不变特征变换(PCA-SIFT)匹配算法。PCA-SIFT匹配算法将传统SIFT算法中的直方图法换做主元分析法,降低了传统SIFT特征描述符的维数,减少了数据量,提高了匹配效率。首先提取出两幅待匹配图像中的所有特征点及其特征向量,其次将提取出的特征向量采用距离比阈值筛选出匹配点对,再采用RANSAC法消除错配,最后得到精确的匹配结果。实验结果表明,PCA-SIFT算法较稳定、精确、快速。     

字典学习优化判别性降维的鲁棒人脸识别

针对现有的人脸识别算法由于光照、表情、姿态、面部遮挡等变化而严重影响识别性能的问题,提出了基于字典学习优化判别性降维的鲁棒人脸识别算法。首先,利用经典的特征提取算法PCA初始化降维投影矩阵;然后,计算字典和系数,通过联合降维与字典学习使得投影矩阵和字典更好地相互拟合;最后,利用迭代算法输出字典和投影矩阵,并利用经l2-范数正则化的分类器完成人脸的识别。在扩展YaleB、AR及一个户外人脸数据库上的实验验证了本文算法的有效性及鲁棒性,实验结果表明,相比几种线性表示算法,本文算法在处理鲁棒人脸识别时取得了更高的识别率。     

基于LPP和改进SIFT的copy-move篡改检测

图像的复制-粘贴篡改检测是图像篡改检测领域中的重要组成部分。本文基于SIFT算法以及LPP的降维思想,提出了一种新的篡改检测算法。本文在SIFT算法的基础上,使用LPP算法对SIFT算法生成的特征点以及特征向量进行降维。使得传统SIFT算法在实际应用中特征点数目过多、特征向量维数过高等缺陷得到了解决。并使用凝聚型层次聚类算法对相似的特征点进行聚类,完成了对图像复制-粘贴篡改区域的检测。在文章的最后,本文对哥伦比亚大学复制-粘贴图像库里的100张图片进行实验。实验结果表明,不管篡改区域后处理方式是拉伸还是旋转,本文算法都能比传统的SIFT、SURF、PCA-SIFT等算法生成更少的特征点数目和更低的特征向量维度,使得检测效率以及检测正确率得到有效提升。      

基于Canny算子和K-L变换的改进SIFT匹配算法

在分析了经典SIFT算法的基础上,提出了一种基于Canny算子和K-L变换的改进SIFT匹配算法。该方法首先利用Canny边缘检测算法获得图像的边缘点坐标,与SIFT算法检测出图像关键点的坐标进行对比以去除不稳定的边缘点;其次通过K-L变换,将特征描述符进行降维处理,降低算法复杂度;最后使用RANSAC算法剔除误配点。通过实验表明,该算法能有效去除不稳定的边缘响应特征点,减少图像匹配时间,提高图像匹配的准确性和鲁棒性。     

基于空间变换迭代的SIFT特征图像匹配算法

SIFT（Scale Invariant Feature Transform）特征由于具有旋转、平移和尺度不变性在图像匹配中得到了广泛的应用。但直接运用SIFT特征进行匹配,存在两个问题:易受匹配参数的影响,出现较多的错漏匹配现象;只适用于相似变换情况下的图像匹配,对于高维的仿射变换情况则难以奏效,而在实际图像匹配中这种情况更为常见。针对以上问题,提出了一种空间变换迭代的SIFT特征图像匹配方法。把SIFT特征点集匹配转化为SIFT特征向量与点集的几何分布信息相关的函数最优化求解问题,通过在确定性退火框架下,迭代求解空间仿射变换与点集匹配对应关系,最终得到最优的SIFT特征点匹配关系。仿真实验表明:在较大仿射变换情况下该方法仍能实现图像SIFT特征点集的正确匹配。     

基于粗糙集近似约简和SIFT特征的图像匹配算法

SIFT(Scale Invariant Feature Transform)描述符由于具有尺度、旋转和光照不变等特性在图像匹配领域获得了广泛的应用。但是,SIFT特征点采用128维特征向量表示,当图像特征点较多时,匹配算法所需的存储空间大、匹配时间长,且匹配精度不理想。针对以上问题,本文给出了一种基于Rough-SIFT描述符的图像匹配算法。首先,利用排序法求出图像的稳健特征点,然后为提高后续匹配处理运算效率,将粗糙集约简理论引入到基于SIFT特征的匹配算法中,通过构建一种新的近似约简算法来对稳健特征点的128维特征向量进行降维处理,最后利用约简后的特征点对图像进行匹配。仿真实验表明, 本文方法使得约简后的SIFT特征点更加精确、稳定、可靠,有效减小了匹配算法的存储空间,提高了匹配算法的效率和准确率。      

基于视觉模糊的LBP鲁棒特征提取与匹配

目的针对目前模糊图像特征提取与匹配方面, 存在特征提取困难、匹配率低、抗噪以及抗尺度变 化能力弱的缺陷。方法提出一种基于SIFT算法与改进的中心对称局部二值模式相结合的精准 、特征识别 率高的匹配算法。首先采用SIFT进行特征的提取,生成多维的描述子,其次采用本文改进的 中心对称局 部二值模式对高维特征描述子进行降维处理,并采用局部特征区域对降维后的描述子进行特 征检测,并生 成纹理特征图像以及信息分布直方图,对特征区域的特征点进行信息量统计,并设置检测阈 值。提取符合 特征信息要求的特征点,并依据Hausdorff距离算法实现图像粗匹配,最后采用RANSAC算法 进行误差匹 配的剔除来改善匹配的精度和鲁棒性。结果测试结果表明,本文所建议的算法是有效的,它 不仅具有良 好的模糊图像分辨能力和抗尺度变化特性,而且具有较强的噪声抑制能力和抗光照变化能力 。结论本文 提出的基于视觉模糊的鲁棒特征匹配算法,不仅考虑到传统特征匹配算法的优缺点,也提出 了算法改进的 新思路,而且较SIFT算法以及LBP算法稳定性和准确度有了明显的提高。     

基于判别性降维的字典学习在人脸识别中的应用

针对目前大多数人脸识别方法只能单独实施降维或者字典学习而不能完全利用训练样本判别信息的问题,提出了基于判别性降维的字典学习方法,通过联合降维与字典学习使得投影矩阵和字典更好地相互拟合,从而可以获得更高效的人脸分类系统。所提方法的有效性在AR及MPIE两大通用人脸数据库上得到了验证,实验结果表明,相比于几种先进的线性表示方法,所提算法取得了更高的识别率,特别当训练样本数很少的时候,识别效果更佳。