基于局部显著特征的快速图像配准方法

针对SIFT算法在进行图像配准时存在提取特征点数目大、无法精确控制、运算速度慢、配准点精度不高的问题,提出一种基于局部显著特征的快速图像配准方法。该方法首先对原始图像和待配准图像进行降采样,对降采样图像分别提取SIFT特征点,并对特征点运用改进的K-means聚类算法进行聚类;然后利用聚类结果筛选聚类区域,在各聚类区域提取显著特征点进行粗匹配;最后利用显著特征点在原始图像中定位显著区域,对所得显著区域进行精配准。实验结果表明,该方法减少了图像匹配时间,控制了特征点数量,在保证匹配准确度的同时,有效地提高了特征匹配的效率。     

基于SIFT特征匹配与K-均值聚类的运动目标检测

运动摄像机情况下的运动目标检测是视频监控中的难点和热点问题。为了能够有效地检测出运动目标,根据视频中背景与运动目标的速度不同这一特点,提出了一个基于尺寸不变特征变换(SIFT)和K-均值聚类的运动目标检测方法。首先提取视频中相邻两帧图像的SIFT特征点并进行匹配,并计算匹配特征点的运动速度,最后将运动目标和背景上的SIFT特征点K-均值聚类分析,在单运动目标、多运动目标和带有摄像头旋转情况下做了实验。实验结果表明,提出的目标检测算法能够在运动背景下较好地检测到目标并保留稳定的目标局部特征,对于摄像机运动、摄像机旋转、亮度变化等影响因素具有较强的适应能力。     

海天背景下目标图像的分割方法

海天背景下目标图像的分割,即把目标从海天背景中提取出来,以便于对目标进行自动地探测,跟踪、分类和识别.根据海面及天空背景的辐射特征,提出了一种完全自主的.适应性极强的逐行聚类方法对海天背景下目标图像进行分割.实验结果表明,该方法计算简单,不需任何先验的知识,能完全自主地实现对海天背景下复杂目标图像分割,取得了较好的效果.     

基于Ncut的SIFT特征匹配算法

经典尺度不变特征变换(SIFT)特征匹配算法存在实时性差、纹理相似区域易发生误匹配的问题。为此,提出一种基于归一化分割(Ncut)的SIFT特征匹配算法。针对相同背景的运动视频,将归一化分割算法的图论聚类思想融入SIFT特征匹配中,根据运动趋势相似度对特征点进行Ncut运动聚类,再逐类分别匹配,通过缩小各特征点匹配过程中的搜索范围,减少匹配时间及不同特征类之间的误匹配。实验结果表明,该算法能提高匹配效率,对纹理相似区域的误匹配现象有较好的抑制作用,实现了相邻图像帧的特征稳定匹配。     

机器人视觉定位中的路口场景识别方法研究

针对室外巡逻机器人的视觉定位问题,提出了一种基于尺度不变特性变换(scale invariant feature transform,SIFT)和颜色特征的路口场景识别方法.该方法首先提取路口场景图像的SIFT和颜色特征,并计算其在HSI颜色空间中的颜色直方图;然后采用K-D树和Bhattacharyya距离进行特征匹配;最终用决策公式对路口场景进行识别.为了提高SIFT算法进行场景匹配时的速度,还对场景地图库采用基于阈值分割的聚类方法进行了预处理.实验结果表明,该方法对环境光照变化、动态干扰和自身旋转有较强的鲁棒性,并能很好地识别出路1:3,以实现定位.     

一种基于优化“词袋”模型的物体识别方法*

针对传统基于“词袋”模型物体识别现有方法的不足,对现特征表达、视觉词典和图像表示方法进行优化,以提高物体识别正确率。采用HUE直方图与SIFT特征描述符分别描述兴趣点周围的颜色和形状特征,实现“词袋”模型下两种特征的特征级和图像级融合,引入K-means++聚类算法生成视觉词典,并利用软权重思想将特征向量映射到视觉单词形成图像直方图。实验结果表明,所述方法会产生较高的物体识别正确率,且识别结果不受两种特征融合权重的影响。     

基于聚类RBF神经网络的人体行为识别

提出基于聚类RBF神经网络的人体行为识别方法。通过基于单模态高斯背景模型的背景差分法提取动作轮廓;采用基于中心距的傅里叶描述子,对图像轮廓线进行处理,降低了特征的维数;利用谱聚类算法提取行为序列的关键特征向量,采用改进的基于聚类的RBF神经网络进行行为识别。仿真实验表明,该方法能有效识别人体行为类别,应用效果满足实际要求。     

一种基于数据聚类的鲁棒SIFT特征匹配方法

针对噪声敏感造成的SIFT特征匹配鲁棒性低问题,提出一种基于数据聚类的两阶段特征匹配方法.在满足特征匹配几何距离最邻近本质要求下扩展了k d数据结构,使其不但能够完成算术平均化匹配特征离线聚类,而且能够实现第1阶段聚类特征在线匹配.在此基础上,给出一种概率最优投票策略选择关键图像进行第2阶段匹配,最后合并两阶段属于关键图像的所有匹配特征对.实验结果表明,对于大量存在重叠关系的图像集合,该方法能够有效减少重复特征数量,降低噪声信息对特征匹配的干扰,极大地提高特征匹配的鲁棒性.     

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LBP-HSV模型及改进SIFT算法的行人再识别算法

针对SIFT算法计算量大,复杂背景下匹配准确率低的问题,论文提出了一种结合LBP-HSV模型与改进SIFT算法的目标识别算法。首先利用LBP直方图和HSV模型共同筛选出目标相似区域;然后利用SIFT算法检测目标与相似区域的特征点,并使用改进的HOG特征描述特征向量;最后采用最近邻加权欧式距离的匹配策略,找出匹配点对。基于多组行人图片的目标识别结果表明,文中算法具有较强的鲁棒性,识别准确率较高,且相较于SIFT算法,匹配速率大大提高。     

基于改进FCM聚类算法的违禁品分类

针对被动毫米波(PMMW)图像成像质量差,边界模糊,不易识别的特点,在传统词袋模型图像分类的基础上,提出了利用减法聚类改进FCM聚类算法并将其运用到词袋模型上去,提取视觉单词,利用局部不变量SIFT方法对手枪、匕首和炸药进行了粗分类.实验结果证明,改进的词袋模型能够准确的对违禁品进行分类,识别率平均能达到90%以上,性能优于传统的K均值聚类和原始的FCM聚类算法.     

基于动态拓展的特征匹配方法

针对图像间结构复杂、纹理重复的对象中存在特征匹配鲁棒性差、误匹配率高的问题,结合最近邻思想,提出一种基于动态拓展的特征匹配方法.输入待匹配的两幅图像,采用SIFT算子提取图像初始特征点几何位置信息,构建基础数据集;依据基础数据集,采用核心点周围邻域逐层约束的动态拓展聚类方法,划分图像聚类簇;设计度量函数确定图像对应聚类...     

一种改进的SIFT特征匹配算法

针对尺度不变特征变换(SIFT)特征匹配算法存在计算量大、复杂度高的问题,提出一种基于图像Radon变换的改进SIFT特征匹配算法。改进算法在图像的SIFT特征点采样区域内作d条不同方向的直线,以d条直线上的图像Radon变换作为SIFT特征向量描述符,降低SIFT特征向量的维数,从而提高特征匹配效率。实验结果表明,改进算法具有较高的匹配精度和较少的匹配时间,适用于虚拟场景漫游或目标识别等实时性要求较高的系统。     

基于随机投影的场景文本图像聚类方法研究*

图像中的文本字符存在于杂乱的背景之中,拍摄视角的不同使得文本具有较大的几何变形,再加上存在光照变化、字符颜色不统一等现象会导致背景分离和文本识别困难.为此提出一种基于图像文本区域的图像聚类方法.该方法首先对自然场景图像中已定位的文本区域提取局部特征描述,并使用随机投影方法将局部特征矢量集映射为固定维的特征向量,然后对包含图像文本区域的图像进行聚类.这种方法避免了由图像分割与字符识别带来的困难.实验结果表明,该方法可以对包含文字的自然场景图像有效地进行聚类,聚类的准确率能达到86.66％.     

SURF特征及预处理RANSAC算法在人脸识别中的应用

针对人脸识别问题,提出了一种基于SURF特征的人脸图像快速识别方法。首先,对经预处理后的人脸图像提取SURF特征点,采用最近邻匹配法对特征点进行粗匹配;其次,利用KMeans聚类算法对粗匹配的特征点进行预处理来过滤明显不合适的匹配点,再利用RANSAC算法对过滤后的特征点实现精匹配,以达到对人脸的特征点比较准确地识别匹配。实验结果表明,该方法适用于手机终端的人脸图像的快速匹配,具有较强的鲁棒性及一定的实用价值。     

一种基于SIFT特征光流的运动目标跟踪算法

针对传统光流跟踪算法计算复杂度高、受噪声影响大的问题,提出了一种基于尺度不变特征变换(Scale Invariant Feature Transform,SIFT)和卡尔曼滤波器的特征点光流跟踪算法。首先,利用SIFT算法提取图像中的特征点;然后,根据最小绝对值误差准则对运动目标的特征点进行匹配,建立卡尔曼滤波器方程来计算特征点光流;最后,通过光流特征聚类实现运动目标的识别与跟踪。实验结果表明,算法对自然场景中的运动目标具有良好的跟踪特性,稳定性好,计算量小,易于实现。     

一种结合显著性检测与词袋模型的目标识别方法

针对词袋模型易受到无关的背景视觉噪音干扰的问题,提出了一种结合显著性检测与词袋模型的目标识别方法。首先,联合基于图论的视觉显著性算法与一种全分辨率视觉显著性算法,自适应地从原始图像中获取感兴趣区域。两种视觉显著性算法的联合可以提高获取的前景目标的完整性。然后,使用尺度不变特征变换描述子从感兴趣区域中提取特征向量,并通过密度峰值聚类算法对特征向量进行聚类,生成视觉字典直方图。最后,利用支持向量机对目标进行识别。在PASCAL VOC 2007和MSRC-21数据库上的实验结果表明,该方法相比同类方法可以有效地提高目标识别性能。     

基于轨迹聚类的超市顾客运动跟踪

针对超市等复杂应用环境下的运动目标轨迹跟踪问题,将轨迹聚类运用于目标跟踪中,提出了一种超市顾客运动跟踪方法。该方法对Kanade-Lucas-Tomasi(KLT)算法提取并跟踪得到的特征点轨迹进行预处理,滤除背景和短时特征点以分离出运动目标所在区域的关键特征点;进而采用均值漂移(meanshift)算法进行轨迹聚类,解决了单帧静态特征点聚类时的目标遮挡问题;最后采用运动跟踪匹配算法对前后帧的特征点进行最优匹配,解决了目标出入视频区域以及具有复杂路线时的稳定跟踪问题,得到顾客的完整运动轨迹。实验结果表明,该方法能够在超市入口、生鲜区以及收银台等各种典型超市区域中完成顾客轨迹的运动跟踪,并对顾客部分遮挡、复杂运动轨迹以及异步运动等多种特殊情况具有较高的鲁棒性。     

基于PCA-SIFT特征与贝叶斯决策的图像分类算法

针对现有的基于SIFT特征的图像分类算法具有较大的储存空间需求及对图像背景较为敏感的问题,提出一种基于PCA-SIFT特征和贝叶斯决策的图像分类算法。该算法首先应用主成分分析将SIFT特征从128维降为36维,在训练过程中,对训练样本图像的PCA-SIFT进行区域匹配。基于匹配率选择目标图像中的稳定PCA-SIFT以提高算法对背景图像干扰的鲁棒性,然后应用最大似然估计估计概率分布参数,最后,应用贝叶斯决策理论实现图像分类。仿真实验表明,该算法与现有的SIFT图像分类算法相比分类精度高,而且具有最小的储存空间需求与较高的计算效率。     

三维网格模型增量式聚类检索

针对大规模三维网格模型库中的形状检索问题,提出了基于增量式聚类的三维形状描述和检索方法。首先根据三维模型的曲率分布直方图提取特征点得到特征向量;然后根据特征向量描述建立模型库的关键词词典;在特征 匹配阶段基于增量聚类方法判断目标模型的特征向量是否属于某一个关键词,并根据增量聚类的结果更新检索关键词词典;最后匹配特征向量检索模型库中与目标模型形状相同和相近的三维网格模型。相关实验结果证明了该方法快速有效,具有较高的准确性。