用多尺度递推对目标进行识别算法的研究

本文阐述了用多尺度递推对目标进行识别的算法，研究了H^[1]u的不变矩特征的尺度变化规律，建立了多尺度不变矩的分级特征模型，从而实现了多尺度目标的递推识别，用该算法对多尺度飞行目标识别进行了模拟识别，用该算法对多尺度飞行机目标识别进行了模拟实验，实验结果表明该算法能有效地完成多尺度目标的识别，进一步证实了分级特征模型符合多尺度目标特征的变化规律，较好地表述了多尺度目标的特征，提高了目标识别的准确率。     

用于模式识别的极半径不变矩

提出了用于目标物识别和分类的极半径不变矩，对目标物进行分割后，先求出目标物的形心，进而求出极半径矩、归一化矩和归一化的中心矩，在此基础上，给出了5个具有平移、旋转和尺度变换不变性的特征量用于物体形状的识别，文中给出了这些不变矩的特性，并给出了极半径不变矩和边界序列矩以及Hu提出的不变矩的实验比较结果，该文提出的极半径不变矩，既可用于区域目标的识别，也可用于边界形状的识别。     

特征点和不变矩结合的遥感图像飞机目标识别

传统的飞机目标识别算法一般是通过目标分割,然后提取不变特征进行训练来完成目标的识别。但是,对于实际情况比较复杂的遥感图像飞机目标,至今没有一种适合多种机型的分割和识别算法。针对现有识别算法的不足,本研究提出一种基于特征点空间分布、颜色不变矩和Zernike不变矩相结合的遥感图像飞机目标识别算法。方法：首先,对预处理后的遥感图像和模板图像进行小波变换,在低分辨率图像下采用圆投影特征进行粗匹配,确定候选目标;粗匹配结束后,提取高分辨率图像的多尺度Harris-laplace角点,并画出Delaunay三角网,同时提取出颜色不变矩和Zernike不变矩;然后使用欧氏距离作为这三种特征的相似性度量,并和样本图像进行加权匹配;最后选取欧式距离最小的图像作为最终的识别目标。结果：实验表明,本文算法飞机检测精度比现有算法高2.2%,飞机识别精度比现有算法高1.4%-10.4%。该算法能从遥感图像中精确识别出十大飞机目标,并对背景、噪声、视角变化等多种干扰具有良好的鲁棒性。结论：提出了一种基于特征点空间分布、颜色不变矩和Zernike不变矩相结合的飞机识别算法,该算法使用了图像的多种信息,包括特征点和不变矩,有效地克服了使用单一特征无法描述多种信息的不足。实验结果表明,本文采用基于特征点和不变矩的飞机识别算法比其他算法具有更强的抗干扰能力和识别精度。     

形状的全尺度可视化表示与识别

目的视觉目标的形状特征表示和识别是图像领域中的重要问题。在实际应用中,视角、形变、遮挡和噪声等干扰因素造成识别精度较低,且大数据场景需要算法具有较高的学习效率。针对这些问题,本文提出一种全尺度可视化形状表示方法。方法在尺度空间的所有尺度上对形状轮廓提取形状的不变量特征,获得形状的全尺度特征。将获得的全部特征紧凑地表示为单幅彩色图像,得到形状特征的可视化表示。将表示形状特征的彩色图像输入双路卷积网络模型,完成形状分类和检索任务。结果通过对原始形状加入旋转、遮挡和噪声等不同干扰的定性实验,验证了本文方法具有旋转和缩放不变性,以及对铰接变换、遮挡和噪声等干扰的鲁棒性。在通用数据集上进行形状分类和形状检索的定量实验,所得准确率在不同数据集上均超过对比算法。在MPEG-7数据集上精度达到99.57%,对比算法的最好结果为98.84%。在铰接和射影变换数据集上皆达到100%的识别精度,而对比算法的最好结果分别为89.75%和95%。结论本文提出的全尺度可视化形状表示方法,通过一幅彩色图像紧凑地表达了全部形状信息。通过卷积模型既学习了轮廓点间的形状特征关系,又学习了不同尺度间的形状特征关系。本文方法...     

小尺度交通信号灯的检测与状态识别

交通信号灯识别包括检测和状态识别，在智能交通系统中发挥重要作用。基于YOLOv3算法提出了一种交通信号灯检测与状态识别模型。针对交通信号灯相较于交通场景中其他目标具有尺度小的特性进行了算法的设计：降低骨干网络的下采样倍率以增加小尺度目标的特征描述能力；通过增大特征图的尺度来改进多尺度特征融合；引入广义交并比作为检测任务的损失函数来改进目标边界框的回归效果。同时，根据交通信号灯本身的特性，使用颜色和形状约束的方法对信号灯进行状态识别和类别验证。最后在公开的Bosch交通信号灯数据集上和实际的城区道路进行了实验验证。实验结果表明，所提出的算法能够提升交通信号灯识别的精度和召回率，识别准确率可以达到90%左右。     

综合颜色特征与形状特征的图像检索算法

由于小波变换具有良好的局部特性与多尺度特性,能多尺度逼近边缘,这使得它在图像奇异性检测和特征提取方面得到了广泛的应用。采用二次样条二进小波变换进行边缘检测,用边缘梯度方向直方图表示图像形状特征,用颜色直方图表示图像颜色特征,提出了综合颜色特征和形状特征的图像检索算法。实验结果表明,该算法不仅具有较好的检索性能,而且对图像中存在的光照变化和几何变化（尺度、平移、旋转等）具有较强的鲁棒性。     

基于差异颜色特性的自适应互补学习目标跟踪

针对模板与像素互补学习(Staple)算法中梯度直方图(HOG)特征对目标形状与尺度变化表达能力较弱,以及不能自适应地进行模型融合与模型更新的问题,提出一种基于差异颜色特性的自适应互补学习目标跟踪算法.首先在HOG特征基础上,增加具有良好形状与尺度不变性的颜色名特征,使用此多通道特征计算位置滤波器的响应图;其次计算颜色直方图特征的特征响应图,依据2种响应图的峰值和平均峰相关能量(APCE)指标自适应地分配权重,得到最终融合响应图;最后根据融合响应图的峰值和APCE指标实现高置信度的模型更新.在OTB-13和OTB-15标准测试集上与5种主流的跟踪算法进行实验的结果表明,该算法在目标形变、尺度变化、光照变化、遮挡等情况下均具有较高的鲁棒性,其跟踪精度和成功率指标都优于Staple及其他主流的跟踪算法.     

双目主动视觉监测平台下的目标识别

利用对目标旋转、尺度变化、视角变化等具有稳定性的尺度不变特征变换(SIFT)算法,提出一种适用于基于圆轨的基线可调双目主动视觉监测平台的目标识别方法,通过离线建立物体的多侧面SIFT特征点数据库,将三维空间的目标转换为二维特征描述,利用二维特征描述实现三维空间目标的识别,以提高匹配识别效率。实验结果表明,该方法能实时准确地识别目标。     

一种融合多特征的UAV快速目标识别

针对UAV（Unmanned Aerial Vehicle）侦察图像快速目标识别问题,提出一种融合多特征的UAV快速目标识别算法。该算法结合图像的不变矩特征和SIFT特征,用不变矩特征构造适应度函数并利用遗传算法的全局搜索能力,在侦察图像中进行搜索,快速提取出可能包含目标的感兴趣区域（Region Of Interest,ROI）。采用尺度不变特征变换算法（Scale Invariant Feature Transform,SIFT）在ROI区域中进行匹配识别,从而精确确定目标的位置。仿真结果表明：该算法的鲁棒性较强,能有效识别特定目标并显著减少识别时间。     

基于支持向量机的图像飞机目标自动识别算法研究

为了能够快速、准确地识别飞机目标,文章给出了一种基于支持向量机的飞机目标自动识别方法;采用Touzi边缘提取,得到目标形状参数的几何特征,Hu不变矩等16个特征矢量作为SVM的训练样本,通过SVM训练得到飞机目标识别模型,从而完成飞机目标的自动识别;试验结果显示.该算法对不同尺度和模糊程度的飞机目标的识别度可达99%;该算法减少了样本训练时间,在提高识别准确率的同时降低了算法的复杂度,具有识别度高、识别速度快的特点,可用于飞机目标的快速识别。     

基于尺度不变特征的光流法目标跟踪技术研究

针对目标跟踪问题中目标和场景动态变化的问题,提出了一种结合尺度不变特征变换（SIFT）和光流估计算法并改进模板更新策略的目标跟踪算法。SIFT特征是一种局部特征,具有尺度和旋转不变性。光流场反映的是一种全局特征,表示像素点强度的变化。SIFT特征点可以很好地满足光流估计的条件。实验结果表明这种改进后的目标跟踪算法能应用于部分遮挡的情况,并且相对于传统光流法具有更高的精确度。     

室外场景CSIFT的关键点检测和特征匹配

在目标的识别和匹配中,SIFT已经被证明是鲁棒性最好的局部不变特征描述符.虽然它能够对各种几何变化保持不变性,但却忽略了目标的颜色信息,限制了它的性能.提出一种改进的彩色的尺度不变特征变换(CSIFT)方法,结合目标的颜色特征与几何特征,针对室外场景的特点,简化了颜色不变量形式,实现了室外场景中目标的关键点检测和特征匹配.实验结果表明,CSIFT方法比经典的SIFT能更好地适用于室外场景中的关键点检测和特征匹配.     

立体目标的宽基线图像匹配

为了匹配立体目标的图像特征,提出一种仿射不变的局部特征提取算法。根据高斯滤波器的形状和大小要与图像结构相适应的原理,该算法利用图像中的最大稳定极值区域(MSER)的协方差矩阵衡量局部图像结构,并将局部图像结构变换到圆形高斯滤波器适用的形式下,以解决视角和尺度变化问题。为了保证图像变换的正确性,采用旋转压缩的方式将各向异性的图像结构变换为各向同性的图像结构。最后在各向同性的图像结构上提取尺度不变特征变换(SIFT)特征点,并将SIFT特征点的坐标变回原图像坐标。实验结果表明该算法提取的局部特征是完全仿射不变的,在立体目标的宽基线图像匹配中表现出良好的效果。     

SIFT和改进的RANSAC算法在图像配准中的应用

在机器人视觉系统中运用SIFT描述子对现实世界中的目标进行识别,这一研究已经取得了很大的进步。运用SIFT生成的图像特征向量的性能十分稳定,对旋转、缩放、平移是保持不变性的,对一定程度目标遮挡、光照变化、视点变化、杂物场景和噪声等也能保持很好的不变性。RANSAC算法早就已经是计算机视觉领域常用的一个进行矫正的标准方法,在标准的RANSAC算法基础上加入了假设评价,改进为R-RANSAC（The Randomized RANSAC）算法。对这两个方面进行论述,运用SIFT（尺度不变特征变换）算法对双目机器人的两幅视觉图像进行匹配,采用带SPRT的R-RANSAC改进算法对匹配过程进行优化,尽可能在短的时间里完成匹配矫正,进而加速整个配准的时间。     

基于SIFT特征的Mean Shift目标标定算法

提出一种基于尺度恒定特征转换（SIFT）的偏移均值向量（Mean Shift）算法,用于视频监控场景中的目标标定。SIFT特征可以实现不同帧图像之间的匹配,Mean Shift算法可以通过色彩直方图进行相邻帧图像的相似度搜索。用期望最大化（EM）机制来评价这两种度量方法之间的概率分布,由此获得相似区域的最大可能性估计。即使这两种机制中的一种不稳定,那么这种相互支撑的跟踪机制也能使跟踪性能保持不变。实验表明本文提出的SIFT-Mean Shift策略改善了经典Mean Shift和SIFT跟踪方法在复杂场景下的性能。     

融合彩色信息与SIFT特征的帧内复制粘贴篡改检测

近年来在同源复制粘贴篡改检测中,SIFT特征得到了广泛的应用.但由于该特征在提取过程中摒弃了颜色信息,会造成一部分特征点的误匹配和漏匹配.为此,提出一种基于彩色信息与SIFT融合的CSIFT特征的检测方法,在提取特征点时加入颜色不变量信息,提高了匹配的准确性和效率.算法首先利用结构相似度将视频帧序列分段,提取每段序列的关键帧;然后提取关键帧的CSIFT特征;最终定位复制粘贴区域,并利用目标跟踪算法计算篡改区域在后续帧上的位置.通过实验验证了算法的鲁棒性,与基于SIFT等特征的算法相比,时间效率和准确性更高.     

基于改进SIFT的抗几何攻击的数字水印

通过改进的SIFT（尺度不变特征变换）算法提出了一种可有效抵抗几何攻击的鲁棒数字水印算法。此算法利用改进的SIFT进行水印信号的同步;水印嵌入采用圆环的嵌入模式,在空域以奇偶量化形式嵌入;通过奇偶检测器提取水印。实验结果表明,改进的SIFT大大降低特征点匹配的维数,提高匹配速率,同时该算法能获得很好的图像质量,能有效抵抗几何攻击和常规的信号处理攻击。     

基于图像增强的月面特征提取与匹配方法

针对月面巡视探测器自主导航中的障碍识别问题,为了采集清晰有效的图形,使用一种基于图像增强的方法结合尺度不变的特征点提取和匹配新的算法来识别障碍物。使用图像增强方法预处理图像,用多尺度特征极值点检测的SIFT方法,提取特征,进行左右双目图像的特征匹配。与传统视觉算法相比,可以解决仿真试验场较差的光源环境,并提高对不同光照环境图像的特征提取和匹配的鲁棒性。在仿真试验场的双目视觉图像匹配中,仿真实验取得较好的效果。     

基于色标和尺度不变特征的实时特征提取方法

以移动机器人视觉系统为背景,以单目视觉所需要的特征点为目标,提出一种基于颜色块和尺度不变特征点算子的实时特征提取方法;目标的定位分为色标定位和特征点定位两个过程,色标定位用来寻找在缩变图像上目标颜色块的重心点,特征点定位是在色标定位的基础上,切出小图像并提取目标的尺度不变特征点,根据极值特征点计算目标位置,为下一步的目标跟踪提供基础;实验结果验证了方法的有效性.