基于目标红外特征与SIFT特征相结合的目标识别算法

为了解决传统的 SIFT 算法存在检测时间长,识别率低等问题,提出了一种基于目标红外特征与SIFT特征相结合的红外图像识别算法,该算法首先通过5个能反映红外目标初步信息且易实现的红外特征量进行初步识别,然后采用SIFT算法进行精确识别.通过三种飞机的红外图实验可以看出,将红外特征量与SIFT特征检测识别方法相结合,识别时间缩短0.06 s,识别率有较大提高,达到98%以上.     

基于SIFT算法在遥感图像匹配中的应用研究

针对遥感图像在光照和几何差异等复杂因素上引起的匹配误差,深入研究了SIFT特征描述符的改进方法.利用特征点圆形区域来构造特征描述符,采用自适应量化策略用来局部区域的划分和梯度直方图的计算,并对每个描述子采用一种插值法重新确立主方向,改进SWT算法的描述符.降低特征点维数的同时,又保证特征点描述符的独特性和鲁棒性.研究结果表明,改进的SIFT描述符在遥感图像几种复杂环境下都取得了预期的结果,证实了改进算法的可行性.     

基于SIFT特征的图像拼接算法应用研究

图像拼接算法在视频压缩、文物守护、图像信息处理与虚拟现实技术中普遍应用.图像拼接存在图像视野范围和高分辨率之间相互矛盾的问题,目前要获得某些大视野的场景时,只能通过一些简单方法进行处理.因此,提出了一种基于SIFT特征的图像拼接算法,并进行了实际应用.     

基于改进SIFT算法的汉字图像匹配

根据汉字图像的特点,提出一种改进的SIFT算法。该算法将特征点算子的维数进行降低以减少计算量,并且增加描述子的像素范围以增加匹配精度,由于汉字结构的特点,旋转会产生错误的匹配,所以取消SIFT的旋转不变性。实验结果表明,与标准SIFT算法相比,改进的SIFT算法在时间上及提高文字图像匹配的准确率上都有所提高。     

SIFT算法在雷达图像匹配中的应用

为了提高合成孔径雷达（SAR）图像匹配的稳定性和可靠性,提出了一种基于SIFT特征的雷达图像匹配方法。对不同条件下的同源和非同源的SAR图像进行了大量的实验,给出了初步的匹配结果。实践证明,对于本文研究的数据源,该算法稳定可靠,有很好的有效性和鲁棒性。     

基于SIFT特征的特定目标识别管控算法

小型存储设备,如U盘、移动硬盘、手机等特定目标在人们日常生活中起着越来越重要的作用,如何对这些特定的目标物体进行管理控制以确保其安全性等问题也受到了越来越多的重视。本文提出了一种基于SIFT(Scale-Invariant Feature Transform)特征的特定目标识别管控算法。通过摄像头监控特定场景区域,判断场景中是否存在对特定目标进行管理的人员,并在监控视频区域环境下,使用SIFT与需要匹配的目标进行匹配,达到对关键目标物体识别管控的目的。大量实验仿真结果证明了本算法的有效性。     

基于图像纹理特征的SIFT算法研究

针对传统尺度不变特征转换(SIFT)算法存在大量冗余的特征点, 而导致图像匹配过程中运算量大、效率低的问题, 提出一种基于图像纹理特征的SIFT算法。该算法首先采用排列组合熵方法提取图像纹理信息, 在此基础上利用SIFT算法提取特征点, 这样能够减少冗余特征点, 以有效提高算法匹配效率。实验测试结果表明, 该算法与传统的SIFT算法相比, 冗余特征点少, 特征点匹配效率提高到98.04%。     

基于图像纹理特征的SIFT算法研究

针对传统尺度不变特征转换(SIFT)算法存在大量冗余的特征点,而导致图像匹配过程中运算量大、效率低的问题,提出一种基于图像纹理特征的SIFT算法。该算法首先采用排列组合熵方法提取图像纹理信息,在此基础上利用SIFT算法提取特征点,这样能够减少冗余特征点,以有效提高算法匹配效率。实验测试结果表明,该算法与传统的SIFT算法相比,冗余特征点少,特征点匹配效率提高到98.04%。     

一种基于2D和3DSIFT特征级融合的一般物体识别算法

如何选择合适的特征表示一般物体类间差异和类内共性至关重要,因此,本文在2D SIFT(Scale Invariant Feature Transform,SIFT)的基础上,提出了基于点云模型的3D SIFT特征描述子,进而提出一种基于2D和3D SIFT特征级融合的一般物体识别算法.分别提取物体2维图像和3维点云的2D和3D SIFT特征描述子,利用"词袋"(Bag of Words,BoW)模型得到物体特征向量,根据特征级融合将两个特征向量进行融合实现物体描述,运用有监督分类器支持向量机(Support Vector Machine,SVM)实现分类识别,给出最终识别结果.最后,实验验证了本文提出算法的好处.     

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。     

复杂场景下结合SIFT与核稀疏表示的交通目标分类识别

针对复杂场景下的交通目标分类识别难点,提出一种基于尺度不变特征转换(SIFT)与核稀疏表示的分类识别算法.该算法首先利用SIFT分别提取训练样本和待测目标局部特征信息,通过核方法将特征样本映射到核空间,构建过完备字典,最后通过待测目标在字典中的稀疏度与重构误差对交通目标类别进行判定.同时,分析了随机投影下的核稀疏表示分类与特征维数之间的关系.实验结果表明,与SVM、稀疏表示分类(SRC)相比,该方法增强了交通目标特征层的类判别能力,具有较好的识别率和鲁棒性.     

Normalized Incremental Subgradient Algorithm and Its Application

The problem of minimizing the sum of a number of component functions is of great importance in the real world. In this paper, a new incremental optimization algorithm, named normalized incremental subgradient (NIS) algorithm, is proposed for a class of such problems where the component functions have common local minima. The NIS algorithm is performed incrementally just as the general incremental subgradient (IS) algorithm and thus can be implemented in a distributed way. In the NIS algorithm, the update of each subiteration is based on a search direction obtained by individually normalizing each component of subgradients of component functions, resulting in much better convergence performance as compared to the IS algorithm and other traditional optimization methods (e.g., Gauss-Newton method). The convergence of the NIS algorithm with both diminishing stepsizes and constant stepsizes is proved and analyzed theoretically. Two important applications are presented. One is to solve a class of convex feasibility problems in a distributed way and the other is distributed maximum likelihood estimation. Numerical examples, arising from two important topics in the area of wireless sensor networks-source localization and node localization-demonstrate the effectiveness and efficiency of the NIS algorithm.     

一种适合于目标检测的图像分割方法

在航空图像的目标检测过程中，首先需要把图像中的每个目标都单独地分离开。一般的图像分割方法是把图像分成几大类，同一类目标组成一个个区域。这种分割结果给目标检测造成了很大的困难。本文首先采用最小值滤波对图像进行预处理，尽量地扩大目标之间的间隙。然后用降低分辨率的方法得到初始的分割图像，并用分裂合并法修正分割结果。计算结果显示，分割结果中不同的目标尽管距离很近，也能较好地分离。这个结果对于目标检测有着重要的意义。     

基于OpenCV的运动目标识别算法与实现

介绍一种结合背景差分法和瞬时差分法的在视频序列中识别运动目标算法。该算法利用瞬时差分法得到当前帧中运动目标的轮廓信息,在更新背景模型时不更新运动目标轮廓内区域,避免了由运动目标引起的背景模型更新误差。给出用OpenCV实现算法的具体过程和关键代码。实验结果表明,该方法可以实现视频序列中运动目标的识别,具有实时性,并能得到较好的识别结果。     

基于多特征融合的运动对象识别算法

为提高视频检索的准确率,提出了一种基于多特征融合的视频运动对象识别算法。该算法首先使用基于背景帧构造及关键帧截取的方法提取视频中的运动对象的区域;然后分别提取运动对象的局部特征SURF描述子和全局特征如颜色直方图、边缘直方图等,并使两者融合为统一的特征向量;最后使用支持向量机对特征进行学习和识别,用以识别视频对象。实验证明该算法有效地提高了视频中运动对象识别的准确率。     

一种基于稠密SIFT特征对齐的稀疏表达人脸识别算法

该文针对人脸图像受到非刚性变化的影响,如旋转、姿态以及表情变化等,提出一种基于稠密尺度不变特征转换(SIFT)特征对齐(Dense SIFT Feature Alignment, DSFA)的稀疏表达人脸识别算法。整个算法包含两个步骤：首先利用DSFA方法对齐训练和测试样本;然后设计一种改进的稀疏表达模型进行人脸识别。为加快DSFA步骤的执行速度,还设计了一种由粗到精的层次化对齐机制。实验结果表明：在ORL,AR和LFW 3个典型数据集上,该文方法都获得了最高的识别精度。该文方法比传统稀疏表达方法在识别精度上平均提高了4.3%,同时提高了大约6倍的识别效率。     

改进BP神经网络在物体识别中的应用

针对传统BP神经网络容易陷入局部极小、收敛速度慢和确定隐含层的神经元个数比较困难等缺点,从结构和算法两方面对BP神经网络进行改进。改进后的网络具有较快的收敛速度和较短的运行时间,加强了BP神经网络的学习能力和自适应能力,并将其应用于物体的分类识别,取得了良好的效果。仿真结果表明了此改进方法的可行性和有效性。     

几何变换归一化在盲图像水印算法中的应用

在水印技术的应用中，针对几何攻击的鲁棒性一直是一个难题。这主要是由于即使很小的尺度或旋转攻击，都会使接收图像失去与原水印图像的同步，从而无法检测出水印。提出一种利用几何矩对原始图像和接收图像进行归一化处理的方法，使水印的嵌入和检测都在同步的基础上进行。该方法具有鲁棒性好、校正精度高、运算简单的特点，同时检测端不需要原始图像。实验证明本算法对翻转、旋转和尺度变化等几何攻击具有很好的鲁棒性。     

改进SIFT算法在气象站图像拼接技术上的应用

利用基于特征点的sift算法与几何不变矩结合实现气象站全景图像的拼接,Sift算法和不变矩结合计算出特征匹配点后,利用RANSAC算法进行特征点剔除误配,从而进一步计算出拼接图像之间的变换关系矩阵H。最终使用加权平滑算法完成了气象站图像的融合,从而得到最后的气象站拼接图像。实验证明,该算法一定程度上提高了图像拼接的效率。