基于PDCRAN-SIFT的特征匹配技术研究

研究复杂背景下图像的目标识别,提高复杂背景下识别攻击目标的准确性和快速性。针对SIFT特征具有冗余度高、可分性差的缺点,提出PDCRAN-SIFT的方法对SIFT特征进行聚类精选,首先引入概率距离聚类的方法对SIFT特征进行聚类,选取每一类的代表特征向量作为粗聚类特征向量,然后运用随机采样一致算法剔除粗聚类特征向量中与目标图像误匹配的特征向量,从而得到精聚类匹配特征向量。实验表明,经过处理之后的PDCRAN-SIFT特征向量,冗余度大大减小,匹配时间缩短了50%左右,特征可分性和对光照、视角、噪声的鲁棒性也比SIFT特征明显增强。     

基于ICM的局部不变特征提取方法

提出了一种新的基于交叉皮层模型(intersecting cortical model,ICM)的局部不变特征提取方法.首先将k-means聚类后的Harris角点作为关键点,接着以关键点为中心构造特征区域,最后采用ICM图标信号对特征区域进行描述作为局部不变特征.实验结果表明:该方法所获取的局部不变特征具有很好的可重复性,并且当目标处于复杂背景以及遮挡条件下具有较好的识别性能.     

一种新的时空局部特征提取方法及在目标识别中的应用

针对大多数特征提取算法忽略时间因素对识别精度影响这一问题,提出了一种新的时空局部特征提取方法。首先采用Harris算子提取关键点并估算出该关键点处的尺度,并使用无迹卡尔曼滤波器对关键点处的位置进行跟踪,获取不同时刻下的关键点簇;再采用小波系数描述关键点簇的特征区域、采用SSD衡量关键点簇上相邻两时刻特征向量的相似度,并保留随时间推移SSD值变化缓慢的关键点簇;最后使用高斯统计模型对这些关键点簇的特征向量进行统计建模,获取时空局部特征。实验结果表明,文中方法的目标识别精度高于基于SIFT的目标识别精度约10%。