一种改进的多阶段ReliefF特征选择算法

ReliefF算法通过多次迭代采样样本与同类近邻样本和反类近邻样本,计算出差异系数作为样本属性权值的方式,挑选出权值高的特征,从而完成特征选择任务。但是ReliefF算法从算法本身角度无法去除冗余特征,权值大于分类阈值的特征将会被保留下来。笔者提出一种分阶段的特征提取方法,从横向和纵向两个维度对特征进行选择。仿真结果表明,与ReliefF算法相比,在不影响分类准确率的前提下,去除冗余特征,进一步提高了特征选择的有效性。

基于局部相似性的特征匹配筛选算法

针对传统ORB算法匹配效率低、误匹配率高的问题,提出一种基于局部相似性的特征匹配筛选算法。对传统的非极大值抑制算法进行优化,优化后算法在效率上有明显的提升并且可以保留更多能准确匹配的特征像素点,从源头减少了误匹配的产生。针对传统RANSAC筛选算法迭代慢、对视角变化图像的鲁棒性不足的缺陷,提出一种基于局部相似性的筛选算法,通过特征像素点局部范围内其他特征像素点的相似分布进行筛选。实验结果表明,提出的筛选算法具有更高的效率,同时对视角变化的图像鲁棒性更强。