基于混合特征的互联网茄子图像检索方法与系统

互联网图像数据的爆炸式增长使得有效检索变得越来越重要,不同于文字的检索,有效的图像检索仍然是一个开放的问题。该文提出了基于混合特征的互联网茄子类图像的检索方法,并开发了图像检索系统。该文采用Hu不变矩(hu invariant distance)作为几何不变特征,采用颜色矩方法,通过计算HSV空间的三阶矩来描述颜色特征,采用分水岭算法(watershed algorithm)提取茄子的轮廓特征,通过长宽比特征区分长茄和圆茄,最后综合几何不变特征、颜色、轮廓特征进行茄子对象的描述,分别给3种特征赋不同的权重,形成检索系统。试验验证,该文方法和系统在测试数据集上查全率为87.6%,查准率为87.6%,相比于只采用Hu不变矩方法(其查全率为31.75%,查准率为31.75%)在Hu不变矩加颜色特征方法(查全率为52.8%,查准率为52.8%),有了一定的提升,验证了方法的有效性。

融合Sobel-SIFT的花朵图像的特征提取方法

由于花朵图像特征的复杂性,往往需要先对原有图像进行花朵轮廓检测,再进行特征点提取.本文在传统的SIFT算法的基础上,提出了改进的Sobel-SIFT算法,以适用于花朵图像的特征提取.该方法首先针对传统的Sobel算法进行了方向模板的扩展,其次对检测到的边缘特征进行细化处理,最后使用SIFT特征提取算法对花朵图像进行特征点提取.试验结果显示该算法比原有算法获取了更为准确的特征点,验证了本文方法的有效性.

基于深度神经网络的人体动作识别方法

针对静态图像集中人体动作种类繁杂且识别准确率较低的问题,提出一种基于深度神经网络的人体动作识别方法;该方法采用迁移学习的思想对GoogLeNet模型进行改进,使得网络在预训练之后能够对行为个体的种类具有一定的姿势表达能力;采用逻辑分类中的逻辑回归多分类来实现动作的多分类,并通过建立动作识别模型应用系统对其进行验证;通过MATLAB2017处理平台对该模型进行测试,并得出图像的平均识别率。结果表明,本文中提出的方法在公开的图像数据集PPMI上的平均识别率相对较高,证实了构建的基于GoogLeNet人体动作识别模型应用系统对人体动作的分类是可行且有效的。