基于JointBoost I2C距离度量的图像分类方法

基于图像到类(I2C)距离度量的图像分类是一种新颖的方法,但其分类性能仍有待提高.为此,文中提出了一种基于JointBoost I2C距离度量的图像分类方法.首先生成原型特征集,该集合中的样本具有代表性,故计算测试图像到该原型特征集的距离更有效;然后根据JointBoost算法的思想,联合多个I2C距离度量生成一个强分类器,并将空间信息融合到强分类器中.实验结果表明,该方法在图像分类实验中具有更高的分类性能.

顾及空间上下文关系的JointBoost点云分类及特征降维

针对较复杂场景的点云自动分类方法中目标类别为地面、植被、建筑物、电力塔、电力线等的问题,在对数据进行粗差剔除的基础上,首先归纳、定义了点云分类所需的关键特征,并利用JointBoost实现地物分类;同时,考虑到点云数据量大,其分类速度较慢,通过结合地物空间上的相互关联关系,提出一种序列化的点云分类及特征降维方法。该方法在保证分类精度的前提下,使分类所需特征维数降低,缩短了分类所需时间。激光扫描点云数据分类试验证明了该分类方法的有效性。

基于前背景图割的点云分类优化及地物提取

随着激光雷达技术的发展及广泛应用,点云数据的地物分类及场景理解成为了当前的研究热点。由于在机器学习提取局部特征过程中,不可避免地出现过分割或者欠分割的情况,分类结果存在局部误差。针对此现象,研究引入了前背景图割的方法,通过实际的激光扫描点云数据分类实验,得到了精细优化后的分类结果,提高了原来的分类精度并验证了该方法的有效性。

高分辨率航空影像中斑马线的识别与重建

提出了一种利用高分辨率航空影像自动识别与重建斑马线的方法。文中利用基于灰度共生矩阵(cray level co-occurrence matrix,GLCM)和二维Gabor滤波器特征的JointBoost分类器来提取斑马线,并依据斑马线在空间几何上的重复性规则对斑马线建立参数模型。最后结合一些具有代表性的实验数据(如阴影、遮挡和模糊等)来验证本文所提出的方法在斑马线的识别与重建中的有效性。

一种高压输电走廊机载激光点云分类方法

针对输电线路现有点云分类方法存在的分类效率较低及精度不高等问题,该文从高压输电走廊的地物分布特点出发,提出一种基于JointBoost的高压输电走廊点云分类方法。该方法将三维点云转换为二维影像并基于Hough变换在影像上检测输电走廊候选区域;对候选区域每个点定义并计算多尺度局部特征向量,包括高程特征、连通特征、张量特征和平面特征;根据多尺度局部特征用JointBoost分类器将待分类点云分为地面、植被、电力线和电力塔4类。实验数据表明,该方法能有效地减少高压输电走廊的点云处理数量,提高分类效率,且选取的多尺度特征能有效地表达输电走廊内地物的分布特点,具有较高的分类精度。

基于树形检测器的多标志识别

本文首先采用了soft cascade结构的头结点分类器检测出大量的背景图像;然后,通过一个贪婪搜索算法构建分叉树分类器,将不同的台标分类到正确的检测线路中;最后,使用普通cascade结构来得到更加准确的识别结果。实验结果,本文的检测器可以获得较高的识别准确度。