基于稀疏编码的脑脊液图像快速识别模型

考虑到采用传统的图像分割算法很难准确地分割脑脊液(CSF)细胞图像,提出了一种基于稀疏编码的脑脊液图像快速识别模型。该模型首先利用稀疏编码提取图像中的局部特征以及特征描述子,然后将特征描述子转换成线性空间金字塔匹配(SPM)结构,最后将计算结果输入到线性支持向量机(SVM)中进行训练和预测。对脑脊液细胞图像做了异常识别和分类测试,其中异常识别准确率达到了89.4±0.9%,且对每张760×570的图像平均识别时间只需1.3 s,由此可以表明所提出的模型能够有效快速地区分脑脊液细胞是否异常。

基于LLC与GIST特征的静态人体行为分类

针对静态图像人体行为识别问题,提出一种融合局部约束线性编码(LLC)和全局特征描述子的方法。该方法对图像进行密集采样,提取每个子区域的SIFT特征,利用LLC方法对提取的密集SIFT特征进行编码和池化。为了加入空间信息,采用空间金字塔的思想,获得具有空间位置信息的LLC池化特征。将LLC池化特征串联通用搜索树(GIST)特征作为图像的最终描述,使用核函数为直方图交叉核函数的支持向量机进行分类。实验结果表明,与利用LLC、空间金字塔匹配特征和GIST特征进行识别的方法相比,该方法识别效果较好。

非负局部约束线性编码图像分类算法

基于特征提取的图像分类算法的核心问题是如何对特征进行有效编码.局部约束线性编码(Locality-constrained linear coding,LLC)因其良好的特征重构性与局部平滑稀疏性,已取得了很好的分类性能.然而,LLC编码的分类性能对编码过程中的近邻数k的大小比较敏感,随着k的增大,编码中的某些负值元素与正值元素的差值绝对值也可能增大,这使得LLC越来越不稳定.本文通过在LLC优化模型的目标方程中引入非负约束,提出了一种新型编码方式,称为非负局部约束线性编码(Non-negative locality-constrained linear coding,NNLLC).该模型一般采取迭代优化算法进行求解,但其计算复杂度较大.因此,本文提出两种近似非负编码算法,其编码速度与LLC一样快速.实验结果表明,在多个广泛使用的图像数据集上,相比于LLC,NNLLC编码方式不仅在分类精确率上提高了近1%～4%,而且对k的选取具有更强的鲁棒性.

基于局部抑制线性编码的图像快速识别方法

传统的图像识别方法如ScSPM、LLC都是在SIFT的基础上提取特征,忽略了人工特征的局限性,且单张图像识别耗时略长。考虑到这些不足,提出了一种基于局部抑制线性编码的图像快速识别方法。该方法首先直接利用局部抑制线性编码提取图像局部特征描述子;然后用线性空间金字塔匹配(LSPM)对特征描述子进行计算;最后将计算结果输入到线性支持向量机(LSVM)中进行训练和测试。在3个常用的图像数据集上的实验结果表明,该方法在类别不多的情况下具有很好的识别准确率,同时大大减少了单张图像识别耗时,从而验证了该方法在图像识别上的有效性。

基于LLC与加权SPM的车辆品牌型号识别

针对传统车辆识别算法鲁棒性及实时性不强的问题,结合局部线性约束编码(LLC)和加权空间金字塔匹配(SPM)模型,提出一种车辆品牌型号精细识别算法。提取图像方向梯度直方图特征,通过LLC对图像特征进行编码映射,得到具有语义信息的图像表达向量,以提高识别的准确率。利用加权SPM模型将空间位置信息引入图像表达向量中,并将每个图像的最终表达送入线性支持向量机分类器进行训练与识别。使用交通监控摄像头在不同天气和光照条件下采集150种车辆类型共56 827张图像进行实验,结果表明,该算法可有效改善识别效果,提高识别速度。