Multi-scale Graph-matching Based Kernel for Character Recognition from Natural Scenes

认出从自然景色图象提取的字符由于 intraclass 变化的高度是相当挑战性的。在这份报纸，我们为景色特性识别建议一个多尺度的匹配图的基于的核。以便捕获人物的内在地特殊的结构，每幅图象被与多尺度的图象格子联系的几张图代表。当也越过邻近的节点保存空间一致性时，二幅图象的类似被匹配二张图(图象) 因此定义为最佳精力，它在图为每个节点发现最好的火柴。计算类似是合适的为支持向量机器(SVM ) 构造一个核。与多尺度的格子匹配图获得的多重核被联合以便最后的核是更柔韧的。挑战性的 Chars74k 和 ICDAR03-CH 数据集上的试验性的结果证明建议方法比现状方法更好表现。

基于自适应多特征融合的mean shift目标跟踪

经典mean shift目标跟踪算法简单快速,具有较好的跟踪效果,但是它用单个特征描述目标,易受相似目标与背景的干扰,鲁棒性较差.针对此不足,推导出多特征融合mean shift目标定位公式;为了适应跟踪过程中目标与背景的变化,提出利用概率分布可分性判据动态评价特征对目标与背景的区分能力,并自适应地计算特征融合权重.在上述两个方面的基础上,对mean shift目标跟踪算法进行了改进,提出一种多特征融合mean shift目标跟踪算法.实验结果表明:提出的算法比经典mean shift目标跟踪算法具有更强的抗干扰性能和较高的跟踪精度.

基于均值偏移的灰度图像分割方法

针对灰度图像分割往往存在的过分割或欠分割问题,提出了一种基于均值偏移的图像分割方法.该方法通过联合像素的空间位置和灰度特征,建立图像的特征矢量,构造基于像素的位置和灰度的改进核函数直方图.采用均值偏移算法搜索图像的特征模式,并以此对图像进行平滑滤波和分割.对以地物为背景的图像分割结果表明,该方法既能抑制具有纹理的大片背景,又能提取出面积较小且轮廓清晰的物体,分割的物体完整且符合人眼视觉,较有效地避免了图像过分割和欠分割的问题.

一种新的直方图核函数及在图像分类中的应用

基于核方法的支持向量机(SVM)以其良好的推广性在图像分类等领域已经得到广泛应用,运用支持向量机的关键是设计有效的核函数。为克服传统核函数较少融合先验知识的弱点,该文提出基于数据驱动的核函数构建方法;并结合词包(BOW)模型,设计了一种基于TF-IDF规则的加权二次卡方(Weighted Quadritic Chisquared,WQC)距离的直方图核函数;在计算直方图之间距离时充分考虑到不同量化区间的不同区分性能,从而增强核函数对不同类别的区分能力。在Caltech101/256等多个经典图像数据集上的分类实验结果验证了该文方法的有效性。

基于Wasserstein距离的局部能量分割模型

提出了一种基于Wasserstein距离和图像局部区域直方图信息的非参数活动轮廓分割模型.用该距离对图像中不同区域的直方图进行比较,提高了相似性衡量的准确性;引入高斯内核函数来获取图像局部区域直方图信息,并将信息嵌入模型指导轮廓演化,以克服由于亮度不均造成的图像分割困难;通过水平集规范项提高计算精度并避免水平集演化的重新初始化.实验结果表明,本模型能够对亮度不均的无序特征图像进行有效准确的分割.

核函数带宽自适应的Mean-Shift跟踪算法

为了实现Mean-Shift跟踪算法中的核函数带宽自适应更新,提出基于比较Bhattacharyya系数的新方法。首先用模板中心加权与目标边缘加权的直方图计算巴氏系数,跟踪时用候选目标边缘加权直方图与模板中心加权直方图计算新的巴氏系数,根据两个系数的大小对核带宽进行10%的缩放。实验表明,该方法有效克服了带宽只能缩小的问题,实现了跟踪窗对目标缩放的自适应性。

基于Mean-shift的改进目标跟踪算法

传统的Mean-shift目标跟踪算法对背景因素比较敏感,采用核加权直方图的方法计算目标模板与候选区域目标特征往往无法实现对运动目标的准确定位。在研究传统算法的基础上,改进了Mean-shift算法中目标特征选取机制,即目标模板采用背景加权,候选目标区域采用核加权。仿真结果表明,该方法实现了在复杂环境背景下对运动目标更加准确的跟踪。

基于均值偏移和卡尔曼滤波的目标跟踪方法

分析了Mean-shift难以有效地跟踪复杂背景下灰度运动目标的主要缺陷,提出了结合Mean-shift和卡尔曼滤波器的目标跟踪方法。该方法利用卡尔曼滤波器预测目标在当前时刻的起始位置,然后Mean-shift在该位置的邻域内寻找目标所处位置。同时,采用Bhattacharyya系数度量"目标模型"和"候选模型"相似程度,确定"候选模型"是否更换为"目标模型",避免目标模型过度更新。以地物为背景的飞机目标图像序列试验结果表明该方法较原Mean-shift方法可明显提高阻挡情况下的目标跟踪稳定性。

直方图理论与最优直方图制作

直方图是一种最为常见的密度估计和数据分析工具.在直方图理论和制作过程中,组距的选择和边界点的确定尤为重要.然而,许多学者对这两个参数的选择仍然采用经验的方法,甚至现在大多数统计软件在确定直方图分组数时也是默认采用粗略的计算公式.本文主要介绍直方图理论和最优直方图制作的最新研究成果,强调面向样本的最优直方图制作方法.

基于本体核与直方图的聚类预处理方法

围绕数据对象与用户需求之间的关联特性,该文将"本体论"基本理念引入聚类分析过程,定义"本体核"和"客体数据"来表述数据对象在数据空间中的动态分布,并通过弱(强)量本体核构建数据对象间的相互关系.同时,利用"本体核"中客体数据的频数及其同频异值数构造聚类分析直方图,分别使用两种控制聚类合理性函数来确定直方图门限值的预处理算法,获取数据对象的最终聚类归属,并通过应用示例验证方法的可行性和有效性.

利用多分辨率直方图特征分类数字X光乳腺图像

提出了一种结合多分辨率直方图特征表示与核学习算法的数字X光乳腺图像的分类方法。该方法不依赖特征选择步骤,而是基于感兴趣区(ROI)的高维多分辨率直方图特征,通过从训练实例中学习,同时检测多种异常的ROI。对该方法进行接收器工作特性(ROC)分析,敏感性约为89%,ROC曲线下面积(AUC)接近0.91。与以前所提出的检测方法相比,该方法不需要针对特定类型病变选择特征表示,因此可以同时检测多种类型的病变,简化了检测过程,提高了检测效率,而且分类性能也达到或超过了以前方法的平均分类性能。结果表明,利用多分辨率直方图特征表示能够很好地区分乳腺图像中正常和异常区域,同时也显示了借助核学习算法消除或限制分类任务中特征选择步骤的可能性。

一种特征融合的带宽自适应Mean Shift跟踪算法

传统Mean Shift跟踪算法在目标颜色特征和背景颜色特征相近、尺度变化等情景下效果不理想。提出了一种特征融合且核函数带宽自适应的改进跟踪算法,针对颜色直方图容易受背景区域影响,融合了边缘直方图,并对核函数带宽进行自适应更新。另外,对目标模型的更新进行了相关探索并给出比较结果。结果表明,该算法可以对目标实现更稳定的跟踪,对目标颜色和背景颜色相近、尺度变化等场景具有很好的适应性。

基于颜色直方图金字塔的图像自动标注方法

针对图像自动标注应用,提出一种基于金字塔匹配核(PKM)的颜色直方图特征标注方法。图像以金字塔方式划分成越来越细的格子,统计每个格子的颜色直方图并进行对数处理,以平衡不同颜色对直方图的贡献。所有格子的直方图经过加权处理后连接成单一向量,称为颜色直方图金字塔,通过直方图相交距离度量向量之间的相似度。在corel5k数据集上的实验结果表明,该方法在全局颜色直方图、分块颜色直方图和尺度不变特征变换特征方面优于传统方法,与同样基于PKM的空间金字塔匹配(SPM)方法相比,F度量值提高了10%。

基于多线索融合的目标跟踪算法及其在DM3730上的实现

研究了一种基于多线索融合的目标跟踪算法并在TIDM3730上实现。该算法结合在线AdaBoost和颜色目标跟踪算法,选用Haar小波和核颜色直方图两种特征类型,利用粒子的状态散度矩阵的行列式对这两种不同类型的特征进行融合,实现了对所选定目标的鲁棒跟踪。分析及实验结果表明,与传统的基于单一特征的目标跟踪方法相比,本算法融合了两种不同类型特征的互补性,在具有挑战性的复杂环境下,例如目标遮挡,旋转以及光照变化等,都有更好的跟踪效果。

基于多核学习的静态图像人体行为识别方法

提出一种基于广义性多核学习的静态图像人体行为识别方法。从图像中提取基于边缘的梯度方向直方图和基于稠密采样的尺度不变特征描述子,并使用空间金字塔模型加入粗略空间信息;运用直方图内交核函数计算金字塔模型各层核矩阵,通过广义性多核学习方法求解各个核矩阵权重,以线性组合方式得到最优核矩阵;最后利用多核学习决策函数进行行为识别。Willow-actions数据集实验结果表明,本文方法比其他几种方法更加有效。

带PCA卷积的稀疏表示图像分类算法

针对不同卷积核可以提取不同的图像特征,而卷积核的训练比较困难这一问题,提出一种带主成分分析(PCA)卷积的稀疏表示分类算法。先对训练样本集做分片去均值化处理,然后直接应用PCA算法提取所有分片的前K个特征向量作为卷积核,再用这些卷积核对原始图像进行卷积操作;并提出一种自动加权策略,对卷积处理后得到的K个特征图像进行加权叠加操作;最后对特征图像进行分块直方图统计稀疏化,并应用稀疏表示分类算法进行分类。在公共人脸数据集AR、CMU Multi-PIE、ORL以及数字手写体数据集MNIST上与常用分类算法进行对比实验,实验结果表明,带PCA卷积的稀疏表示分类算法具有更高的分类准确率。

基于梯度方向直方图特征的多核跟踪

提出了基于梯度方向直方图特征的多核跟踪算法,对跟踪过程中的光线变化和部分遮挡具有较强的鲁棒性.该算法将目标分块,分别提取出每块的核函数加权的梯度方向直方图特征.目标模型和候选目标模型的相似度用所有块直方图间的Bhattacharyya系数之和进行度量,目标的跟踪通过Mean shift算法最大化两者的相似度实现.对车辆、人体等多个日标的跟踪验证了本文提出算法的有效性.

基于多特征和多核学习的行人检测方法的研究

行人检测系统涉及交通安全问题,需要很高的鲁棒性,基于单特征结合单核支持向量机的方法效果有限,为解决这一问题,提出采用多特征和多核学习的方法来提升系统的鲁棒性,通过将积分信道特征、多层次导向边缘能量特征和CENTRIST特征分别与直方图交叉核、高斯核和多项式核进行线性组合,采用简单多核学习(Simple MKL)来分别计算核函数的权重系数,将多核学习方法与经典的梯度直方图特征/支持向量机、多尺度梯度直方图特征/直方图交叉核支持向量机和特征融合/直方图交叉核支持向量机的行人检测方法进行比较,实验表明所提出的行人检测算法的鲁棒性有明显提升。

基于边界沙包核函数的Mean-Shift跟踪算法

针对传统的Mean-Shift跟踪算法,使用单个颜色特征定位目标易受相似目标与背景的干扰导致跟踪失败以及跟踪窗口尺寸不能自适应跟踪目标变化的问题,提出一种基于颜色特征与边界特征相融合的目标表示方法和沙包核函数Mean-Shift尺寸自适应算法。在跟踪中,颜色特征和边界特征根据各个特征的可靠性进行实时性更新;同时,在跟踪窗口中心和边界定位的基础上,由候选目标跟踪窗和分块目标跟踪窗的边界距离变化对核窗宽大小进行更新。实验结果表明,该算法目标定位的精确性更高,在目标尺寸增大和减小的情况下,平均每帧耗时比传统的基于矩形窗和椭圆窗自适应跟踪算法更少,提高了跟踪性能,满足实时性要求。

一种基于模糊核聚类的脑部磁共振图像分割算法

目的针对普通模糊核聚类算法(kernel fuzzy c-means clustering algorithm,KFCM)存在的随机选择初始聚类中心的问题,本文提出一种根据直方图得到确定的初始聚类中心的模糊核聚类算法,以更快速地分割脑部磁共振图像。方法首先利用区域生长法和形态学方法对原始脑部磁共振图像进行预处理,提取脑实质,然后计算出预处理图像的直方图,将直方图的4个峰值作为模糊核聚类的初始聚类中心,最后利用模糊核聚类算法对脑实质进行分割。结果本文算法能有效地提取出脑组织中的白质(white matter,WM)、灰质(grey matter,GM)和脑脊髓液(cerebral spinal fluid,CSF)。与普通模糊核聚类算法相比,该算法的目标函数能更快地达到平稳,从而缩短运行时间。结论本文算法与随机选择聚类中心的模糊核聚类算法相比,可减少迭代次数,更快地得到分割结果。