基于C#和SQL Server的图像特征库设计与实现

在分析图像底层颜色相关图算法的基础上,运用C#语言和SQL Server2012完成了图像特征数据表的快速构建,以及对文件夹递归遍历,批量获取图像颜色特征数据,从而建立了图像特征库,对研究图像检索、识别、旅游推荐系统等方面的应用具有一定的参考价值。

基于图像特征库的动物行为识别技术

针对传统接触感应式动物行为识别方法的局限性,根据特定观察视角下动物轮廓、颜色和空间相对位置等物理特征不变以及不同行为下动物产生不同声音的特点,通过建立基于颜色、线条、位置、声音等信息的特征元素库,并利用正则表达式语义规则对这些基础特征元素进行先验知识的有序组织,赋予它们描述不同动物行为特征的能力,进而快速构建出动物行为的匹配模板,缩短动物行为识别过程中特征模板的生成时间,提高动物行为自动识别效率。结果表明,基于图像特征库的动物行为识别技术能够快速、准确地识别不同类别动物行为,在固定视角下其识别率为87. 5%,平均识别时间为60. 3 ms,与背景差分法及光流法相比,本方法在固定视角下的识别精度和识别效率均有所提高。

基于图像特征识别的榫头数控加工技术研究

为了降低榫头数控加工过程中手动编写NC代码的复杂程度,提高加工效率,研发一种基于图像特征识别的榫头自动加工系统。重点研究图像特征识别的数控加工总体结构、特征库建立、特征匹配算法、加工工艺库等关键技术。详细分析榫头模型的图像特征库、NC数据库和图像检索算法等的主要功能及实现方法。

行人重识别技术在洗煤厂中的应用研究

针对洗煤厂在行人重识别过程中由于设备遮挡、分辨率低、光线变化等原因造成行人身份识别为None及误识别的问题,基于FastReID算法对行人重识别技术进行优化。首先,设计了一种保存陌生人特征图的方法,以增加行人重识别技术的实用性;其次,根据初始行人身份信息,校正误识别行人身份信息,减少行人识别为None及误识别的次数;最后,优化人员特征图像库,补充行人特征图像,从而提高行人重识别的准确率。经实验表明,通过自动保存陌生人图像的方法在行人重识别过程中识别准确率可以达到91.87%,通过校正行人身份信息以及优化人员特征图像库的方法可以将行人身份识别为None次数及误识别次数均减少80%以上。

一种基于图像灰度直方图相似度计算的室内定位方法

近年来,视觉定位由于定位精度高广泛应用于室内定位与导航。然而,室内环境复杂多变,视觉定位在很多场景下无法实现高精度定位,而且多数视觉定位算法耗时和计算复杂度高,不适用于智能手机。为实现基于智能手机的准确高效定位,本文提出了一种基于图像灰度直方图相似度计算的定位方法。该方法分为两个阶段:离线阶段和在线阶段。离线阶段在已知坐标的格网点分别利用智能手机采集图像,提取图像灰度直方图,建立图像灰度直方图图像特征库;在线阶段智能手机在待测点采集图像提取灰度直方图,然后与图像特征库进行相似度计算,选取相似度和最大值的格网作为概略位置,以相似度为权重采用加权均值法得到准确位置。将所提方法和KNN算法进行对比,试验结果表明,该方法的平均定位误差优于0.3 m,与KNN算法相比定位精度提高了40.7%,计算时间优于1.7 s。

No-Reference Quality Assessment of Enhanced Images

Image enhancement is a popular technique,which is widely used to improve the visual quality of images.While image enhancement has been extensively investigated,the relevant quality assessment of enhanced images remains an open problem,which may hinder further development of enhancement techniques.In this paper,a no-reference quality metric for digitally enhanced images is proposed.Three kinds of features are extracted for characterizing the quality of enhanced images,including non-structural information,sharpness and naturalness.Specifically,a total of 42 perceptual features are extracted and used to train a support vector regression(SVR) model.Finally,the trained SVR model is used for predicting the quality of enhanced images.The performance of the proposed method is evaluated on several enhancement-related databases,including a new enhanced image database built by the authors.The experimental results demonstrate the efficiency and advantage of the proposed metric.