基于模糊形状上下文与局部向量相似性约束的配准算法

非刚性点集配准研究是模式识别领域的一项重要基础研究.本文在当前流行的非刚性点集配准算法的基础上提出了两个主要贡献:1)模糊形状上下文(Fuzzy shape context, FSC)特征;2)基于局部向量特征的局部空间向量相似性约束项.本文首先进行基于特征互补的对应关系评估,在这一步骤中定义了模糊形状上下文特征,然后基于模糊形状上下文特征差异和全局特征差异设计了特征互补的高斯混合模型.其次,进行基于约束互补的空间变化更新.在这一步骤中,定义了局部向量特征,建立了局部空间向量相似性约束项.本文算法通过使用特征互补的高斯混合模型进行对应关系评估,并将配准问题转化为可以用期望最大化(Expectation maximization, EM)算法解决的参数优化问题,通过创建包含局部空间向量相似性约束项的能量方程优化了空间变换更新.本文首先测试了模糊形状上下文特征的检索率,然后采用公开数据集测试了算法在点集配准与图像配准的性能.在与当前流行的十种算法的对比实验中,本文算法均给出了精确的配准结果,并在大部分实验中精度超过了当前流行算法.

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。