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.

基于局部约束线性编码的单帧和多帧图像超分辨率重建

基于稀疏表示的超分辨率图像重建是当前典型的算法之一,引入约束性更强的局部约束线性编码(LLC:Locality-constrained Linear Coding)对其进行了改进。首先依据一个高分辨率图像集训练出成对的高分辨率和低分辨率词典,然后根据低分辨率词典对输入的低分辨率图像用LLC方法进行编码,再依据高分辨率词典及编码系数初步重建高分辨率图像,最后添加全局约束重建高分辨率图像,并将该算法推广到多帧图像超分辨率重建层面。分析和对多幅图像的实验结果都表明,新算法相对原算法不仅提高了图像重建的质量还降低了计算复杂度,取得了满意的效果。

采用局部约束线性编码的像素级舰船目标图像融合

为了提升视觉信息在低能见度条件下的适用性,提出了一种采用局部约束线性编码的像素级舰船目标图像融合方法。首先,采用K均值奇异值分解算法从海量的训练样本中完成过完备字典的学习。其次,在考虑着舰导引实时性任务需求的前提下,采用局部约束线性编码完成融合系数的非迭代求解,相较于压缩感知理论架构下的匹配追踪算法,极大地降低了计算复杂度。此外,设计了一种基于融合系数最大绝对值的融合规则,并根据过完备字典和融合后的局部约束线性系数实现融合图像的重建。最后,利用圆周滤波器提取舰船图像的候选区域。大量试验结果表明,在融合图像质量方面,所提方法在保留高频细节的同时将图像中的舰船目标有效增强了,MI、Q_(w)、Q^(AB/F)等客观评价指标优于同类算法;在实时性方面,所提算法的计算速度相比于采用匹配追踪算法的图像融合方案有明显提升。

邻居匹配与局部约束线性编码的图像分类方法

为提高局部约束线性编码(locality-constrained linear coding,LLC)的效率,提出一种结合邻居匹配策略改进的LLC方法。依据输入向量的空间相关性,在采用LLC方法计算输入向量的近邻码值矩阵之前,计算输入向量与空间相邻的已编码输入向量之间的欧氏距离,用其推断输入向量与码本中所有码值之间欧氏距离的上下边界,依据距离下边界判决条件跳过部分码值与输入向量的距离计算,依据距离上边界快速求解输入向量的近似近邻码值矩阵,依据LLC方法进行向量编码。图像分类实验结果表明,该方法的分类正确率高,编码耗时少。

局部约束线性编码技术在图像分类中的设计应用

为了提高图像分类系统的运行效率,对图像分为许多不同的小块,提取SIFT特征作为局部描述子对其进行描述,并对局部特征进行局部约束线性编码,将编码矢量的池化特征作为图像的最终特征表示。通过使用M语言编程实现特征表示算法和分类器算法,并设计实现图像分类系统的GUI界面。

基于局部约束线性编码的多视角聚类方法

由于多视角数据能够提供更多有用信息来提高聚类效果,多视角聚类得到了广泛的研究。基于子空间的多视角聚类方法是流行的研究方法,主要是从多视角数据中学习一个统一表示,用于聚类。现有的基于子空间的多视角学习方法具有不错的聚类效果,但往往忽略了样本之间的局部结构信息。因此,提出了一种新的多视角学习方法,该方法采用局部约束线性编码来获取样本之间的局部结构,提高所学到的表示的质量。同时,利用多视角数据的数据特性,每个视角的表示由视角共享部分和视角独有部分组成,更充分挖掘数据所存在的有效信息。另外,采用图正则约束来保持数据的内在流形结构,提高所学到表示的质量。最后,在真实数据集上的实验结果表明,所提出的方法优于现有的多视角聚类方法。

结合显著相似性的局部约束线性编码

针对局部约束线性编码(LLC)没有考虑到特征描述符与视觉单词之间的显著相似关系问题,提出了结合显著相似关系的局部约束线性编码.通过显著kNN搜索方法和显著最大池方法将显著相似关系结合到LLC中,首先计算描述符和视觉单词之间的显著相似度,然后分别加入到kNN搜索方法和最大池方法中对LLC进行改进,最后在UIUC8等数据集上进行了实验.该方法相比传统LLC方法及其改进方法,图像分类精度有一定的提升.

结合空间上下文的局部约束线性特征编码

针对传统特征编码方法聚焦于在特征空间进行编码,忽略了图像内容的空间信息,导致图像表达不准确、分类精度较低的问题,提出一种在特征空间中以图像空间上下文信息为导向的局部特征编码方法.首先基于最近邻原则为每个局部特征点选择字典中心作为向量基;然后采用探测局部特征的相邻特征点方法建立图像空间上下文约束,并将其用于特征相似性判别;再根据预设阈值来更新向量基,将其用于重构特征;最后将图像的稀疏向量用于分类器进行图像分类.实验结果表明,与同类方法相比,该方法能显著地提高分类精度,更利于图像分类.

黎曼核局部线性编码

最近的研究表明:在许多计算机视觉任务中,将对称正定矩阵表示为黎曼流形上的点能够获得更好的识别性能.然而,已有大多数算法仅由切空间局部逼近黎曼流形,不能有效地刻画样本分布.受核方法的启发,提出了一种新的黎曼核局部线性编码方法,并成功地应用于视觉分类问题.首先,借助于最近所提出的黎曼核,把对称正定矩阵映射到再生核希尔伯特空间中,通过局部线性编码理论建立稀疏编码和黎曼字典学习数学模型;其次,结合凸优化方法,给出了黎曼核局部线性编码的字典学习算法;最后,构造一个迭代更新算法优化目标函数,并且利用最近邻分类器完成测试样本的鉴别.在3个视觉分类数据集上的实验结果表明,该算法在分类精度上获得了相当大的提升.

一种基于约束线性编码的图像分类改进算法

针对图像分类中量化编码的问题,提出了一种简单而且高效编码方法,叫做局部约束线性编码(Locality-Constrained Linear Coding)算法;并将其应用在传统空间金字塔模型(Spatial Pyramid Matching)的向量量化(Vector Quantization)中。通过使用局部约束,LLC先将图像描述子映射到它的局部坐标系统,然后再将这些映射后的坐标经过Max-pooling整合成最终的图像表示。传统的基于词袋模型(Bag-of-World)的空间金字塔需要使用非线性分类器才能获得较好的分类效果,而LLC通过使用线性分类器获得了比传统非线性SPM更好的分类效果。

基于深度卷积特征与LLC编码的现勘图像分类

为了改善低层特征对图像内容描述不够精确而导致现勘图像分类准确率低的问题,提出一种利用深度学习特征的改进局部约束线性编码(local-constrained linear coding,LLC)算法。采用滑动窗口法提取图像密集卷积神经网络(convolutional neural networks,CNN)特征;利用近似LLC算法对提取的密集CNN特征进行快速编码和最大池化,并采用多尺度空间金字塔匹配产生包含空间位置信息的稀疏编码特征。最后,利用支持向量机对现勘图像进行分类从而得到高效的图像特征。对比实验结果表明,该算法的分类准确率较高。

基于深度学习和稀疏编码的图像超分辨率重建

针对基于深度神经网络的图像超分辨率重建技术训练时间长的问题,提出一种基于深度学习和稀疏编码的图像超分辨率重建算法。采用卷积神经网络学习低分辨率图像每一块的深度视觉特征,利用局部约束线性编码的局部平滑稀疏能力对深度特征进行编码;利用字典学习技术学习低分辨率图像和高分辨率图像每一块之间的判别关系字典;通过低分辨率字典和低分辨率图像估计稀疏表示系数,利用该系数实现图像超分辨率的重建。实验结果表明,该算法在视觉效果和评价指标上均获得了较好的超分辨率效果,并且速度较快。

基于时空图像分割和交互区域检测的人体动作识别方法

针对现有人体动作识别方法没有考虑到非人体目标的作用,提出一种基于时空图像分割和目标交互区域检测的人体动作识别方法。在视频流中检测出人体轮廓,并将其进行时空图像分段形成关键段区域;然后,扩展分段使其包含与人体交互的非人体目标,通过时空梯度方向直方图(HOG)和光流场方向直方图(HOF)描述符来表示关键段的静态和动态特征,并通过K-均值算法构建成码书,同时采用局部约束线性编码(LLC)技术来优化码书;最后采用非线性支持向量机(SVM)对特征进行学习并进行动作识别。实验结果表明,与现有基于兴趣点的方法相比,该方案获得了较高的动作识别率。

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。

基于RGB-D图像核描述子的物体识别方法

针对传统的颜色-深度(RGB-D)图像物体识别的方法所存在的图像特征学习不全面、特征编码鲁棒性不够等问题,提出了基于核描述子局部约束线性编码(KD-LLC)的RGB-D图像物体识别方法。首先,在图像块间匹配核函数基础上,应用核主成分分析法提取RGB-D图像的3D形状、尺寸、边缘、颜色等多个互补性核描述子;然后,分别对它们进行LLC编码及空间池化处理以形成相应的图像编码向量;最后,把这些图像编码向量融合成具有鲁棒性、区分性的图像表示。基于RGB-D数据集的仿真实验结果表明,作为一种基于人工设计特征的RGB-D图像物体识别方法,由于所提算法综合利用深度图像和RGB图像的多方面特征,而且对传统深度核描述子的采样点选取和紧凑基向量的计算这两方面进行了改进,使得物体类别识别率达到86.8%,实体识别率达到92.7%,比其他同类方法具有更高的识别准确率。

基于多特征软概率级联的场景级土地利用分类方法

为实现高分辨率遥感影像特征的有效组织优化,以及提高特征的可判别性,该文提出了基于中层特征学习的多特征软概率级联模型实现场景级土地利用分类。首先,提取影像的密集尺度不变转换特征(dense scale invariant feature transform,DSIFT)、光谱特征(spectral feature,SF)以及局部二值模式特征(local binary pattern,LBP)作为低层特征;然后由局部约束线性编码(locality-constraint linear coding,LLC)分别对DSIFT特征、SF特征以及LBP特征进行稀疏编码得到3种低层特征的稀疏系数,并结合空间金字塔匹配(spatial pyramidal matching,SPM)模型、最大空间平滑方法对稀疏系数进行优化,获得影像的中层特征表达;最后,利用SVM分类器,分别对3种低层特征的中层特征表达进行分类,并分别计算3种低层特征分类的软概率,级联3种特征的软概率将其作为图像最终的特征表达,利用SVM分类器进行第2次分类得到最终分类结果。采用UC-Merced Land Use数据集对该方法进行了验证,试验结果表明:1)该方法总体精度达到88.6%,相较于传统稀疏编码空间金字塔匹配(sparse coding and spatial pyramidal matching,Sc SPM),局部约束线性编码(locality-constraint linear coding,LLC)等分类方法,总体精度分别提高了12.7%,9.9%;2)相较于提取单一低层特征的场景分类方法,该文算法更有利于实现对影像中复杂且不易区分的地物的表达,可有效提高土地利用分类精度。

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。

组合金字塔和多核学习的图像分类方法

针对图像分类空间语义信息贫乏,提出一种基于空间金字塔的多核学习图像分类方法.从图像中提取局部特征DenseSIFT,使用局部约束线性编码方法对这些特征进行编码;为增加图像分类时的空间信息以及图像块在图像分类时所起作用不同,采用空间金字塔多划分加权方式为图像加入空间信息;在图像分类时,采用多核学习方法为空间金字塔每一层的每个图像块各自形成一个核矩阵,学习各个核矩阵的权值,通过广义多核学习来获得区分能力最强的核矩阵.通过在Scene categories数据集上的实验,证明空间金字塔每一层的每一个图像块对图像分类集的区分能力不同,这也证明了所提出方法的有效性和鲁棒性.

基于RGB-D融合特征的图像分类

当前经典的图像分类算法大多是基于RGB图像或灰度图像,并没有很好地利用物体或场景的深度信息,针对这个问题,提出了一种基于RGB-D融合特征的图像分类方法。首先,分别提取RGB图像dense SIFT局部特征与深度图Gist全局特征,然后将得到的两种图像特征进行特征融合;其次,使用改进K-means算法对融合特征建立视觉词典,克服了传统K-means算法过度依赖初始点选择的问题,并在图像表示阶段引入LLC稀疏编码对融合特征与其对应的视觉词典进行稀疏编码;最后,利用线性SVM进行图像分类。实验结果表明,所提出的算法能有效地提高图像分类的精度。

利用稀疏协同模型的目标跟踪算法

针对增强视频目标跟踪鲁棒性难题,提出一种利用稀疏协同判别模型和生成模型的跟踪算法.在判别模型中,利用先验视觉知识训练一个基于SIFT特征的过完备字典,用于构建目标外观模型和训练分类器实现目标与背景的分离;在生成模型中,提取目标的局部特征以及计算目标的遮挡信息来构建目标模板,通过计算候选目标与目标模板的相似度实现对目标的跟踪;最终利用乘性策略融合2种模型的跟踪结果.定性和定量的实验结果表明,与经典跟踪算法相比,该算法具有较好的鲁棒性.