基于视觉词袋模型提取胶痕特征的卷烟真伪鉴别

目的为快速准确地鉴别多品牌卷烟真伪,提出一种基于视觉词袋模型提取烟盒胶痕图像特征的鉴别方法。方法首先,利用自主设计的多光源胶痕采集装置获取烟盒内部的胶痕图像,通过图像处理技术去除原始图像的部分背景后得到胶痕图像样本;然后,从胶痕图像样本中提取尺度不变特征转换(SIFT)特征,并用K-Means算法对特征聚类生成视觉词典;再依据视觉词典的视觉单词直方图特征集对胶痕图像进行训练分类,从而达到鉴别卷烟真伪的目的。结果以10种真品包装机型生产的烟盒胶痕图像以及假冒烟盒胶痕图像为对象,烟盒样品涉及64个卷烟品牌,对360张胶痕图像分类测试,得到真伪识别率为97.22%,每个样本平均鉴别时间为0.05 s。结论提出的方法采集胶痕图像简便、真伪鉴别效率和准确率高,并适用于多种卷烟品牌。为提高真伪卷烟鉴别效率、准确率和通用性提供了技术支持。

利用词袋模型估计尺度差异的异源影像匹配方法

针对影像匹配中因影像间尺度差异过大导致同名特征点数目不足甚至误匹配的问题,提出一种利用词袋模型估计尺度差异的异源影像SIFT匹配方法(BS-SIFT)。该方法通过提前感知待匹配影像间存在的尺度差异,将异源影像匹配转化为在同一尺度上开始,提高匹配的内点率,进而增加大尺度差异影像的匹配点数量。首先,通过将连续变化的不同尺度影像特征点在特征空间聚类,并将各尺度影像特征重分配到特征中心,得到各尺度下的特征分布关系;然后,结合影像特征中心的空间信息熵定权,得到待匹配影像间尺度描述符;最后,分析尺度描述符距离分布可得到最佳影像尺度差。实验结果表明,本文提出的BS-SIFT算法在超过10倍尺度差的影像匹配上仍能取得较好结果,相较于经典的SIFT算法,本文算法在取得较高效率的同时可得到更多的同名特征点,匹配正确率至少提升9个百分点,最大可达37个百分点。

基于词袋模型的人体动作识别方法

传统词袋模型构建的词典不稳定,且忽略词向量先后顺序,在用其进行人体动作识别时,识别效果不稳定,尤其对倒序动作识别效果不佳。针对这些问题,提出一种基于时空联合频率直方图实现动作分类的方法。提取肢体关键角度信息,把关键角度的帧间差值作为时间特征描述子;构建稳定的时间词袋与空间词袋,利用其联合频率直方图表示动作序列,增强动作时间特性;利用支持向量机(SVM)实现动作分类。在一个具有挑战性的数据集-UTKinect数据集上进行实验,结果表明,相比于传统词袋模型与一些已有方法,该方法能够有效提高动作识别的准确率。

基于词袋模型的地铁车辆螺栓丢失故障检测

螺栓作为地铁车辆上数量最多的零部件,其异常状态检测是日常巡检工作中的重中之重。针对螺栓体积小特征提取困难的问题,提出一种基于词袋模型的地铁车辆螺栓丢失故障检测方法。首先利用滑动窗口在轴箱图像上提取候选区域,接着使用Harris-SIFT结合算法对候选区域提取特征和描述,然后特征聚类构建词袋并获得各个候选区域的词袋描述,最后利用SVM在候选区域进行丢失螺栓检测。实验结果表明,基于词袋模型的地铁车辆螺栓丢失故障检测准确率可达91.5%,能够很好地代替人工进行检查。

单尺度词袋模型图像分类方法

针对基于SIFT特征描述的图像分类方法需构造多尺度极值空间,运算耗时且部分极值点无直观视觉意义,提出一种新型的图像分类方法。该方法通过网格直接提取单尺度SIFT特征,并对局部特征进行单尺度词袋模型描述。由于单尺度SIFT无须构造多尺度空间且保留了更多的全局信息,从而极大地降低了计算复杂度且使分类正确率得到显著提升。实验结果表明,提出的单尺度SIFT比常规SIFT所形成的词袋模型在分类正确率上有明显提高。

基于视觉词袋模型的羊绒与羊毛快速鉴别方法

为快速准确地鉴别羊绒和羊毛,提出一种基于视觉词袋模型的鉴别方法。该方法使用羊绒和羊毛的光学显微镜图像作为实验样本,将纤维鉴别问题转化为图像的分类问题。首先对光学显微镜图像进行预处理以增强特征,然后从纤维形态中提取局部特征并生成视觉单词,再依据视觉单词对纤维图像进行分类,从而达到鉴别纤维的目的。使用了4 400幅纤维图像作为数据集,从中选择不同的羊绒和羊毛的混合比作为训练集和测试集,得到的识别率最高为86%,最低为81.5%,鉴别1 000根纤维需要的时间小于100 s,训练好的分类器可保存并用于后期的检测工作。

基于观点袋模型的汽车评论情感极性分类

该文针对网络评论倾向分级问题,提出了一种基于观点袋模型和语言学规则的多级情感分类方法。通过分析句子中的词性搭配关系,设计了12种抽取特征-观点搭配模式,并对存在问题给出了解决策略。依据汉语用词特点和词汇在汽车领域的特殊用法,提出搭配四元组的情感倾向极性值计算方法。在此基础上,利用获取的搭配四元组及其情感倾向极性,建立文本的向量化表示,并构造了权重计算公式。最后,利用文本余弦相似度计算方法实现对评论文本的五级情感极性分类。通过在COAE2012任务3的汽车数据集上进行的测试,取得了较好的分类结果。

一种基于词袋模型的图像优化分类方法

该文应用词袋模型对图像进行分类,并针对传统词袋模型存在的不足进行改进,提出了一种基于兴趣区域(Region Of Interest,ROI)提取以及金字塔匹配原理的优化方法。首先对训练图像进行ROI提取,对得到的ROI区域进行密集尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)特征的抽取和描述并生成视觉词典,由此产生的视觉词典更能精确的描述图像的特征,且能够抵抗多变的位置信息及背景信息的影响。其次应用金字塔匹配原理对图像进行基于视觉词典的直方图表示,代入支持向量机(Support Vector Machine,SVM)分类器进行分类。通过对Caltech 101和Caltech 256两个数据库进行实验,结果表明该方法较传统方法提高了分类的正确率,且能够在训练图像较少的情况下达到良好的分类效果。最后通过与现有同类方法的比较验证了该方法的优越性。

一种基于词袋模型的新的显著性目标检测方法

提出一种基于词袋模型的新的显著性目标检测方法.该方法首先利用目标性计算先验概率显著图,然后在图像的超像素区域内建立词袋模型,并基于此特征计算条件概率显著图,最后根据贝叶斯推断将先验概率和条件概率显著图进行合成.在ASD、SED以及SOD显著性目标公开数据库上与目前16种主流方法进行对比,实验结果表明本文方法具有更高的精度和更好的查全率,能够一致高亮地凸显图像中的显著性目标.

三角形约束下的词袋模型图像分类方法

视觉词袋模型广泛地应用于图像分类与图像检索等领域.在传统词袋模型中,视觉单词统计方法忽略了视觉词之间的空间信息以及分类对象形状信息,导致图像特征表示区分能力不足.提出了一种改进的视觉词袋方法,结合显著区域提取和视觉单词拓扑结构,不仅能够产生更具代表性的视觉单词,而且能够在一定程度上避免复杂背景信息和位置变化带来的干扰.首先,通过对训练图像进行显著区域提取,在得到的显著区域上构建视觉词袋模型.其次,为了更精确地描述图像的特征,抵抗多变的位置和背景信息的影响,该方法采用视觉单词拓扑结构策略和三角剖分方法,融入全局信息和局部信息.通过仿真实验,并与传统的词袋模型及其他模型进行比较,结果表明,该方法获得了更高的分类准确率.

基于显著区域词袋模型的物体识别方法

针对常用的构建视觉词典的局部特征所表现的不稳定、不可靠或与物体无关的问题,提出一种基于显著区域词袋模型的物体识别方法。首先,该方法利用强角点检测器,确定图像的显著区域。然后,从显著区域中提取局部特征并建模为词袋模型,最后联合最近邻分类器给出识别结果。分别在视角、尺度和背景等存在变化的数据集上进行了实验,结果表明:与现有同类方法比较,鲁棒性更强,平均识别率达到96.13%,82.06%和66.7%。

一种基于词袋模型的大规模图像层次化分组算法

大规模图像集合的自动分组,不仅可以帮助用户快速组织和掌握图像集合的内容,并且是基于图像的三维场景重建应用的前提和重要环节。提出一种基于词袋模型(bag-of-words,BOW)的层次化分组算法,将每幅图像表示为一个超高维视词向量,利用多路量化技术将内容相似的图像量化到同一个节点,从而完成对图像粗略分组。然后,在每组类别里面,对图像的局部特征向量进行逐一匹配,并利用仿射空间不变量的约束条件,去除不可靠特征匹配,得到更为准确可靠的图像相似度度量,从而完成图像的精细分组。实验结果表明:从得到的系统不同阶段图像分组的查准率-查全率(precision-recall)曲线可以看出,精细分组过程可以显著提高粗分组精度,并且在精细分组阶段。

基于稀疏表示和词袋模型的高光谱图像分类

为增强高光谱图像稀疏表示分类方法中稀疏字典的表征能力并充分利用高光谱图像的光谱信息和空间信息,提出了一种新的基于稀疏表示和词袋模型的高光谱遥感图像分类方法。首先利用词袋模型算法结合高光谱遥感图像数据集生成各类别专业码本,作为字典中对应的原子构造稀疏表示字典。在计算每个像元的对应稀疏表示字典中的稀疏表示特征时,利用空间连续性约束对像元的稀疏表示系数进行空间维的约束。最后根据最小重构误差实现高光谱图像分类。高光谱遥感数据实验结果表明:所提方法能有效提高分类效果,并且其分类精度和Kappa系数都优于其他稀疏表示方法以及单独使用光谱信息的方法。

采用改进词袋模型的空中目标自动分类

为了解决飞机、直升机、导弹等3类空中目标图像的自动分类问题,提出了一种基于改进词袋模型的空中目标识别方法。首先采集3类多个型号的空中目标灰度图像并分割提取出目标,接着利用稠密采样方法进行SIFT特征提取,然后用模糊C均值聚类方法,对空中目标图像的SIFT特征进行聚类,得到大量空中目标图像的视觉单词。最后用视觉单词直方图训练支持向量机分类器,完成空中目标的自动分类。仿真实验表明,文中提出的算法能准确区分空中目标类别,性能优于传统的采用K均值聚类的词袋模型,且优于仿射矩。

基于优化视觉词袋模型的图像分类方法

针对视觉词袋(BOV)模型中过大的视觉词典会导致图像分类时间代价过大的问题,提出一种加权最大相关最小相似(W-MR-MS)视觉词典优化准则。首先,提取图像的尺度不变特征转换(SIFT)特征,并用K-Means算法对特征聚类生成原始视觉词典;然后,分别计算视觉单词与图像类别间的相关性,以及各视觉单词间的语义相似性,引入一个加权系数权衡两者对图像分类的重要程度;最后,基于权衡结果,删除视觉词典中与图像类别相关性弱、与视觉单词间语义相似性大的视觉单词,从而达到优化视觉词典的目的。实验结果表明,在视觉词典规模相同的情况下,所提方法的图像分类精度比传统基于K-Means算法的图像分类精度提高了5.30%;当图像分类精度相同的情况下,所提方法的时间代价比传统K-Means算法下的时间代价降低了32.18%,因此,所提方法具有较高的分类效率,适用于图像分类。

利用模型选择确定视觉词袋模型中词汇数目

视觉词袋(Visual Bag-of-Words)模型在图像分类、检索和识别等计算机视觉领域有了广泛的应用,但是视觉词袋模型中词汇数目往往是根据经验确定或者采用有监督的交叉学习选取。提出一种确定视觉词袋模型中词汇数目的无监督方法,利用模型选择的思想来解决问题。使用高斯混合模型描述具有不同词汇数目的视觉词袋,计算各模型贝叶斯信息准则的值,选取贝叶斯信息准则最小值对应的词汇数目。与交叉验证的监督学习在图像分类实验的对比结果说明该方法准确有效。

一种基于词袋模型的图像分类方法

采用词袋模型(BoW)对图像进行分类,并针对传统词袋模型存在的不足进行了改进,提出了一种特征软量化的方式。软赋值量化通过将局部显著特征量化(SIFT)为与其距离最近的若干个视觉单词,并对其进行加权,由此保存特征空间中的距离信息,从而解决硬赋值量化造成的特征空间信息损失问题。通过在Caltech 101数据库进行实验,验证了本文方法的有效性,实验结果表明,该方法能够大幅度提高图像分类的性能。

基于改进词袋模型的相似关键帧匹配方法

对相似关键帧匹配中存在的低效率及无法很好反映语义特征的问题进行了分析,提出了基于词袋模型的关键帧描述方法,并进一步考虑了视觉词汇表的生成、降维以及词项权重赋予等关键问题,最后利用词袋特征对相似关键帧进行匹配。实验结果表明,提出的基于改进词袋模型的相似关键帧匹配方法不仅能在一定程度上提高匹配准确率,并且能够较大幅度地提高相似关键帧匹配的速度。