一种多特征联合分布的Camshift目标跟踪算法

针对Camshift算法在纹理与颜色相似干扰、目标遮挡等复杂背景中鲁棒性不高、易出现跟踪丢失等问题,提出了一种多特征联合分布的Camshift目标跟踪算法。新的算法选择等价模式LBP纹理,色调与饱和度为多特征,图像从RGB空间的转化为ULBP-H-S空间。选取图像中运动目标作为目标模板,计算目标模板的ULBP-H联合概率分布图与H-S联合概率分布图,通过自适应系数将两个联合概率分布图按位与运算后到目标的联合概率分布图。在每次迭代搜索中,通过自适应搜索窗口算法预测下一帧的搜索窗口位置与大小,在预测的搜索窗口中使用Camshift算法对目标连续跟踪。实验结果表明,改进的算法能在纹理与颜色相似干扰与目标遮挡复杂环境中,对运动目标跟踪有较高的准确性与鲁棒性。

基于多特征联合分析的车载点云市区道路边界线提取

车载激光扫描系统目前已应用于智慧城市建设、道路资产管理等多个方面。本文针对车载LiDAR点云数据道路边界提取问题,提出基于多特征联合且适应多类道路的边界提取方法。构建点云局部邻域高差梯度、回波梯度与曲率梯度,通过设置阈值提取道路边线。结果表明,该方法在直行道路、曲弯、直弯等代表性道路环境中均取得了较好的结果,验证了算法的鲁棒性,对扩展研究车载LiDAR在道路场景中的应用具有重要价值。

点-线特征联合的全景图像位姿解算方法

目前,全景图像位置和姿态参数的解算多基于点特征,而场景中普遍存在的线特征尚未得到充分利用。本文提出一种点-线特征联合的全景图像位姿解算方法,不仅可用于点特征缺失场景中全景图像位姿参数的解算,而且在点特征充足的场景中可提高位姿解算的精度和稳健性。该方法中的线特征使用线上的任意两点表示,不要求全景图像和三维场景同名线上的选点具有对应关系,因而易于选取,具有极大的实用性。首先,使用直接线性变换构建点-线特征联合的全景图像位姿解算模型,并针对水平线和垂直线获取简化后的模型;然后,利用仿真道路场景,从特征点和线的不同组合方式及大姿态角两方面分析该模型的适用性,并通过人工引入不同类型及量级的点-线误差分析该模型的容差性;最后,将本文方法应用于全景图像与激光点云的融合,从理论和实践两方面证明点-线特征联合的位姿解算方法在精度、稳健性和容差性方面优于单纯的点特征解算方法。

多特征联合的薄壁零件表面缺陷检测方法

采用基于机器视觉的无接触检测方式对飞机制造中蒙皮、机翼缘条以及角片等薄壁零件表面缺陷进行自动检测,使用VMS-4030G影像仪采集零件表面信息,提出多特征联合检测方法检测缺陷。该方法主要包括图像Tamura纹理特征提取、图像局部二值模式(LBP)直方图和LBP下的灰度梯度共生矩阵特征(GGCM)提取。根据缺陷特性选择提取特征,对得到的特征应用主成分分析法(PCA)进行降维以及支持向量机(SVM)分类,最终得到检测结果。为了验证所提方法可行性,以带铆接孔的6061铝合金板代替飞机薄壁零件进行数据采集和检测。试验结果表明,该检测方法对毛刺、裂纹、凹陷及划痕的检测率均大于92%,明显优于单一特征提取的检测方法。

多特征联合的稀疏跟踪方法

针对目标跟踪中单一特征描述目标能力较弱的情况,提出一种多种特征联合的稀疏表示跟踪方法。在粒子滤波框架下,首先,提取目标模板和候选粒子的多种特征并对其进行核化处理;然后,用字典模板对各候选粒子进行联合稀疏表示,采用可核化的加速近端梯度(KAPG)方法求解稀疏系数并实现候选粒子的重构;最后,将具有最小重构误差的粒子作为跟踪结果。跟踪过程中,利用子空间学习的方法实现目标模板的更新。实验结果表明,与现有跟踪算法相比,该算法提高了跟踪精度,并在目标存在遮挡、光照变化、运动突变等情况时,均可以取得较好的跟踪效果。

基于噪声模型和特征联合的PS图像与隐写图像检测

为了有效区分PS图像(经过常见图像处理操作得到的图像)和隐写图像,提高隐写检测的正确率,该文分析了隐写和PS这两类操作不同的噪声模型,并给出了一类基于图像噪声模型和特征联合的检测算法.该算法基于小波分解和小波滤波,分别得到待检测图像的小波系数子带和噪声小波系数子带,从这两类子带中分别提取直方图特征函数绝对矩,并将这两部分统计矩联合作为特征,最后采用BP神经网络分类器进行图像分类.在特征选取方面,文中对两类常用典型特征:概率密度函数矩和特征函数矩,基于高斯分布模型证明了对噪声小波子带系数,提取特征函数绝对矩优于概率密度函数绝对矩.基于LSB、LTSB、SLSB、PMK等隐写图像和锐化、对比度增强、添加标签等类型PS图像的实验表明:该算法能够有效区分原始图像和非原始图像,并能对PS图像和隐写图像进行较为可靠的分类检测.

基于微波多普勒雷达的海杂波区小目标特征联合检测

针对海杂波区小目标回波能量较弱,多普勒域与海杂波接近甚至重叠的特点,采用特征联合检测算法提高目标检测性能。首先,对雷达回波进行中位数自适应杂波抑制预处理;然后,对待检测单元提取多普勒峰值、峭度和熵值特征,形成特征向量,对残余杂波训练单元采用凸包算法获得判别区域;最后,以判别区域是否包括待检测特征向量对应点初步判断目标有无,再根据凸包混合积分布设定恒虚警门限滤除虚警。实测微波多普勒雷达数据处理结果表明,目标检测结果和实际情况一致。采用蒙特卡洛仿真对算法性能进行分析,表明该算法的检测性能优于对比算法,为雷达海杂波区目标检测提供了新方案。

基于特征联合和偏最小二乘降维的手势识别

针对以往手势识别研究中更关注识别率而弱化实时性的情况,首次将偏最小二乘降维思想引入手势识别领域,提出一种基于特征联合和偏最小二乘降维的手势识别方法。首先进行手势分割,在此基础上提取手势样本的梯度方向直方图和局部二值模式特征,并将二者进行联合。然后采用偏最小二乘法对手势联合特征进行降维,并将降维后的手势训练样本特征输入到支持向量机中进行分类训练。最后用训练好的支持向量机对降维后的手势测试样本进行识别测试。基于Jochen Triesch手势库及自制手势库的实验结果表明,同已有方法相比,本文所提方法在取得较高手势识别率的同时也取得了较好的实时性。

基于Blob算法的多特征联合数字图像转换仿真

针对目前数字图像转换完整度和准确率低的问题,提出一种Blob算法的多特征联合数字图像转换方法。利用Blob算法划分数字图像特征,划分为运动可视目标、静止可视目标、阴影、鬼影、反射、背景噪声等多特征。将所划分数字图像多特征联合,令数字图像3D空间转化至2D"夹角-模差"空间降低数字图像维度,在低维度的数字图像2D"夹角-模差"空间中通过颜色空间转换方法实现RGB颜色空间与CMY或CMYK、YUV颜色空间的转换,为不同应用环境中的数字图像选择所需颜色空间提供基础。仿真结果表明,所设计方法可有效实现数字图像颜色空间转换,且转换完整率以及转换准确率较高。

一种多特征联合的运动目标检测算法

高斯混合模型已经成为对视频利用背景减除法进行运动目标检测的最多的一种背景建模模型,也成为一种标准模型。首先对高斯混合模型的理论框架及其性能进行了分析,分析了高斯混合模型仍需要解决的问题,并提出一种高斯混合模型联合多特征的运动目标检测算法,实验表明该算法具有较好的目标检测效果以及环境自适应性。

基于空间特征联合核稀疏表示的脑肿瘤提取方法

为了提高融合多序列MR图像应用于脑肿瘤提取时分割区域的准确性,基于核稀疏表示分类方法,联合多序列MR图像中的空间结构和灰度特征信息,提出一种空间特征联合的脑肿瘤核稀疏表示分类方法.首先构建各个类别的子字典,再用邻域滤波核稀疏表示方法对多序列脑MR图像进行分类,该邻域滤波核可以有效地将灰度特征与空间结构结合起来提高脑肿瘤提取的准确性.对国际数据库MICCAI Bra TS提供的临床和仿真数据进行分割.结果表明:与稀疏表示分类方法相比,所提出的基于空间特征联合核稀疏表示的脑肿瘤提取方法由于增加了空间结构信息,所得的提取准确率提高了5%~6%.

基于LSTM多特征联合的缺血性脑卒中诊断模型

本文以缺血性脑卒中疾病为研究对象,充分考虑疾病发病机制,选取患者当前超声、生化及基本信息3种特征检查指标,提出一种基于LSTM多特征联合的诊断模型。3个基于LSTM (Long short-term memory)模型搭建的双向LSTM特征提取子模块,联合训练学习各类型数据的前向和后向信息;增加自注意力机制学习特征间的关联性,并分配权重。实验结果表明,融合自注意力机制的多特征模型在不同分类评估标准下总体性能达84%,为缺血性脑卒中的临床辅助诊断提供一种方法,为医生对该疾病的鉴别诊断提供参考。

基于空间约束多特征联合稀疏编码的遥感图像标注方法研究

针对稀疏表示分类器不能较好地适应多特征框架的问题,该文提出一种空间约束多特征联合稀疏编码模型,并以此实现遥感影像的自动标注。该方法利用l1,2混合范数正则化多特征编码系数,约束编码系数共享相同的稀疏模式,在保持多特征关联的同时,又不添加过于严格的约束。同时,将字典学习技术扩展到多特征框架中,通过约束字典更新的变换矩阵,解决了字典学习过程丢失多特征关联的问题。另外,针对遥感影像中的空间关系常常被忽略或者利用不充分的不足,还提出了将空间一致性与多特征联合稀疏编码相结合的分类准则,提高了标注性能。在遥感公开数据集与大尺寸卫星影像上的实验证明了该方法的有效性。

基于多特征联合的肠鸣音检测方法及实验研究

肠鸣音是监测和反映肠道运动功能的重要指标,传统的人工听诊方式对医生的专业知识和临床经验要求较高,且长时间听诊费时费力,存在因主观性偏差造成的误判。为解决此问题,首先利用小波多分辨率重构对肠鸣音信号进行预处理,达到肠鸣音降噪和增强的目的,然后提取肠鸣音的三种典型特征。根据特征组合设计了三级判决进行多参数的联合门限检测,实现了肠鸣音信号的检测和起止端点的定位,从而确保完整肠鸣音信号的有效提取。该研究采集了大量带标签的肠鸣音临床数据,并提出了新的算法评估方式对所提肠鸣音检测算法进行实验验证,准确率达83.51%。该算法将为肠道疾病诊断和患者术后肠道功能恢复的监测提供理论保障和算法支持。

基于多特征联合的太赫兹药品检测方法

以药品为研究对象,利用太赫兹时域光谱系统对3种不同药品进行测量并提取折射率、介电常数和物质因子等多个特征参数,然后联合多个特征参数作为输入,采用后向传播(BP)神经网络、支持向量机(SVM)和学习矢量化(LVQ)3种机器学习方法分别对药品进行多特征联合检测分类识别。实验结果表明,多特征联合检测方法识别准确率能够达到95%以上,有效提高药品的检测分类准确度,可用于药品的检测和分类识别。

基于特征联合和直方图交叉核函数的动作识别方法

为提高动作识别的识别率和实时性,提出了一种新颖的基于特征联合和直方图交叉核函数的动作识别方法。该方法首先跟踪视频中运动物体上的局部时空特征点形成运动轨迹,并计算出轨迹的梯度方向直方图(HOG)、光流直方图(HOF)、运动边界直方图(MBH)特征和轨迹上各点所在视频帧局部区域的局部二值模式(LBP)特征组成联合特征矩阵;然后等量地对每种动作的各训练样本的联合特征矩阵进行平均采样,将采样结果合并后运用bag-of-features方法进行K-means聚类形成码书,在此基础上利用码书量化各样本的联合特征矩阵得到表示视频样本中运动信息及结构信息的特征向量;最后将形成的特征向量作为支持向量机(SVM)的输入,同时选择直方图交叉核函数作为SVM的核函数,训练动作识别的分类器并进行测试。实验结果表明,该方法不仅提高了动作识别的识别率,而且通过利用直方图交叉核函数可缩短分类器的训练与测试时间。

使用多特征联合变量的支持向量机方法预测外膜蛋白

外膜蛋白(Outer Membrane Proteins,OMPs)是一类具有重要生物功能的蛋白质,通过生物信息学方法来预测OMPs能够为预测OMPs的二级和三级结构以及在基因组发现新的OMPs提供帮助。文中提出计算蛋白质序列的氨基酸含量特征、二肽含量特征和加权多阶氨基酸残基指数相关系数特征,将三类特征组合,采用支持向量机(Support Vector Machine,SVM)算法来识别OMPs。计算了包括四种残基指数的多种组合特征的识别结果,并且讨论了相关系数的阶次和权值对预测性能的影响。在数据集上的十倍交叉验证测试和独立性测试结果显示,组合特征识别方法对OMPs和非OMPs的识别精度最高分别达到96.96%和97.33%,优于现有的多种方法。在五种细菌基因组内识别OMPs的结果显示,组合特征方法具有很高的特异性,并且对PDB数据库中已知结构的OMPs识别准确度超过99%。表明该方法能够作为基因组内筛选OMPs的有效工具。

边缘保持滤波的遥感影像多特征联合分类

针对高分辨率影像在分类时存在的“海量数据灾难”“椒盐”现象、地物边缘不可分性强的问题,提出边缘保持滤波的高分辨率遥感影像多特征联合分类方法。该方法主要分为3部分。首先,提取影像的多种特征进行联合处理,减少数据处理运算量;然后,利用极限学习机对样本子类训练多个弱分类器,通过分类器获得初始类别概率影像;最后,利用多特征联合影像构建边缘保持滤波器,对初始类别概率影像进行滤波处理,通过投票表决的方法确定每个像素的类别。通过实验验证了该方法的有效性。

基于多特征联合的多目标识别算法研究

针对生产线上多个手机膜同时出现在视野内时识别准确率较低的问题,提出一种基于多特征联合的多目标识别算法。该算法首先对相机采集到的图像进行预处理,得到目标的二值图像;其次,对其进行连通域标识得到若干个待定目标,并根据单个目标的面积排除一些非真实目标;然后对所得到的真实目标进行聚类得到若干类目标;最后从得到的每类目标中选取一个目标进行特征提取并与标准模板进行匹配,从而确定每一类目标的类别。结果表明,该算法对多个手机膜的识别是有效的。

基于联合深度统计特征对齐的鱼类目标识别方法

水下鱼类目标识别技术是认识海洋、经略海洋、向海图强的重要技术之一.基于深度学习的水下目标识别技术已成为研究热点,但是针对水下鱼类数据小样本甚至零样本识别性能亟待提高.本文基于迁移学习,提出了联合深度统计特征对齐(Joint Deep Statistical Feature Alignment, JDSFA)方法,解决小样本下的鱼类目标识别问题.以ResNet-50作为骨干网络,将均方和协方差纳入权重选择算法用来构建自适应损失函数,对齐源域和目标域之间的特征分布,联合源域损失与领域间的自适应损失,设计全局损失函数,建立深度学习识别模型,实现鱼类目标识别任务.利用公开的水下鱼类数据集QUT进行实验验证,相比目前代表性的DADAN、PMTrans、DSAN方法,JDSFA方法的鱼类识别性能分别提升了3.59%、4.96%、5.91%,结果表明了本文JDSFA方法的有效性,并对鱼类目标识别具有良好的应用价值.