用于快速形状匹配的精确型高度函数特征描述

在形状匹配过程中为了提升高度函数描述子的检索精度和对边界噪声与局部变形的鲁棒性,本文提出了一种精确型高度函数特征描述算法。首先提取目标形状外轮廓,构造轮廓采样点的精确型高度函数描述子并进行特征降维,接着利用优化后的并行动态规划进行形状匹配,最后引入形状复杂度分析提升匹配效果。基于点的几何特征显著性,提出形状精度理论,进一步分析局部形变与边缘噪声对形状特征描述的影响。在MPEG-7数据库、Swedish Leaf数据库、Tools数据库和ETH-80大型3D数据库上进行匹配实验以及在Kimia99数据库上进行抗噪实验,实验结果表明:本文提出的算法效率高,匹配时间仅为高度函数描述子的12.5%,在MPEG-7和ETH-80上的检索率最高分别为90.38%和90.07%;在Swedish Leaf和Tools上,检索精度最高分别为95.07%和94.86%,检索性能和鲁棒性均优于高度函数和其他重要算法;在添加噪声的Kimia 99上,该算法的抗噪性能优于高度函数描述子,即使在噪声水平为2.0的情况下,依旧能保持91.92%的检索率。本文提出的算法检索精度高,效率高,鲁棒性好,抗噪性强,具有较好的可扩展性,能有效地应用于形状检索领域。

精确型傅里叶高度函数描述子的服装款式识别方法

针对服装款式自动识别时存在提取特征困难、识别率低和分类效率低等问题,该文在精确型傅里叶高度函数(accurate Fourier height functions 2, AFHF2)与线性核函数支持向量机(support vector machine, SVM)基础上提出一种新的服装款式识别方法。首先,利用AHFH2描述子对衣服轮廓进行特征提取,对服装轮廓全局信息和局部信息进行充分表征;然后,在不需要调整参数的情况下使用线性核函数SVM对AFHF2描述子特征进行快速训练与测试。通过自建的服装图形库验证该方法的有效性,实验结果表明该算法优于现有的算法,其中AFHF2描述子优于傅里叶描述子、高度函数(HF)和TCDs等算法,线性核函数SVM算法优于径向基函数SVM算法、K-近邻算法、概率神经网络以及反向传播神经网络算法,其平均识别率能达到97.91%。

基于双重轮廓特征匹配的遮挡目标识别算法

针对传统目标识别算法对于遮挡目标匹配难度大、误匹配率高的问题,提出一种基于双重轮廓特征匹配的遮挡目标识别算法。首先,将形状轮廓分为采样点和轮廓有效片段两个层次,其中轮廓片段是利用离散曲线演化算法和分段优化算法获得的,用于表征形状的全局信息,而轮廓点的用于表征局部细节信息。其次,通过动态规整算法DTW(Dynamic Time Warping)衡量轮廓片段轮廓点之间的精确型傅里叶高度函数特征(Accurate Fourier Height Functions 2,AFHF2)的相似度,同时计算轮廓分段的置信度特征。最后,结合分段置信度再次匹配识别。实验结果表明,与常见的遮挡目标识别算法相比,所提出算法的检索精度有明显的提升。