SIFT算法研究和应用

图像匹配是计算机视觉中众多问题的一个基本方面,包括目标和场景识别,从多图片里解决三维结构,立体相关性和动作追踪。本论文主要对SIFT算法的基本步骤进行了简单阐述,并且阐述了其在场景分类上的独特应用,以及一些重要改进。实验结果表明该算法具有在场景识别和分类上有较显著的优势,可以进行良好应用。

基于中层特征的细粒度的车型识别

为提高细粒度车型识别的准确率,提升智能停车场、智能交通监管系统的可靠性,针对低层特征在车型识别中精确不高的问题,提出一种基于中层特征的细粒度分类算法。其核心是使用筛选算法筛选中层特征,使得筛选后特征具有较高的表示性,提高识别的准确率。使用Adaboost算法进行车脸定位,减少后期的计算量,去除干扰因素。该算法无需GPU等计算资源,方便部署。与BOW、SPM、CNN等通用的分类模型相比,其准确率有较大提升。在大众数据集中的实验结果表明,其平均准确率为95.65%,平均耗时为0.82 s。