基于图像Bag-of-Words模型的无载体信息隐藏

介绍一种基于bag-of-words(BOW)模型的无载体信息隐藏方法.该方法使用BOW模型提取图像的视觉关键词(visual words,VW)以表达待隐藏的文本信息,从而实现文本信息在图像中的隐藏.首先使用BOW模型提取图像集中每幅图像的VW,构建文本信息的关键词和VW的映射关系库;然后把每幅图像分为若干子图像,统计每一幅子图像的VW频数直方图,选择频数最高的VW表示该子图像;最后根据构建的文本关键词和子图像VW的映射关系库,搜索出与待隐藏文本信息存在映射关系的子图像序列,将含有这些子图像的图像作为含密图像进行传递.实验结果和分析表明,该隐藏算法在抗隐写分析、鲁棒性和安全性方面均有良好的表现.

基于SPM-IBOVW模型的自然场景识别

提出一种基于空间金字塔匹配的集成化视觉词典(SPM-IBOVW)模型的自然场景识别方法.对各个类别的特征集合分别聚类形成各类别视觉词包,并连接成为集成化视觉词包(IVV);采用一种新的5层空间金字塔划分方法,相比经典划分方法在降低算法复杂度的同时,提高了场景识别率,并通过15类通用复杂场景的识别实验验证其有效性.结果表明,所提出的方法对复杂场景的识别率达到83.17%.

基于改进的BoVW模型的图像检索方法研究

针对传统的Bo VW模型对图像尺度变化较为敏感的缺点,提出一种改进的Bo VW模型。该方法使用图像的多尺度信息,将图像表示为不同尺度特征,采用多核学习方法优化各尺度特征的相应权重,并用图像检索实验验证该方法的有效性。

n-words模型下Hesse稀疏表示的图像检索算法

论文针对视觉词袋(BOVW)模型放弃图像空间结构的缺点,提出一种基于Hesse稀疏编码的图像检索算法。首先,建立n-words模型,获得图像局部特征表示。n-words模型由一系列连续视觉词获得,是图像特征的一种高级描述。该文从n=1到n=5进行试验,寻找最恰当的n值;其次,将二阶Hesse能量函数融入标准稀疏编码的目标函数,得到Hesse稀疏编码公式;最后,以获得的n-words序列作为编码特征,利用特征符号搜索算法求解最优Hesse系数,计算相似度,返回检索结果。实验在两类数据集上进行,与BOVW模型和已有的算法相比,新算法极大地提高了图像检索的准确率。

基于软分配SIFT特征的回环检测算法

回环检测能够消除视觉SLAM的累积误差,对SLAM系统意义重大。其中,应用较广泛的视觉词袋模型算法存在着视觉单词同一性和歧义性问题,影响了回环检测效果。为改善这些问题并提高回环检测效果,提出了一种基于软分配SIFT(scale-invariant feature transform)特征的回环检测算法。该算法将图像提取出的SIFT特征点分配到欧氏距离最近的几个单词上,并根据距离排序加权,剔除距离单词较远的特征点,生成更具区分性的描述子,并且在筛选候选项时,加入相同单词特征点占比以及单词偏移稳定性约束,筛选出少量候选项。实验结果中,该算法相较于传统视觉词袋模型以及近些年的几种回环检测算法,在三种数据集中的100%准确率下的召回率有所提升,图像平均查询时间在40 ms左右。结果表明,该算法对回环检测效果有一定提升,并且保证了实时性。

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。

融合无人机高分辨率DOM和DSM数据语义的崩岗识别

崩岗识别是大规模的崩岗调查、治理和侵蚀机理等研究的首要任务,但以现场调查和人工解译高分辨率卫星遥感影像为主的传统方法,自动化程度低,人力、物力成本高而且效率低,不能满足大范围工作的需要。该研究借鉴遥感影像场景分类识别思路,利用视觉-地形词袋模型(Bag of Visual-Topographic Words,BoV-TW)进行崩岗区域高分辨率数字正射影像图Digital Orthophoto Map(DOM)与数字表面模型Digital Surface Model(DSM)局部特征的混合表达,并通过潜在狄利克雷分配Latent Dirichlet Allocation(LDA)的潜在语义分析融合形成低维度的高层语义表征,最后以支持向量机(Support-Vector Machine,SVM)作为监督学习训练分类器,实现崩岗的高精度快速自动识别。试验结果表明:1)LDA主题个数变化时,该方法总精度可保持在95%左右,崩岗查全率和查准率保持在80%以上,最高分别为97.22%和94.44%;2)视觉-地形词袋词汇表大小变化时,该方法总精度一直在90%以上,最高为96.10%,崩岗查全率也基本在90%以上,最高为100%,崩岗查准率随词汇表大小的增加逐渐提升,最高为85.00%;3)仅使用DOM无法较好地识别崩岗地貌特征,没有合适的特征提取和融合策略,DOM和DSM结合也无法提高崩岗识别效果。同时,该方法时间花费少,效率高,可行性强。该研究可为崩岗调查、监测、治理及侵蚀机理的定量化研究提供参考。

基于视觉显著性的场景目标识别

场景目标识别是场景理解的重要内容之一,提出一种新颖的基于视觉显著性的场景目标识别方法。该方法受生物视觉认知机理的启发,利用视觉显著机制来凸显场景中的感兴趣区域。首先利用GBVS模型对图像数据进行高效筛选,获得特定感兴趣的显著性区域。然后基于图分割理论(Graph Cuts Theory)的Grab Cut算法被用于提取图像中的显著性目标。最后运用SURF特征描述目标对象,通过SURF特征的学习产生目标物体的Bo VW视觉词包,运用视觉词包的SVM分类匹配实现目标对象的图像特征与语义描述之间的知识映射。麻省理工学院LabelMe图像库的实验测试结果表明所述方法具有较高的识别率。

词包模型中视觉单词歧义性分析

传统词包(BOW)模型中的视觉单词是通过无监督聚类图像块的特征向量得到的,没有考虑视觉单词的语义信息和语义性质。为解决该问题,提出一种基于文本分类的视觉单词歧义性分析方法。利用传统BOW模型生成初始视觉单词词汇表,使用文档频率、χ2分布和信息增益这3种文本分类方法分析单词语义性质,剔除具有低类别信息的歧义性单词,并采用支持向量机分类器实现图像分类。实验结果表明,该方法具有较高的分类精度。

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。

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。

基于面部不变特征的铁路实名制检票人脸身份认证算法

为了实现铁路实名制检票时旅客的人脸图像与其身份证上人脸图像的自动比对,提出1种基于面部不变特征的人脸身份认证算法。以人的面部不变特征为前提,采用改进的尺度不变特征变换算法,提取现场采集的旅客的人脸图像及其身份证上的人脸图像的关键点,将靠近关键点的区域划分为部分重叠的子区域,然后以图像的词包模型差为基元构建人脸差特征空间,对训练图像的类别信息进行建模;对支持向量机(SVM)分类器训练分类的过程进行优化,训练优化的SVM分类器;最后,使用人脸差特征空间和训练好的SVM分类器进行加权投票,确认身份证上的人脸图像与现场采集的人脸图像是否为同一个人,实现旅客身份的认证。实验结果表明,在图像采集的尺度、角度和光照等不可控的情况下,该算法能够达到较高的认证速度和准确率。

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。

一种基于优化“词袋”模型的物体识别方法

针对传统基于"词袋"模型物体识别现有方法的不足,对现特征表达、视觉词典和图像表示方法进行优化,以提高物体识别正确率。采用HUE直方图与SIFT特征描述符分别描述兴趣点周围的颜色和形状特征,实现"词袋"模型下两种特征的特征级和图像级融合,引入K-means++聚类算法生成视觉词典,并利用软权重思想将特征向量映射到视觉单词形成图像直方图。实验结果表明,所述方法会产生较高的物体识别正确率,且识别结果不受两种特征融合权重的影响。

一种基于视觉词袋模型的图像检索方法

为了提高图像检索的效率,提出一种基于视觉词袋模型的图像检索方法。一方面在图像局部特征提取算法中,使用添加渐变信息的盒子滤波器构造尺度空间,以保留图像更多的细节信息,另一方面在特征表达时仅计算一次特征点圆形邻域内的Haar小波响应,避免了Haar小波响应的重复计算,并在保证描述子旋转不变性的同时做降维处理。同时,以改进k-means对特征库聚类构建加权的视觉词典,基于概率计算的方式选取k-means初始聚类中心,降低了传统k-means聚类效果对初始聚类中心选择的敏感性。实验结果表明该方法比传统方法具有更高的效率,特征提取速度提高48%左右,查准率提高2%以上。

视觉词袋模型理论方法在历史街区特色评价中的应用--以中东铁路沿线历史街区为例

文章以中东铁路沿线典型历史街区为例,采用计算机学科中的视觉词袋模型分析方法,对历史街区空间要素的分类、条件和特色进行分析与描述,并对空间要素参量进行语言表达和统计,从而总结出历史街区的特色,形成历史街区特色空间要素组成、设施配置特征的简单量化指标,为进一步评价历史街区的特色提供量化的辅助工具。

基于改进视觉词袋模型的图像标注方法

针对传统视觉词袋模型对图像尺度变化较为敏感的缺点，提出一种基于改进视觉词袋模型的图像标注方法。该方法引入图像的多尺度空间信息，对图像进行多尺度变换并构建多尺度视觉词汇表，将图像表示为不同尺度特征，结合多核学习的方法优化各尺度特征的相应权重，获取特征表示。实验结果验证了该方法的有效性，其标注准确率比传统BoVW模型提高17．8％-25．7％。

基于多特征融合的人体行为识别

为了提高视频序列中人体行为的识别率和增强在复杂环境下的适用性,通过选取人体行为区分度较高的运动方向特征、形状特征和光流变化特征进行行为描述,提出一种基于运动方向直方图(MOH)特征、2D-SIFT特征和光流方向直方图(HOOF)特征相结合的人体行为识别方法。改进运动方向直方图特征,使其在有符号梯度空间下对人体全局运动方向具有更为鲁棒的表示。使用视觉词袋模型既解决了不同动作提取的兴趣点点数不同的问题,又实现了局部特征的有效融合。实验在Weizmann数据库和KTH数据库上识别率分别高达97.83%和91.38%,并具有较好的鲁棒性。

基于波段选择和空-谱组合核函数的高光谱图像目标检测

为了实现高光谱图像中特定目标的自动检测,提出了一种结合波段选择和空间-光谱特征组合核函数的高光谱图像目标检测方法。各像素点的光谱特征信息由所有波段构成的光谱曲线进行描述,空间特征信息则在各像素点周围的环绕局部范围内,采用词袋模型对空间灰度的纹理特征进行描述。使用了一种基于排序聚类的方法对波段进行选择以降低空间特征计算复杂度。模型训练阶段中,空间特征和光谱特征使用加权的形式融合为一个混合特征核,采用组合核函数结合支持向量机的方法优化核加权系数和检测模型的其他参数。实验结果表明,该方法将目标检测召回率提高到99.5%以上,虚警率降低到约0.2%。因此所提出的方法在降低波段数量的前提下,同时综合利用了目标的光谱信息和空间信息,并使空-谱两类特征在各类别上表现出重要性差异。