采用SIFT-BoW和深度图像信息的中国手语识别研究

将深度图像信息引入手语识别的研究,提出了一种基于DI_CamShift(Depth Image CamShift)和SIFT-BoW(Scale Invariant Feature Transform-Bag of Words)的中国手语识别方法。该方法将Kinect作为视频采集设备,在获取手语彩色视频的同时得到其深度信息;首先计算深度图像中手语手势的主轴方向角和质心位置,通过调整搜索窗口对手势进行准确跟踪;然后使用基于深度积分图像的Ostu算法分割手势并提取其SIFT特征,进而构建SIFT-BoW作为手语特征并用SVM进行识别。实验结果表明,该方法单个手语字母最好识别率为99.87%,平均识别率96.21%。

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。

一种基于2D和3D SIFT特征级融合的一般物体识别算法

如何选择合适的特征表示一般物体类间差异和类内共性至关重要,因此,本文在2D SIFT(Scale Invariant Feature Transform,SIFT)的基础上,提出了基于点云模型的3D SIFT特征描述子,进而提出一种基于2D和3D SIFT特征级融合的一般物体识别算法.分别提取物体2维图像和3维点云的2D和3D SIFT特征描述子,利用"词袋"(Bag of Words,Bo W)模型得到物体特征向量,根据特征级融合将两个特征向量进行融合实现物体描述,运用有监督分类器支持向量机(Support Vector Machine,SVM)实现分类识别,给出最终识别结果.最后,实验验证了本文提出算法的好处.

融合色调和局部特征的军人图片识别方法

针对目前军人图片识别方法在遮挡、光照变化情况下鲁棒性较差的问题,提出一种军人图片快速识别方法。在利用快速人脸识别和定位算法对图片进行过滤并提取出人物图片上半身区域的基础上,融合该区域SIFT-BoW和Hue直方图特征并用支持向量机进行分类。实验结果表明,该方法在不同光照强度、分辨率、人物姿态及部分遮挡条件下仍能够达到90%以上的识别率。

基于多特征和SVM的兵马俑碎片分类

按照兵马俑各部位对碎片进行分类是兵马俑文物碎片拼接的重要步骤,能有效缩减自动拼接算法的搜索空间,提高拼接的准确率。由于人工的碎片分类方法工作量大,通过计算机辅助文物碎片自动分类,可以减少人工分类产生的繁重工作量。该文提出了一种基于多特征和支持向量机(SVM)的文物碎片分类方法。首先,利用尺度不变特征变换(SIFT)算法提取碎片纹理特征,在此基础上构建每幅碎片图像的词袋模型(Bo W)。其次,利用Hu不变矩提取碎片形状特征,最后,将纹理特征和形状特征结合并通过SVM进行训练,得到相应的文物碎片分类模型。实验结果表明,该方法显著提高了碎片分类的准确率。

基于多特征融合的电子布缺陷分类

针对传统的电子布缺陷分类方法效率低,稳定性差的问题,提出了基于多特征融合的电子布缺陷分类算法。首先,使用中值滤波对电子布图像进行预处理,滤除细节噪声,减少背景纹理的影响;其次,对预处理后的图像进行Canny边缘检测,利用Hu不变矩提取缺陷的几何特征;再利用尺度不变特征变换(SIFT)提取图像的纹理特征,使用K-means聚类后,构建电子布图像的词袋模型(BoW);最后,将几何特征和纹理特征融合,并传入SVM中进行训练,得到相应的电子布缺陷分类模型。实验结果表明,应用多特征融合的方法对电子布缺陷进行分类,其平均准确率可达97.22%,能够满足企业的实际需求。

改进型SIFT算法在BOW模型图像分类中的应用研究

为了获得较高的图像分类正确率,针对传统SIFT算法在提取图像边缘特征及受光照影响大的缺陷,提出了一种改进型SIFT算法。实验表明,改进型SIFT算法在BOW模型中对图像的分类效果较原算法有明显的提升。

Application of landmark recognition on iPhone

Landmark recognition on iPhone was proposed in this paper,so as to enable the user to take photos of some famous landmarks in the world and return the result of what this landmark is as well as provide some useful information about this landmark such as travel guide,history and interesting activities.The approach to recognize the landmark is by extracting features,using bag-of-words model and support vector machine to train the dataset,hence to get the classification model.Then this model is used to predict photos the user has taken.This article compares the different algorithm like SIFT,Gist and Hog to extract features and build a classification model.This article uses PC as the server to recognize landmark photos and return results to users.