基于SIFT特征度量的Mean Shift目标跟踪算法

传统的Mean Shift算法,在诸如跟踪目标出现尺度变化、旋转、噪声干扰等复杂情况下,无法得到准确的跟踪结果。提出了一种基于尺度不变特征变换SIFT(Scale Invariant Feature Transform)特征度量的Mean Shift目标跟踪算法,首先根据SIFT算子计算跟踪目标附近的关键点位置和尺度,并获取该尺度空间下关键点邻域的特征向量,然后用跟踪目标区域内的特征向量的模值-方向分布直方图表示该目标,最后使用Mean Shift算法进行跟踪。实验结果表明,该算法在跟踪目标出现尺度变化、旋转、噪声干扰和遮挡等情况下能够准确地跟踪物体,鲁棒性好。

基于Bag of Features算法的车辆图像识别研究

将Bag of Features算法引入汽车图像识别领域中,并提出了将DoG(Difference of Gaussian)特征提取算法和PLSA分类算法结合在一起实现车辆和背景图像分类。首先用DoG特征提取算法提取图像特征,用这些特征聚类产生码书并对图像进行柱状图描述,最后设计PLSA分类器对车辆图像和背景图像进行分类。实验对比了该算法与Tamura纹理特征算法和Gabor纹理特征算法在车辆图像识别中的效果。结果表明本文算法分类正确率优于另外两种方法。

一种尺度和旋转自适应的目标跟踪算法

为了解决目标跟踪中的尺度和旋转问题,提出一种基于尺度不变特征变换(SIFT)和均值漂移的目标跟踪算法。该算法首先检测模板区域和目标区域在尺度空间中的极值点,然后通过拟合三维二次函数精确定位特征点的位置和尺度,接着对目标区域和模板区域的特征点进行匹配,并根据相邻帧之间尺度和角度的连续性,去除误匹配,最后利用正确匹配的特征点中的尺度和角度信息,计算被跟踪目标的尺度和旋转角度。研究结果表明:当被跟踪目标的角度和尺度发生变化时,该算法皆具有较好的跟踪效果。

基于SIFT,K-Means和LDA的图像检索算法

图像检索一直是信息检索领域的难题.提出了一种基于尺度不变特征变换(SIFT,Scale Invariant Feature Transform),K-Means和潜在狄利克雷分布(LDA,Latent Dirichlet Allocation)的图像检索算法.算法主要分为两个阶段.预备工作得到分类完成的图库、概率分配参数表和基本词库;实现检索是在预备工作的基础上归类测试图片,然后在该类下搜索最相似图片.对比传统的基于文本或内容的检索方法,该算法在检索之前将图片库中所有图片按其本身特征进行自动分类,取代人工标注图像信息的过程,同时由于整个算法完全基于图像特征,故此方法不会引入人工因素的干扰.实验结果表明,该算法能够较为准确地将要检索的图片归为图片库对应的类别中,有效地提高图像检索效率.

基于SIFT特征的人脸识别方法

根据人脸识别中对高独特性的人脸特征的要求,提出一种改进的基于SIFT算子进行人脸识别的方法,结合K-means聚类的模式匹配策略,采用局部相似性和全局相似性的计算方法对人脸图像进行相似度匹配,并在匹配过程中使用基于概率统计的权值赋予方案和相似度的平方来提高识别的准确性。实验结果证明,该方法具备鲁棒性和有效性。

运动背景中结合特征位移矢量场模糊分割与OTSU法的运动检测

运动背景中的运动检测难度较大,背景运动补偿后差分以及分割光流场可实现动目标和背景的分离,差分前需进行鲁棒的背景估计,且差分后易出现空洞,而光流估计在噪声以及目标运动速度较大时并不准确,尤其在光照变化时,两种方法均易失效。本文提出一种特征点位移矢量场模糊分割与图像自适应阈值化相结合的运动检测方法,实现在无任何关于运动目标或者运动背景先验信息条件下的动目标检测。通过改进的SIFT匹配方法生成鲁棒的特征位移矢量场,采用模糊C均值聚类算法对SIFT位移矢量场进行无监督分类,实现动目标与背景特征的自适应分离。OTSU法和形态学操作实现图像的自适应分割,用以修正特征点凸包,最终分割出动目标区域。与鲁棒的背景运动补偿后差分以及光流估计的对比实验表明,在目标运动速度较大、光照变化以及噪声情况下,本文方法均能够检测出运动目标,且在光照变化下的优势明显。

基于尺度不变特征变换的Mean-Shift目标跟踪

均值漂移(Mean-Shift)目标跟踪算法由于具有快速模板匹配和无参数密度估计等特点,但也存在其固有的缺陷。为了提高该算法的鲁棒性,把目标分成多个区域,对每个区域利用Mean-Shift进行跟踪,迭代次数大于8的放弃迭代。然后利用尺度不变特征变换(SIFT)剔除那些匹配的关键点数目少的子区域。最后,利用匹配关键点数目多的区域得到目标的位置。实验结果表明该方法在目标受遮挡、尺度变化、旋转、环境场景等变化等具有很强的鲁棒性。

基于显著区域的图像自动标注

为了提高图像自动标注的准确率,提出了一种基于图像显著区域的自动标注方法。首先提取图像的显著区域,然后提取图像的SIFT特征,利用K-均值聚类得到视觉词汇,并根据训练图像的SIFT特征是否位于显著区域进行不同的加权运算得到视觉词汇的词袋表示,最后利用支持向量机训练分类模型实现图像分类和标注。在一个包含1 255幅Corel图像的数据库进行实验,所提方法标注的准确率与整体考虑整幅图像特征相比有很大提高,表明提出的算法优于传统方法。

增强现实中的视频对象跟踪算法

根据增强现实在视频对象跟踪中的应用需求,提出一种综合利用尺度不变特征变换(SIFT)算子、K聚类算法和轮廓检测的视频对象跟踪算法。该算法利用简易SIFT获得输入图像的特征点,通过K聚类算法获得可能的对象聚类,并采用改进的轮廓处理方法得到对象边界,移除孤立点,确定对象特征点,在对象特征点中获取增强现实应用中需要的注册点。在关键帧匹配中,只要使用对象特征点进行对象匹配。实验结果表明,该算法具有运行速度快、匹配正确率高的特点,能满足增强现实视频应用的注册需求。

一种改进的无人机航空影像配准方法

针对目前无人机航空影像非同源、畸变大、处理量多的问题,提出一种改进的无人机航空影像配准方法;首先利用传统SIFT方法得到特征点,其次利用C均值聚类方法可实现准确的非监督分类的特点,对传统SIFT方法得到的特征点进行筛选,从而得出同名点;最后根据得到的同名点完成待匹配图像的投影变换完成配准;通过实验仿真证明该方法精度有较大提高,且可自适应处理不同图像,是一种有效的无人机航空影像匹配改良方法。

基于局部显著特征的快速图像配准方法

针对SIFT算法在进行图像配准时存在提取特征点数目大、无法精确控制、运算速度慢、配准点精度不高的问题,提出一种基于局部显著特征的快速图像配准方法。该方法首先对原始图像和待配准图像进行降采样,对降采样图像分别提取SIFT特征点,并对特征点运用改进的K-means聚类算法进行聚类;然后利用聚类结果筛选聚类区域,在各聚类区域提取显著特征点进行粗匹配;最后利用显著特征点在原始图像中定位显著区域,对所得显著区域进行精配准。实验结果表明,该方法减少了图像匹配时间,控制了特征点数量,在保证匹配准确度的同时,有效地提高了特征匹配的效率。

结合尺度不变特征变换和Kalman滤波的Mean Shift视频运动目标跟踪

为解决目标跟踪中运动目标存在较大尺度变化、旋转、快速运动或遮挡时跟踪效果欠佳的问题,提出了一种将尺度不变特征变换(SIFT)特征匹配和Kalman滤波与Mean Shift结合的运动目标跟踪方法。首先,利用Kalman滤波估计目标运动状态,将其估计值作为Mean Shift跟踪的初始位置;然后,当候选目标模型和初始目标模型的相似性测度系数小于某一阈值时,启用SIFT特征匹配寻找目标可能位置,并在该位置处建立新的候选目标模型,同时进行相似性测度;最后,比较两者所得匹配系数,取其中较大者对应的位置作为目标的最终位置。实验结果表明,该算法的跟踪平均误差较单独将Kalman滤波或SIFT特征与Mean Shift结合的跟踪算法减小了约20%。

基于SIFT验证的Mean Shift跟踪运动目标新算法

Mean Shift算法具有良好的实时性,但是由于其缺乏有效的目标模板更新机制而易陷入局部最大值。在经典Mean Shift算法的基础上,结合SIFT特征匹配提出一种新算法,实现快速移动和遮挡等复杂情况下的目标连续跟踪,既保证了算法的实时性,又弥补了Mean Shift算法的不足。针对运动车辆目标快速运动和遮挡情况进行实验,并与其他算法进行比较。结果表明,新方法有效解决了目标遮挡和快速移动等情况下的跟踪问题,对于复杂条件下的运动车辆目标跟踪,既保证一定的实时性又具有很好的鲁棒性。

SIFT算法在木材纹理分类上的应用

为解决地板块纹理分类难度大的问题,提出了一种基于SIFT(scale-invariant feature transform),尺度不变特征转换的地板块纹理分类方法,该方法首先采用SIFT算法提取地板块图像特征值,并采用K-means聚类算法降低关键点数目,得到用于分类的特征行向量,最后构造DEELM分类器进行分类.实验结果表明,该方法不仅减少了描述图片的关键点数目便于分类,而且提高了木材纹理分类的准确性,为地板块纹理分类的研究提供了一个新的思路.

基于SIFT特征匹配的电力设备外观异常检测方法

基于电力设备巡检机器人平台,提出了一种电力设备外观异常检测方法。该方法使用SIFT特征点提取算法,进行特征匹配,使用基于RANSAC的方法求解单应矩阵进行配准。在经过配准后,对像素的差值使用Mean Shift分割算法提取异常区域。实验证明该方法对于光照有较高的鲁棒性,且受匹配误差和拍摄角度偏差、位置偏差影响较小,能够有效的将变化区域提取。

基于SIFT算法的体育类图像分类与应用研究

针对基于内容的图像分类检索方法的数据量巨大、计算复杂度高等的不足,提出一种基于SIFT算法的图像分类方法,并将其应用到体育类图像分类上。该方法从图像中提取出特征点之后,分别使用DBScan算法和K-Mean算法对特征数据进行分析,从而得到最能反映图像特征的数据,再利用这些数据对图像进行分类。实验分析表明:该方法具有速度快、分类精度高的优点。

融合颜色直方图及SIFT特征的自适应分块目标跟踪方法

针对目标跟踪过程中目标颜色相近、尺度变化及遮挡等问题,该文提出一种自适应分块并融合颜色直方图及SIFT特征的目标跟踪方法。自适应分块采用目标颜色投影和成像角度作为分块标准,使各子块具有一定相异性并保证分块数目;各子块使用颜色直方图和SIFT特征描述,通过计算SIFT特征点的尺度变化自适应地改变跟踪窗口尺度;在跟踪过程中对子块的权重及相应模板及时更新,当目标表观变化较大时重新对模板自适应分块。实验表明,该方法能准确有效地跟踪目标,并在颜色相近目标跟踪、尺度自适应及遮挡处理等方面具有较好效果。

基于多特征组合的细粒度图像分类方法

针对单一特征表示的局限性会导致细粒度图像分类准确度不高的问题,提出了一种基于卷积神经网络(CNN)和尺度不变特征转换(SIFT)的多特征组合表示方法,综合考虑对目标整体、关键部位和关键点的特征提取。首先,分别以细粒度图像库中的目标整体和头部区域训练CNN得到两个网络模型,用来提取目标的整体和头部CNN特征;然后,对图像库中所有目标区域提取SIFT关键点并通过K均值(K-means)聚类生成码本,再将每个目标区域的SIFT描述子通过局部特征聚合描述符(VLAD)参照码本编码为特征向量;最后,组合多种特征作为最终的特征表示,采用支持向量机(SVM)对细粒度图像进行分类。使用该方法在CUB-200-2011数据库上进行实验,并与单一的特征表示方法进行了比较。实验结果表明,该方法与基于单一CNN特征的细粒度图像分类相比提升了13.31%的准确度,证明了多特征组合对细粒度图像分类的积极作用。

基于SIFT特征匹配与K-均值聚类的运动目标检测

运动摄像机情况下的运动目标检测是视频监控中的难点和热点问题。为了能够有效地检测出运动目标,根据视频中背景与运动目标的速度不同这一特点,提出了一个基于尺寸不变特征变换(SIFT)和K-均值聚类的运动目标检测方法。首先提取视频中相邻两帧图像的SIFT特征点并进行匹配,并计算匹配特征点的运动速度,最后将运动目标和背景上的SIFT特征点K-均值聚类分析,在单运动目标、多运动目标和带有摄像头旋转情况下做了实验。实验结果表明,提出的目标检测算法能够在运动背景下较好地检测到目标并保留稳定的目标局部特征,对于摄像机运动、摄像机旋转、亮度变化等影响因素具有较强的适应能力。

融合SIFT和尺度方向自适应的Mean shift目标跟踪算法

由于传统Mean shift跟踪算法固定了椭圆核的带宽和方向,对尺度和方向变化的目标跟踪定位不准或跟踪丢失.针对这一不足,提出一种尺度方向自适应的目标跟踪算法.首先用SIFT特征跟踪目标,并通过对SIFT特征点尺度和方向的实验分析,发现SIFT特征点的尺度变化和目标的尺度变化成正比、特征点主方向变化角度与目标旋转角度一致,提出目标尺度和方向的计算方法;其次引入相似性变换,利用带方向、可变带宽的椭圆核改进传统Mean shift跟踪算法,使其能跟踪尺度和方向变化的目标.最后,融合SIFT特征跟踪结果和改进Mean shift的跟踪结果.实验表明:提出的算法能有效地跟踪具有尺度和方向变化的目标,获得的目标尺度、旋转方向参数精度较高,定位也更准确.