一种基于矢量关系运算的人脸检测算法

本文基于近年来发展起来的全新理论--高维形象几何与仿生信息学提出一种新的人脸检测算法。该算法从高维空间矢量关系的角度,分析图像间差异。采用高维空间矢量表征图像所含信息,通过计算矢量之间的角度衡量候选数据区与平均人脸模板的相关性。并且对图像间的矢量距离和欧氏距离进行了对比实验,验证了采用改进的矢量角度作为图像间关系的测度更为合理,针对不同光照条件下彩色图像中的人脸检测提出改进算法,利用彩色图像中包含的色彩矢量来消除不同光线带来的灰度变化,实验表明该改进算法相比于灰度图的模板匹配人脸定位算法,更能有效避免由光线变化产生的误检和漏检。     

一种基于HNC理论的文本相似度算法

计算文本相似度常用基于向量空间计算夹角余弦的方法,该方法忽视了同一文本中词与词之间的语义相似度,因而造成了文本表示模型的高维性以及计算的高复杂性。为此,提出了一种文本相似度算法,利用HNC理论先计算特征词之间的语义相似度,进行必要的降维,进一步计算每个文本向量中的TF*IDF值,最后计算两个向量的空间夹角余弦值并将其作为两个文本之间的相似度。将实验结果与直接计算余弦值的结果比较发现,改进后的算法中VSM的维数明显比改进前小得多,改进后的算法提高了召回率和准确率。因此,改进后的算法是切实有效的。     

稀疏加权的背景模板优化提升显著目标检测算法

针对稀疏重构误差算法在检测显著目标在构造背景模板时,由误选前景区域作为模板导致检测结果出现误差的问题,提出一种优化背景模板的算法.首先计算各背景模板与图像各边界的连通性,通过该边界连通性判断模板是否属于真正背景;然后用各个背景模板构成的重构字典实现对整幅图像各区域的重构,该过程采用一种新的稀疏加权算法抑制非零向量基,从而加强了解向量在相似模板中的作用;最后通过计算的各个区域重构误差产生最终的显著图.在3个标准的数据集上进行实验的结果表明,该算法有效地提升显著检测算法效果,在较为复杂的背景环境下也能产生明确的视觉显著图,与原始算法相比平均绝对误差降低近20%.     

基于角度泛化的SC模型匹配的行人检测

提出一种行人检测算法。该算法使用角度泛化的形状上下文描述子提取边缘采样点集的直方图分布,以改进的Hausdorff距离作为模型与待测图像码本之间的匹配度量,利用该相似度为人体中心位置投票,并结合模板的二值掩码分割人体的前景与背景。采用颜色聚类与支持向量机形状分类器的两步验证法去除2类假阳结果。在自建行人图像库与PASCAL库上的实验结果表明,角度泛化的形状上下文提高了对直立人体形状的局部描述性能,两步验证明显降低了误检率。     

基于改进距离聚合向量的图像检索算法

针对Sajjanhar等提出的基于距离聚合向量的图像检索算法的不足,提出一种改进距离聚合向量的图像检索算法。该算法在距离聚合向量的基础上加入最大连通聚合像素平均坐标的质心距离特征,新增的特征向量具有平移、旋转和尺度不变性。对于原聚合向量特征和新增的质心距离特征,分别采用不同的相似性度量函数进行相似度匹配。该改进算法融入比距离聚合向量更多的空间信息。实验结果表明,该算法具有更高的查全率和准确率。     

光照鲁棒的非线性相关图像匹配方法

在自然场景下的光照变化不可避免,而同一物体在不同光照条件下的成像差异极大,这使得光照变化下的图像匹配成为一个普遍而具有挑战性的问题.为此提出一种对光照变化鲁棒的图像匹配方法,通过设定阈值分割图像来选择比较有区分力的部分像素参与匹配,用2个分量分别描述图像中存在亮度变化的区域和区域内亮度的变化程度.在匹配过程中,以向量之间夹角的大小作为相似度度量,直接利用图像的灰度信息在高维向量空间中考虑图像之间的相似度,克服了在低照度、低信噪比的图像中求边缘、角点、梯度和形状等特征的困难,不受向量模大小(乘性光照变化)以及向量平移(加性光照变化)的影响,即相似度的计算是线性光照不变的.实验结果验证了该方法的有效性.     

基于跟踪异常与相关性检验的目标丢失判断

针对互补性实时跟踪算法（Staple）在目标丢失后不能察觉,提出了基于跟踪异常与相关性检验的目标丢失判断方法。在平均峰值相关能量的基础上通过对颜色直方图模型响应进行评估,提出了一种改进的跟踪置信度评估方法。根据跟踪置信度对跟踪状态进行评估,并在高置信度情况下使用目标区域构建目标相关性检验模板。当相关滤波模型响应置信度由低变高后,使用目标相关性检验模板与当前目标区域进行相关性检验得到相似度,根据相似度值大小判断目标是否丢失。在OTB-100标准数据集中选取22段视频进行验证,实验结果表明,所提出的方法在Staple算法跟踪过程中能够及时地检测出遮挡、出视野和光照变化等干扰因素导致的跟踪异常。能够正确地判断目标丢失,成功率达100%,为跟踪异常后是否进行目标重检测和实际工程应用中目标丢失判断提供可靠的依据。     

基于向量长度的Hausdorff距离图像匹配方法

针对采用Hausdorff距离描述两组点集之间相似程度时对孤立点噪声敏感的问题,提出一种基于向量长度的Hausdorff距离图像匹配方法。考虑图像中像素点之间的相互关系,连接图像中一个像素点和其他点构成一个向量长度集合,每个像素点对应一个向量长度集合,进行图像匹配时,计算模板图像中每个像素点的向量长度集合与待匹配图像中像素点向量长度集合的改进Hausdorff距离,从而得到匹配的量化结果。实验表明,新方法处理噪声图像具有较好的鲁棒性。     

基于局部直方图的多区域目标跟踪算法

为克服光照变化和目标遮挡对运动目标跟踪的影响,提出了一种基于改进的局部敏感直方图的多区域目标跟踪算法。改进了局部敏感直方图并设计了快速算法;将改进的局部敏感直方图作为多区域跟踪算法中的目标建模方式,提高目标建模的准确性且降低提取目标特征的计算复杂度;针对多区域跟踪算法中融合各个区域块的特征相似值的需要,采用基于统计排序和最小二乘估计的参数估计方法计算整个目标块与模板的相似度。实验结果表明该算法能有效应对目标跟踪过程中光照变化、目标形变与遮挡的干扰,实现实时鲁棒的目标跟踪。     

基于Hu向量相似度的图像序列自动排序算法

为了实现全景图拼接中图像序列的自动排序,提出了一种利用图像Hu矩向量相似度的图像序列全自动排序算法。首先利用图像的七个Hu矩构造一个矩向量,然后计算两个矩向量的欧氏距离,用以表示两幅图像的相似度,最后根据图像序列中各图像之间的相似度实现全自动排序。实验结果表明,该算法能有效地实现顺序混乱的图像序列的自动排序;同时,对图像序列中存在旋转及尺寸大小不同的特殊情况也能很好地处理。     

基于CenSurE-star和LDB的被测目标图像匹配算法

针对传统点特征匹配方法计算量大、匹配速度慢的问题,给出了一种基于CenSurE-star和LDB的图像匹配算法,以用于在视觉检测中对被测目标图像进行快速匹配;该算法首先通过调整滤波器尺寸从而快速检测被测目标图像中不同尺度的CenSurE-star特征点,然后采用LDB方法对特征点结合其邻域进行描述,以描述符汉明距离为标准衡量图像特征点间的相似度并进行对应筛选,最终结合RANSAC剔除剩余的误匹配点对,实现了图像间准确匹配;实验研究表明,在关于光照、噪声和模糊变化的三组被测目标图像匹配中相较SIFT、SURF等常见算法,该算法不仅显著提升匹配速度,而且保证了较高的匹配准确率。     

一种基于微分不变量的图像变化检测方法

配准误差、噪声干扰和照度变化是影响变化检测性能的主要因素,利用图像结构信息进行变化检测,可以有效地克服这些因素的影响.文中提出了一种利用微分不变量描述图像结构信息并进行变化检测的方法.微分不变量具有平移和旋转不变性,并且对噪声具有较强的鲁棒性.首先利用微分不变量构造特征描述子,然后在一个搜索窗内计算各描述子之间的Mahalanobis距离,取其最小值并与阈值相比作变化检测.实验证明,所提出的算法对噪声干扰和配准误差都有较强的鲁棒性.     

基于加权相似性度量的特征匹配方法

针对图像特征匹配过程中采集图像易受噪声、光照、尺度等因素影响使产生的匹配结果鲁棒性差、误匹配率高等问题,提出一种基于加权相似性度量（WSM）的特征匹配方法。该方法首先采用基于网格多密度聚类的特征匹配（FM_GMC）算法对原始图像进行特征聚类块划分;其次在每一特征聚类块中,采用Canny提取边缘特征点并使用尺度不变特征变换（SIFT） 进行描述;然后采用加权的方式对特征聚类块之间的空间上下文信息间的Hausdorff距离、图像特征点外观描述子间的欧氏距离以及图像特征点的局部几何灰度信息的归一化互相关度量（NCC）进行相似性度量;最后依据最近邻距离比值（NNDR）对相似性度量结果进一步优化,从而确定特征匹配结果。以古建筑图像为数据集的实验结果表明WSM方法的平均匹配精确率达到92%,在匹配数量和精确率上优于常用的特征匹配方法,验证了该方法的有效性和鲁棒性。     

基于距离融合的图像特征点匹配方法

针对ORB算法中特征点缺乏尺度不变性导致算法误匹配率高,以及二进制鲁棒独立基本特征（BRIEF）算法的描述子易受噪声影响的问题,提出了改进的特征点匹配方法。采用加速的具有鲁棒性的特征（SURF）算法进行特征点提取,利用带有方向信息的BRIEF算法进行特征点描述;在特征点邻域内选取随机点对,并对随机点对的灰度大小比较和相似度比较分别进行编码,采用汉明距离计算两种编码的差异;利用自适应加权融合的方式实现特征点相似性距离度量。实验结果表明,改进方法对于尺度变化、光照变化以及模糊变化的图像具有更好的适应性,与传统ORB特征点匹配方法相比能够获得更高的特征点正确匹配率,且该特征点匹配方法可用于改善图像拼接的性能。     

基于图像配准的零件轮廓修正方法

针对智能机床视觉系统提取待加工零件边缘轮廓时易受到背景干扰,导致其提取出的零件轮廓中包含异常区域的问题,提出一种基于图像配准的高精度零件轮廓修正方法。首先,从零件工程图与真实图像当中提取出零件模板特征点集与待匹配特征点集;其次,对仿射变换模型中的参数进行分解分析,并利用两图特征点集中的面积特征与边缘结构特征构建准则函数;然后,使用改进的遗传算法搜索两图像全局最高相似度所对应的仿射变换参数,在图像配准之后,再通过计算最优迁移后的模板轮廓点集与待匹配轮廓点集的分段Hausdorff距离来检测并替换待匹配轮廓中的异常轮廓段。实验结果表明,该方法能精确、稳定地检测出待匹配轮廓点集中的异常轮廓段,配准精度比联合特征均方和（SSJF）方法高出50%,修正后轮廓交接点处的距离不超过3像素值。     

基于加权正交约束非负矩阵分解的车脸识别算法

面对多类别且标注数量有限的样本,为进一步提高车脸图像的识别准确性,提出一种基于改进非负矩阵分解（NMF）的车脸识别算法。首先,采用方向梯度直方图（HOG）算子提取车脸图像局部区域形状特征,并将其作为车脸图像的初始特征;而后,提出具有多权重、正交性、稀疏性约束的NMF模型,并基于该模型获得了描述车脸图像中关键区域的特征基,实现了特征的降维;最后,利用离散余弦距离计算特征间的相似性,进而对车脸图像是否匹配作出判断。实验结果表明,对于建立的车脸图像数据集,提出的识别算法能够取得较好的识别效果,准确率可达到97.56%,且满足实时性要求。     

Face recognition under varying illumination using Mahalanobis self-organizing map

We present an appearance-based method for face recognition and evaluate its robustness against illumination changes. Self-organizing map (SOM) is utilized to transform the high dimensional face image into low dimensional topological space. However, the original learning algorithm of SOM uses Euclidean distance to measure similarity between input and codebook images, which is very sensitive to illumination changes. In this paper, we present Mahalanobis SOM, which uses Mahalanobis distance instead of the original Euclidean distance. The effectiveness of the proposed method is demonstrated by conducting some experiments on Yale B and CMU-PIE face databases. This work was presented in part at the 13th International Symposium on Artificial Life and Robotics, Oita, Japan, January 31–February 2, 2008     

基于点特征的旋转图像匹配新方法

图像匹配在模式识别、图像分析和计算机视觉中有着广泛的应用.图像匹配是将模板在参考图中逐像素移动,计算它们的灰度相似性,搜索相似性最大的位置.这种逐像素的搜索方法计算复杂度高.如果模板和参考图之间存在旋转,传统的匹配方法很难实时实现.提出了一种基于点特征的旋转图像的匹配方法,首先采用Harris角点检测算子提取图像的特征点,然后利用小面模型对特征点邻域进行拟合,提取特征点的旋转不变特征,最后利用特征点的旋转不变特征进行点集的匹配,获取图像的平移和旋转参数.该方法匹配结果准确,与传统的相关匹配方法相比计算复杂度很小,易于实时实现.     

基于深度特征学习的复杂环境下陌生人脸匹配算法研究

复杂环境下的陌生人脸匹配,即在人脸存在光照、姿态干扰时,判断两张在训练集中从未出现过的人脸照片是否代表同一个人。在预处理阶段,采用多尺度视皮层算法,降低光照的影响,提出并采用基于PCA-SIFT特征的图片融合算法无监督地对齐人脸,降低人脸姿态的影响。在识别阶段,提出并采用半随机池化方法优化了局部卷积限制波尔兹曼机网络的稳定性,习得深度特征后采用基于信息熵的度量学习算法计算马氏距离并通过SVM分类识别。实验结果显示,提出的方法在LFW数据集上取得了78%的识别率,相比于采用相同训练模式的经典度量学习方法取得了7%的提高,验证了所提方法的有效性。     

基于有效维度特征的手背静脉识别算法

针对手背静脉识别过程中采集的图像出现干扰信息的问题,提出了一种基于有效维度特征的识别算法。首先,该算法对采集的图像进行自适应中值滤波去噪;其次,对图像进行分块处理,并基于混合高斯模型与梯度信息对子图像提取特征;然后,依据子图像间特征相似性,提出了判断子图像是否为干扰信息的方法;最后,融合所有真实静脉区域的特征,形成特征向量,并采用基于稀疏表示的算法对多种有效维度下的特征向量进行匹配。实验表明,该算法具有较高的准确识别率,即使采集的手背静脉图像存在部分遮挡,算法依然能够获得较好的识别效果。