基于局部特征融合Transformer的牛身识别算法

目前，牛身识别技术大多采用卷积神经网络(Convolutional Neural Networks, CNN),CNN只能处理局部邻域信息，容易丢失细节信息。为此，提出一种基于局部特征融合Transformer的牛身识别算法。首先，运用卷积将相邻空间内的牛身局部信息进行融合，增强融合后局部特征信息在不同姿态下的辨别力和鲁棒性；其次，将融合后的局部信息和全局分类信息通过数个多层感知机模块进行分类训练，损失函数采用三元组和标签平滑交叉熵损失，有效提高了牛只多姿态场景下特征的提取。仿真实验结果表明，在复杂场景下，与基于CNN的牛身识别算法相比，提出的算法有效降低了拒识率，提高了Top1排序性能和AUC值。     

甲状腺结节超声图像特征提取及识别

采用多特征融合方法鉴别甲状腺结节超声图像的良恶性。首先用多尺度LBPV模型提取结节的局部纹理特征,然后与Tamura模型提取的全局纹理特征相结合,从全局和局部两方面对甲状腺结节的纹理特征进行了细致的描述。又提取了纵横比、圆形度、紧致度等形状特征,将上述特征进行融合并利用主成分分析法PCA对融合后的特征进行降维。实验结果表明,模型提取的特征用于分类识别时,较上述任一单一模型所提取特征用于分类时能获得更高的识别率。     

基于多特征融合的交通标志分类

为有效提高交通标志分类的准确度,提出一种融合全局特征和局部特征的多特征交通标志分类方法。首先提取能够描述标志图像内部纹理信息的局部二值模式(local binary pattern, LBP)特征,再提取能够表示标志图像形状信息的方向梯度直方图(histogram of oriented gradient, HOG)特征和描述图像粗略轮廓信息的全局Gist特征,然后采用线性组合方式,实现特征融合互补,并通过主成分分析(principal components analysis, PCA)法进行数据降维,最后采用支持向量机(support vector machine, SVM)分类器进行交通标志训练与识别。试验结果表明:相对于单一特征的交通标志分类方法,基于多特征融合的算法获得了更高的分类精确度,同时也满足实时性要求。     

综合颜色和形状特征的交通标志图像检索算法

为了实现对交通标识的快速准确识别,将颜色特征和形状特征相结合,利用特征融合提出图像快速检索算法。在颜色特征方面,改进了传统的颜色直方图方法,引入基于主色调的颜色直方图算法;针对道路交通标志特殊的语义特征,经过特征过滤筛选缩小搜索的范围。在形状特征方面,采用傅里叶形状描述,突出了轮廓线的切向角度(曲率),忽略了中心距及复坐标等因素,提高了识别速度。将颜色空间HSV特征和形状描述ART特征融合,提高识别率,同时适应复杂背景下交通标志识别。通过对颜色和形状特征间的权重λ进行调,通过VC6.0实现自主移动机器人平台测试。其准确率和实效性都达到实际应用效果。     

结合全局与局部池化的深度哈希人脸识别算法

针对采用大型卷积神经网络提取高维特征进行人脸识别时占用内存空间较大以及消耗大量计算资源的问题,提出一种结合全局与局部池化的深度哈希全卷积神经网络．第一,提出一种基于全局平均池化层的全卷积网络,用以减少网络参数以及压缩模型尺寸;第二,提出一种学习不同特征的融合损失方法,将哈希量化误差损失与分类损失进行加权融合,用以学习具有多分类性质的近似哈希编码．实验表明,该方法能够在Visual Geometry Group(VGG)框架下将识别效率提高68%,且准确率略有提升;融合损失方法扩展到Face Residual Network (Face-ResNet)框架时,在保持准确率的情况下将识别效率提高了23.7%。结果表明,该方法可在保证准确率的前提下有效地从特征提取和特征降维两方面提高识别效率,同时该方法还可扩展用于其他网络．     

FD+HOG融合人体行为识别

利用全局特征提取与局部特征提取相融合的方法,将傅里叶变换特征与方向梯度直方图特征相融合的算法结合支持向量机(SVM)来识别人体行为。首先将KTH和Weizmann数据集中提取出来的图像做预处理,分别提取出每张图像的傅里叶描述子和HOG特征,然后利用主成分分析法对HOG提取特征降维,最后用FD+HOG的融合特征放入SVM分类器中分类识别。实验结果表明,该算法识别率可达86%以上。     

智能环境下基于核相关权重鉴别分析算法的多特征融合人脸识别

针对智能会议环境下基于单模特征的人脸识别的识别率低、鲁棒性差的问题,提出了一种在智能会议室环境下基于核相关权重鉴别分析(KRWDA)算法的融合全局和局部特征的多特征融合人脸识别方法。基于相关权重鉴别分析算法并结合核方法,提出了一种核相关权重鉴别分析算法,有效解决了小样本问题。利用全局特征和局部特征在识别时所描述的内容和作用的互补性在特征层融合两种特征,全局信息和局部信息分别采用离散余弦变换和Ga-bor小波变换提取。在AMIES2016数据库上的仿真实验表明,本文所提出的方法可以有效地提高系统身份识别的正确率。     

基于核FLD和形状特征识别的高分辨率遥感影像道路提取

提出了一种基于Fisher Linear Discriminant(FLD)分类和形状特征识别的道路提取算法.首先,对图像中标记的样本进行色彩信息的提取;然后利用基于核函数的FLD对图像进行特征训练分类,将影像分为道路和非道路两类;接着利用道路的形状特征识别提取道路;最后利用形态学对道路网进行优化.实验证明,与传统道路提取算法相比,在干扰较大及存在弯曲道路的环境下,本方法有着更优的鲁棒性和有效性.     

多特征融合的室内场景分类研究

针对场景分类方法在室内场景领域的分类精度普遍较低的问题,提出一种融合全局特征和局部特征的多特征室内场景分类的方法.首先,提取场景图像的SIFT局部特征并根据关键点位置进行聚类处理和降维,得到统一维度的SIFT特征矩阵;其次,提取场景图像的PHOG局部特征和Gist全局特征,并与SIFT特征融合在同一特征矩阵中;然后,采用SVM分类器进行场景分类的训练与识别.实验结果表明,相对于单一特征的场景图像分类方法,本文的方法具有更高的分类精度.     

基于SIFT联合描述子的航拍视频图像镶嵌

针对存在明显旋转、尺度或模糊等变化的图像,文章提出了一种基于SIFT联合描述子的航拍视频图像镶嵌算法。该算法首先计算经典的SIFT特征局部描述子,然后通过引入图像的形状信息得到每个特征点的全局描述子,进而获得联合描述子;对联合描述子中的局部描述子采用欧氏距离、全局描述子采用卡方距离进行双向匹配,通过加权平均法融合得到联合描述子的匹配距离;采用RANSAC算法精确估计仿射变换模型参数。实验结果表明:该算法具有较好的鲁棒性,可获得较好的镶嵌结果。     

基于F直方图的形状全方向顺序特征描述

为提高二维对象的形状描述识别精度,本文提出基于F直方图的形状全方向顺序特征描述方法。该方法在全方向上通过方向线对形状进行分割,计算各方向线上对象分割段之间的顺序特征描述量,构建形状的全方向顺序特征描述量,计算形状间的相似度。通过地物形状数据集、MPEG-7 CE-1 Part B形状数据集和瑞典叶子数据集对本方法进行了检索识别性能测试,并和其他形状相似性描述方法进行了对比。实验结果表明,本方法具有更高的检索准确率。形状全方向顺序特征描述方法将形状的边界和区域信息融合,可以准确描述形状的全局特征与局部特征,具有平移、旋转、尺度不变性,具有较强的形状描述识别能力。     

基于优化PSO-BP的多特征融合图像识别算法研究

为提高水果种类识别的准确性,本文提出一种基于优化粒子群结合BP神经网络的识别算法.在算法初期,针对不同种类水果图像样本,借助K均值聚类分割算法,融合彩色信息和灰度信息,完成目标图像的准确分割,提取目标区域在HSV颜色空间下非均匀量化后的颜色特征,使用分块局部二值模式和灰度共生矩阵,分别提取局部和全局纹理特征,并对与粒子...     

基于整体和个体分割融合的双人交互行为识别

在人类交互行为识别领域,基于RGB视频的局部特征往往不能有效区分近似动作,将深度图像（Depth）与彩色图像（RGB）在识别过程中进行融合,提出一种融合Depth信息的整体和个体分割融合的双人交互行为识别算法。该算法首先分别对RGB和Depth视频进行兴趣点提取,在RGB视频上采用3DSIFT进行特征描述,在Depth视频上利用YOLO网络对左右两人兴趣点进行划分,并使用视觉共生矩阵对局部关联信息进行描述。最后使用最近邻分类器分别对RGB特征和Depth特征进行分类识别,进一步通过决策级融合两者识别结果,提高识别准确率。结果表明,结合深度视觉共生矩阵可以大大提高双人交互行为识别准确率,对于SBU Kinect interaction数据库中的动作可以达90%的正确识别率,验证了所提算法的有效性。     

骨架形状特征的目标识别算法

针对存在非刚性变化的目标识别,提出基于骨架形状特征的目标识别算法.该算法首先提取目标轮廓的骨架,以骨架接合点作为特征点,通过构造与其相连的骨架枝上的骨架特征不变量描述接合点;然后构建一种相似性度量函数对骨架接合点进行匹配,实现目标形状识别.实验结果表明,算法对目标的相似性变换具有较好的稳定性,在目标存在非刚性变化的情况...     

基于双通路跃层卷积网络的交通标志识别算法

交通标志识别(Traffic Sign Recognition,TSR)是智能交通系统的重要研究方向之一。因道路交通的环境复杂、交通标志数据库规模大小等因素制约,在设计TSR系统可行性方案时必须考虑算法的复杂度、识别率和鲁棒性。针对这一问题,本文提出了一种不同尺度的双通路跃层卷积神经网络算法,在同一通路上交通标志的底层局部特征和高层全局的特征,与不同通路上经过局部响应归一化和池化后的特征在全连接层融合,从而丰富了交通标志分类的特征,最后将特征图输入分类器进行交通标志识别。采用德国交通标志识别标准数据集(German Traffic Sign Recognition Benchmark,GTSRB)进行训练和测试,本文算法的识别率达到97.96%,明显优于单一通路的跃层卷积网络算法和人工方法。     

基于PC-LDA的交通标志形状特征识别方法

针对PCA方法所提取的特征分类效果较差,而LDA方法通常不能直接应用于图像特征提取的问题,提出了一种基于PC-LDA的交通标志形状特征识别方法.通过对交通标志图像进行归一化和二值化处理,得到交通标志形状特征.将PCA方法与LDA方法相结合用于交通标志二值图像特征提取,可以得到既有最佳描述性又有最佳分类效果的PC-LDA特征子空间.利用标准交通标志图像数据库进行验证,并采用最小距离分类器对所提取的特征进行识别,结果表明,该方法能够快速有效地进行维数约减,提高了交通标志识别率.     

曲线形状的坐标优化调配算法

针对计算机角色动画序列生成和具有关键帧模型特征中间模型设计中的光滑要求,提出了一种同时于适用于平面曲线形状和空间曲线形状在不同局部变形插值后的整体优化重构方法,并对开或闭曲线形状调配有统一的算法形式。该算法根据最小二乘原理,应用曲线形状的向量坐标和与夹角、边长相关的比例函数建立了具有稳定惟一解的形状重构优化方程。通过对不同比例函数和曲线数据的实验,得到了调配曲线的周长和面积的变化特性。在算法处理框架中,给出了避免产生自交或挤压变形的非线性局部插值算法、空间曲线渐变算法、三维曲面拼接算法和实例。实验结果表明,该算法在中间帧形状有自然光滑的过渡,在算法的简易性方面有明显的优势。     

基于注意力机制的车辆运动轨迹预测

基于经典的Convolutional Social LSTM轨迹预测算法,提出一种全新的采用注意力机制的车辆运动轨迹预测算法. 引入横向注意力机制对邻居车辆赋予不同的权重,将车辆历史轨迹经由LSTM得到的特征作为全局特征,通过卷积池化提取轨迹特征作为局部特征,将两者融合作为整体邻居特征信息,用于轨迹预测. 对用于传统轨迹预测的Encoder-Decoder框架进行改进,引入关于历史位置的纵向注意力机制,使得预测的每一时刻都能使用与当前时刻最相关的历史信息. 在NGSIM提供的US101和I80数据集进行验证,结果表明：提出的轨迹预测算法相比其他算法能更精确地预测车辆未来轨迹.     

基于图像形状特征和纹理的中药材牡丹皮规格分类研究

首先研究傅里叶图像形状特征提取算法和灰度共生矩阵纹理特征提取算法;其次使用傅里叶图像形状特征提取算法对中药材牡丹皮图像的形状特征进行提取,并且用灰度共生矩阵纹理特征提取算法提取中药材牡丹皮图像纹理数据;最后运用DBT-SVM算法对两种融合数据进行分类,并分析权重、训练集和测试集占比对分类准确率的影响。实验结果优于传统的SVM算法。     

基于注意力机制和姿态识别的行人再识别

在解决行人再识别技术中的姿态变化、遮挡、背景等问题时,为了提高遮挡下的行人再识别性能,提出一种基于注意力机制和姿态识别的行人再识别方法。采用全局注意网络和姿态识别网络分别提取行人图像的全局特征、关节点位置热力图和对应的置信度,通过计算得到行人13个关节点和融合所有关节点的局部特征,对全局特征和14个局部特征分别进行行人分类训练,利用多任务学习多个损失共同监督网络的优化。测试时,将关键点特征和全局特征融合后,计算行人的距离排序。在Market1501和DukeMTMC-reID数据集上测试的Rank-1/mAP指标分别达到了85.1%/75.6%和64.3%/55.3%。结果表明,所设计方法具备抗姿态变化、遮挡和背景的能力,同时具有较高的识别能力和识别精度。