针对合成孔径雷达(SAR)目标识别问题, 提出结合多特征联合表征和自适应加权的方法。分别采用主成分分析(PCA)、单演信号以及Zernike矩特征描述原始SAR图像, 获得3个对应的特征矢量。基于联合稀疏表示模型对3类特征进行联合表征。针对不同特征条件下的重构误差矢量, 采用自适应加权算法进行融合处理, 即在线性融合的框架下自适应获得权值, 达到良好的决策融合效果。最终, 根据融合后的误差对目标类别进行判定。实验基于MSTAR数据集开展, 针对10类目标识别问题分别在标准操作条件、噪声干扰和部分遮挡条件下进行测试, 结果验证了方法的有效性。
合成孔径雷达 目标识别 多特征 联合稀疏表示 自适应加权 synthetic aperture radar target recognition multiple features joint sparse representation adaptive weighting
1 长安大学理学院, 陕西 西安 710064
2 陕西师范大学计算机科学学院, 陕西 西安 710000
针对高光谱图像特征利用不足和训练样本难以获取的问题,提出了一种具有多特征和改进堆栈稀疏自编码网络的高光谱图像分类算法。采用流形学习获得高光谱图像的低维数据结构,并提取高光谱图像的光谱特征、具有空间信息的局部二值模式(LBP)特征及拓展多属性剖面 (EMAP)特征。利用主动学习查询特征性强的未标记样本并将其标记,利用融合空谱联合信息的样本训练堆栈主动稀疏自编码神经网络并用Softmax分类器对其分类。Indian pines数据集的总体分类精度达到98.14%,Pavia U数据集总体分类精度达到97.24%。实验结果表明,该算法分类精度高,边界点分类效果更好。
图像处理 高光谱图像 多特征 流形学习 自编码网络 神经网络 激光与光电子学进展
2020, 57(8): 081010
昆明理工大学机电工程学院, 云南 昆明 650500
基于卷积神经网络算法对行人进行多特征提取,并使用拼接后的多特征对行人进行特征表征。使用全局池化和多个卷积构建多分支结构,利用多分支结构来弥补丢失的信息。为了减小过拟合,采用自行设计的瓶颈层代替模型中的分类层。实验时,分别在Market1501、CUHK03、DukeMTMC-Reid数据集上对本文所提算法进行验证。在Market1501数据集上,本文所提算法预测正确的概率(Rank1)为95.2%,平均预测均值(mAP)为86.0%。实验结果表明,本文所提算法提取的行人特征具有较强的辨别力,识别准确率明显高于其他先进的算法。
光计算 卷积神经网络 行人重识别 多特征 特征拼接 激光与光电子学进展
2019, 56(16): 162001
重庆大学 光电技术与系统教育部重点实验室, 重庆 400044
鉴于传统维数约减方法对高光谱遥感影像进行降维时, 往往只利用了单一的光谱特征, 限制了分类性能的提升。提出一种基于多特征流形鉴别嵌入的维数约减方法, 该方法首先提取高光谱数据的LBP(Local Binary Patterns)纹理特征, 然后利用样本点的光谱-LBP特征联合距离及类别信息构建类内图和类间图以发现高光谱影像中的鉴别流形结构, 在低维嵌入空间中不仅保持来自同一像素的光谱和纹理特征的相似性, 而且使同类点尽可能紧致、不同类点远离, 实现空-谱联合低维鉴别特征提取, 以有效提高地物分类性能。在Indian Pines和黑河高光谱遥感数据集上的实验表明, 本文算法的分类精度在不同实验条件下均优于传统的维数约减方法, 其分类精度可达95.05%和96.20%, 在较少训练样本条件下优势更为明显, 有利于实际应用。
高光谱遥感 维数约减 纹理特征 多特征学习 流形学习 hyperspectral remote sensing dimensionality reduction texture feature multiple features learning manifold learning
陆军工程大学纳米技术与微系统实验室, 河北 石家庄 050003
为提高复杂场景下运动目标检测的完整性和准确性,提出了一种多特征结合的运动目标检测方法。提出了一种自适应的高斯混合建模算法对颜色特征进行建模;通过滞后多阈值建模的方法,同时利用颜色和改进的局域二值模式纹理特征对环境背景进行了建模,并采用邻域补偿策略将基于两种特征提取得到的目标区域进行了结合;采用结合Canny思想改进的Kirsch方法进行了边缘提取,消除了鬼影误识别像素,改善了前景目标边缘。实验结果表明,所提方法在运动目标检测的完整性、准确性等指标上优于传统算法的,实时性也较好。
测量 运动目标检测 多特征 背景建模 纹理 滞后多阈值
武汉大学 电子信息学院, 湖北 武汉 430079
针对基于压缩感知的目标跟踪算法中存在的特征单一, 在目标纹理变化、光照变化较大时跟踪不稳定、易丢失目标的问题, 提出了多特征联合的实时跟踪算法。该算法以多个矩阵作为压缩感知中的投影矩阵, 将压缩后的数据作为特征来提取出跟踪所需的多种特征。在更新过程中, 针对不同特征在跟踪过程中的稳定性不同, 采取不同速度的更新方法, 使得在目标环境变化时跟踪的鲁棒性仍然很高。对不同视频的测试结果表明, 提出的方法在目标运动、旋转、纹理变化和光照变化的情况下跟踪准确, 在目标大小为70 pixel×100 pixel时平均帧速为23 frame/s, 满足实时跟踪的要求。与单一特征的压缩感知算法相比, 本算法在目标纹理和光照变化很大的情况下仍能完成稳定的实时跟踪。
目标跟踪 实时跟踪 压缩感知 多特征 target tracking real-time tracking compressive sensing multiple features
1 空军工程大学 电讯工程学院，陕西 西安 710077
2 63751部队 技术室，陕西 西安 710028
针对均值漂移算法中采用单一颜色特征以及缺乏必要模板更新方法的缺陷，提出一种基于多特征的双模板自适应更新目标跟踪算法。引入像素点邻域灰度均值差和分层空间信息加强目标特征的鉴别性，再通过对目标与背景区域双模板相似度系数的综合分析，准确地判断跟踪干扰因素的来源，并以当前帧目标区域的相似度系数为权值对目标模板进行加权更新，使得模板更新速度与其目标特征变化相适应的同时抑制模板过更新，较好地解决了模板更新时机和更新速度等问题。仿真结果表明，所提算法在不同跟踪场景下均具有较强的鲁棒性。
图像目标跟踪 均值漂移算法 多特征 双模板 模板过更新 image target tracking mean shift algorithm multiple features dual template excessive template updating
四川大学 计算机图形图像研究所，成都 610064
针对运动阴影检测时单一阴影特征难以完全将前景和阴影正确分离，提出一种多特征联合运动阴影检测方法。考虑运动阴影的光照、色度、纹理和区域统计特性，提出采用小邻域光照的对数比值不变性来判定阴影，接着联合阴影HSV 颜色空间特性和梯度方向小块合并的阴影区域统计特性来实现多特征联合运动阴影检测。为了客观评价方法性能，采用一种改进的量化方法，对不同光照和环境条件下的视频序列进行测试。实验结果表明，该方法效果好，前景检测率和阴影检测率高，可应用于智能视频监控的目标检测。
阴影检测 多特征联合 邻域光照比值不变性 HSV 颜色空间 shadow detection integrating multiple features illumination ratio invariability of neighborhood s HSV color space
