针对同时定位与地图构建(SLAM)的闭环检测方法在多歧义复杂场景下易发生感知偏差的问题, 基于闭环概率模型提出了一种结合局部SURF特征和全局ORB特征的闭环检测方法。首先, 分别采用鲁棒SURF特征和全局ORB特征对图像进行局部和全局的场景描述; 其次, 构建多特征场景描述的离散贝叶斯闭环概率模型, 对多特征空间分别构建观测似然概率, 其中,局部特征空间基于词袋模型的方法计算观测似然概率, 全局特征空间基于KNN最近邻的方法计算观测似然概率; 最后, 考虑图像的时间一致性, 基于极线约束设计多步闭环候选帧提取方法, 进一步减少感知偏差问题。实验结果表明, 在多歧义场景下所提方法可以消除绝大部分的误正匹配情况, 对比FAB-MAP2.0和BoW方法具有更好的闭环检测效果, 可以达到更高的闭环准确率。

为了提高遥感图像场景分类中特征有效利用率, 进而提高遥感影像分类精度, 采用基于双通道深度密集特征融合的遥感影像分类方法, 进行了理论分析和实验验证。首先通过构建复合密集网络模型,分别提取图像卷积层特征和全连接层特征; 然后为挖掘、利用图像深层信息, 通过视觉词袋模型将提取的深层卷积层特征进行重组编码, 捕获图像深层局部特征; 最后采用线性加权方式将局部和全局特征融合、分类。结果表明, 选用数据集UC Merced Land-Use和NWPU-RESISC45进行实验, 取得的分类精度分别为93.81%和92.62%。该方法充分利用局部特征和全局特征的互补性, 能实现图像深层信息的充分利用和表达。

为克服方向梯度直方图(HOG)特征在人体行为识别中仅表征动作的全局梯度特征、缺乏局部细节信息、对遮挡表现不佳的问题,改进了一种基于全局特征和局部特征的方法来实现人体行为识别。该算法首先使用背景减法获得人体运动区域;方向可控滤波器能有效描述动作边缘特征,通过引入方向可控滤波器改进HOG特征以增强局部边缘信息,同时对加速稳健特征进行k-means聚类获得词袋模型;最后将融合后的行为特征输入支持向量机对行为特征进行分类识别。在数据集KTH、UCF Sports和SBU Kinect Interaction上进行仿真模拟,结果表明改进的算法识别准确率分别达到了96.7%、94.2%和90.8%。

提出了一种融合全局和局部深度特征(GLDFB)的视觉词袋模型。通过视觉词袋模型将深度卷积神经网络提取的多个层次的高层特征进行重组编码并融合,利用支持向量机对融合特征进行分类。充分利用包含场景局部细节信息的卷积层特征和包含场景全局信息的全连接层特征,完成对遥感影像场景的高效表达。通过对两个不同规模的遥感图像场景数据集的实验研究表明,相比现有方法,所提方法在高层特征表达能力和分类精度方面具有显著优势。

针对视觉词袋模型与局部块模型特征相结合的算法在真实的复杂场景中识别率不高的问题, 本文提出一种基于局部块模型与特征预处理、特征泛化相结合的行为识别算法。本文算法在视觉词袋模型的基础上, 采取局部块模型与随机采样相结合的方法提取特征, 对特征做预处理, 减小了数据冗余, 消除了特征之间的相关性, 并且使处理后的特征更接近原始视频特征, 同时对编码后特征做泛化处理, 避免过拟合现象。本文在HMDB51标准视频库上进行实验, 结果表明本文算法较原算法识别率提高2.1%, 较其他同类算法也有一定的提升, 验证了该算法的有效性。本文算法对视频量大、背景复杂、真实场景的视频集具有较好的识别效果。

图像分类技术是近年来计算机视觉领域中的研究热点, 在移动互联网领域中取得了成功应用。提出了一种基于稀疏编码空间金字塔匹配的图像分类算法。该方法首先对图像的SIFT特征进行稀疏编码, 替代了传统的矢量量化方法, 可以有效降低量化误差, 构建更为准确的图像表征方式, 然后结合空间金字塔匹配算法采用线性分类器对图像进行分类识别。在标准测试图像数据库上的实验结果表明, 相比BOF和SPM方法, 该算法可以将图像分类准确率提高4%~12%。

大规模图像集合的自动分组，不仅可以帮助用户快速组织和掌握图像集合的内容，并且是基于图像的三维场景重建应用的前提和重要环节。提出一种基于词袋模型(bag-of-words, BOW)的层次化分组算法，将每幅图像表示为一个超高维视词向量，利用多路量化技术将内容相似的图像量化到同一个节点，从而完成对图像粗略分组。然后，在每组类别里面，对图像的局部特征向量进行逐一匹配，并利用仿射空间不变量的约束条件，去除不可靠特征匹配，得到更为准确可靠的图像相似度度量，从而完成图像的精细分组。实验结果表明：从得到的系统不同阶段图像分组的查准率-查全率(precision-recall)曲线可以看出，精细分组过程可以显著提高粗分组精度，并且在精细分组阶段，使用约束条件比不使用约束还能获得更高的分组精度