版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、基于圖像內(nèi)容的物體檢索是當(dāng)前研究的熱點(diǎn),其包括物體匹配和物體定位兩部分。特征捆綁(圖像分塊)和物體定位是物體檢索區(qū)別于相似圖像檢索的關(guān)鍵技術(shù),圖像分塊后一般可以按基于圖像內(nèi)容的相似圖像檢索方法匹配物體。對(duì)于物體的定位,多數(shù)物體定位方法是用與查詢物體最相似的分塊圖像在圖像中的位置作為物體定位的結(jié)果。然而,當(dāng)前物體匹配和定位的方法在速度和準(zhǔn)確度上存在矛盾。為此,需要探索新方法來(lái)有效的提升物體檢索中的速度和準(zhǔn)確度。本文基于VLAD(Vecto
2、r of Locally Aggregated Descriptors)圖像表示方法,對(duì)目標(biāo)搜索進(jìn)行研究,包括基于圖像內(nèi)容的相似圖像搜索和物體檢索,在碼本構(gòu)造、圖像表示和目標(biāo)定位三個(gè)方面提出相應(yīng)的算法。本文的主要貢獻(xiàn)如下:
(1)在碼本構(gòu)造方面,提出一種基于二值變換的SURF特征降維方法和兩步聚類算法。首先,通過(guò)二值變換將原始SURF特征變?yōu)?維,極大減少存儲(chǔ)空間和檢索速度。然后,將降維后的數(shù)據(jù)集分為多個(gè)子集,通過(guò)子集內(nèi)和子集
3、間兩步聚類得到最后的聚類結(jié)果。
(2)在圖像表示方面,提出基于加權(quán)的特征前融合方法的圖像表示方法,進(jìn)一步,提出了基于圖像顯著性加權(quán)的VLAD圖像表示方法。由于圖像局部特征降維存在信息損失,因此,提出通過(guò)對(duì)特征加權(quán)融合來(lái)彌補(bǔ)由于降維造成的信息損失。對(duì)于圖像的VLAD表示方法,進(jìn)一步提出對(duì)圖像顯著性區(qū)域和非顯著性區(qū)域的特征賦予不同大小的權(quán)值進(jìn)行圖像表示。
(3)在目標(biāo)搜索中的目標(biāo)定位方面,提出基于圖像顯著性區(qū)域的多尺度圖
4、像分塊。多尺度圖像分塊將一幅圖像分為大小不同的65塊。然后,利用圖像顯著性區(qū)域來(lái)解決一個(gè)物體被分割到多個(gè)圖像塊中,或者一個(gè)圖像塊中并不僅僅只有一個(gè)物體區(qū)域的問(wèn)題。
實(shí)驗(yàn)結(jié)果表明:在碼本構(gòu)造方面,基于K均值聚類,兩步聚類的方法在保證聚類準(zhǔn)確度的前提下,能大大提升聚類速度。在圖像表示方面,在Holidays數(shù)據(jù)庫(kù)和UKB數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)證明,加權(quán)的特征前融合方法能很好的提高圖像檢索精度。另外,通過(guò)顯著性加權(quán)的VLAD圖像表示方法,進(jìn)
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于時(shí)空顯著性的視頻顯著區(qū)域檢測(cè)研究.pdf
- 基于顯著性的目標(biāo)跟蹤研究.pdf
- 基于多聚類和多示例的協(xié)同顯著性目標(biāo)檢測(cè).pdf
- 基于區(qū)域的超像素顯著性檢測(cè).pdf
- 基于顯著性的視覺(jué)目標(biāo)跟蹤研究.pdf
- 基于視覺(jué)顯著性的目標(biāo)識(shí)別.pdf
- 基于超像素的全局顯著性區(qū)域檢測(cè).pdf
- 視覺(jué)顯著性區(qū)域計(jì)算及顯著性物體分割方法研究.pdf
- 基于先驗(yàn)知識(shí)融合的顯著性目標(biāo)檢測(cè).pdf
- 基于顯著性的目標(biāo)檢測(cè)與識(shí)別算法.pdf
- 基于多示例學(xué)習(xí)的顯著性目標(biāo)檢測(cè).pdf
- 基于視覺(jué)顯著性的視頻目標(biāo)跟蹤研究.pdf
- 基于顯著性檢測(cè)的感興趣區(qū)域編碼.pdf
- 基于顯著性區(qū)域的工程車輛分類系統(tǒng).pdf
- 基于顯著性區(qū)域的碼率分配技術(shù)研究.pdf
- 顯著性區(qū)域檢測(cè)方法研究.pdf
- 基于視覺(jué)注意力點(diǎn)的顯著性目標(biāo)檢測(cè).pdf
- 基于顯著性的運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究.pdf
- 基于視覺(jué)顯著性的目標(biāo)檢測(cè)技術(shù)研究.pdf
- 基于稀疏子空間聚類和低秩表示的顯著性目標(biāo)檢測(cè).pdf
評(píng)論
0/150
提交評(píng)論