征提取、圖像特征描述、圖像特征匹配這3個(gè)步驟。對(duì)于傳統(tǒng)的圖像特征提取與描述算法,根據(jù)特征點(diǎn)的類型不同,可以分為基于斑點(diǎn)的特征提取與描述算法和基于角點(diǎn)的特征提取與描述算法[2]?；诎唿c(diǎn)的特征提取與描述的算法中,最具有代表性的算法是Lowe提出的尺度不變特征變換(scale-invariant feature transform, SIFT)算法[3],該算法在構(gòu)建尺度空間時(shí)候采取高斯核函數(shù)進(jìn)行濾波,使原始圖像保存最多的細(xì)節(jié)特征,經(jīng)過(guò)高斯濾波后細(xì)節(jié)特征逐漸減

像處理領(lǐng)域,特征描述子對(duì)目標(biāo)物的不變性研究具有重要意義。一個(gè)好的描述子應(yīng)該能夠抵抗目標(biāo)物的尺度變化、光線變化、旋轉(zhuǎn)變化、仿射變化和噪聲干擾。一般而言,一個(gè)描述子的構(gòu)成首先是從圖像中提取一些特征點(diǎn),然后根據(jù)特征點(diǎn)周圍的區(qū)域形成描述子,最后,采用適當(dāng)?shù)木嚯x度量方法來(lái)比對(duì)描述子的相似程度,判定描述子與目標(biāo)物之間是否同一。對(duì)于視覺(jué)分類問(wèn)題而言,常用的方法是通過(guò)特征向量來(lái)描述一類具有共同點(diǎn)的物體,然后形成可查找的視覺(jué)關(guān)鍵字[1-2]。假定關(guān)鍵點(diǎn)是已知的,理想的描述子

習(xí)的圖像局部特征描述已被證明具有更好的匹配性能和更大的潛力。一般基于局部特征描述的圖像匹配方法通常分為如圖1所示的3個(gè)步驟。圖1 基于局部特征描述的圖像匹配方法流程圖文章全面客觀的比較與分析當(dāng)前主流傳統(tǒng)經(jīng)驗(yàn)驅(qū)動(dòng)的基于手工設(shè)計(jì)的圖像局部特征描述方法和由數(shù)據(jù)驅(qū)動(dòng)的基于深度學(xué)習(xí)的圖像局部特征描述方法，總結(jié)圖像局部特征描述的現(xiàn)狀，以期為未來(lái)該領(lǐng)域研究者給出一定的參考。1 手工設(shè)計(jì)的圖像局部特征描述方法1.1 基于梯度的圖像局部特征描述方法基于梯度的圖像局部特征描述

具有判別力的特征描述子，但該方法在車輛檢索方面效果不理想。Ahmad等[10]提出了一種基于對(duì)象的圖像檢索方法，通過(guò)設(shè)置閾值去除了無(wú)效的特征信息，并采用了哈希方法進(jìn)行了大規(guī)模圖像檢索。以上方法主要是對(duì)全局特征的相似度進(jìn)行比較，隨著檢索類別數(shù)量的增多，檢索效果會(huì)變得不理想。為了解決這種問(wèn)題，本文利用Faster R-CNN[11]對(duì)目標(biāo)區(qū)域進(jìn)行定位和類別判斷，并結(jié)合這兩項(xiàng)數(shù)據(jù)結(jié)果進(jìn)行二次檢索。本文方法首先對(duì)全局特征描述子進(jìn)行檢索，再利用局部特征描述子和類別得

且區(qū)分度高的特征描述子。目前，基于深度學(xué)習(xí)的圖像特征描述子（如：SuperPoint、LF-Net），展現(xiàn)出比人工設(shè)計(jì)的特征描述子具有更好的性能。然而，一些研究表明，當(dāng)把SuperPoint等特征描述子應(yīng)用于有遮擋的現(xiàn)實(shí)世界時(shí)，存在泛化能力弱的問(wèn)題。存在這種局限性的一個(gè)重要原因，就是無(wú)法獲取圖像對(duì)之間特征點(diǎn)真實(shí)的對(duì)應(yīng)關(guān)系。之前，許多方法都采用SFM數(shù)據(jù)集作為替代方案，但這些數(shù)據(jù)集提供的匹配特征點(diǎn)并不是真實(shí)的對(duì)應(yīng)關(guān)系。針對(duì)上述問(wèn)題，本文方法不要求特征點(diǎn)之間具

化及固化清單特征描述，提高最高投標(biāo)限價(jià)和結(jié)算審核效率，降低結(jié)算審核清單重組率，避免結(jié)算審核風(fēng)險(xiǎn)[1]，提高造價(jià)管理工作的邏輯性、科學(xué)性、規(guī)范化、標(biāo)準(zhǔn)化水平，適應(yīng)“三型兩網(wǎng)”的建設(shè)要求，是目前急需解決的問(wèn)題。工程量清單項(xiàng)目特征作為工程量清單計(jì)價(jià)體系的重要組成部分，在招投標(biāo)及后續(xù)竣工結(jié)算的過(guò)程中，均起到十分重要的作用。首先，項(xiàng)目特征是區(qū)分清單項(xiàng)目的依據(jù)，對(duì)于相同或相似的清單項(xiàng)目名稱，必須通過(guò)項(xiàng)目特征的描述才能加以區(qū)別；其次，項(xiàng)目特征是確定綜合單價(jià)的前提，直接決

024)局部特征描述子是三維點(diǎn)云特征的局部表達(dá)，反映了點(diǎn)云一定鄰域范圍內(nèi)的局部表面特征，通常通過(guò)將局部表面的幾何或空間信息轉(zhuǎn)化為特征向量而得到。由于對(duì)遮擋、噪聲和點(diǎn)密度變化具有強(qiáng)魯棒性和強(qiáng)描述性，局部特征描述子在點(diǎn)云配準(zhǔn)、三維重構(gòu)、形狀檢索、人臉特征識(shí)別等計(jì)算機(jī)三維視覺(jué)領(lǐng)域有著廣泛的應(yīng)用。隨著低成本傳感器和高速計(jì)算系統(tǒng)的蓬勃發(fā)展，三維數(shù)據(jù)的獲取變得更加便利，這進(jìn)一步提升了局部特征描述子在計(jì)算機(jī)視覺(jué)領(lǐng)域的重要性。盡管大量?jī)?yōu)秀的點(diǎn)云局部特征描述子被提出[1-4

題，本文提出特征描述子表示與語(yǔ)義對(duì)齊距離。特征描述子表示假設(shè)每個(gè)特征描述子是獨(dú)立的，用篩選得到特征描述子集合作為圖像的表征。相比使用一個(gè)高維向量作為表征，特征描述子表示更加細(xì)粒度，能更好地捕獲和利用圖像豐富的局部特征，因此特征描述子表示是一種表達(dá)能力更強(qiáng)的數(shù)據(jù)表征。此外，為了適應(yīng)特征描述子表示，受樸素貝葉斯最近鄰(naive Bayes nearest neighbor，NBNN)(Boiman等，2008)和DN4(deep nearest neighb

云提取、點(diǎn)云特征描述和圖像配準(zhǔn)算法。Johnson[9]于1997年引入了自旋圖像（spin images，SI），通過(guò)圖像的相關(guān)性建立2 個(gè)曲面之間點(diǎn)的對(duì)應(yīng)關(guān)系，SI 在包含雜波和有遮擋場(chǎng)景的目標(biāo)識(shí)別中有較高的準(zhǔn)確性。2004年Frome 等提出了3D 形狀上下文特征（3D shape context，3DSC）[10]，實(shí)驗(yàn)評(píng)估發(fā)現(xiàn)該算法對(duì)嘈雜、混亂場(chǎng)景中的車輛識(shí)別率較高。2008年Rusu 等[11]提出點(diǎn)特征直方圖（point feature hi

例析高中地理特征描述類試題一般要求同學(xué)們描述事物的形態(tài)或者狀態(tài)。此類試題按對(duì)象可分為對(duì)地理事物特點(diǎn)的描述、對(duì)地理事物分布特點(diǎn)的描述和對(duì)地理事物發(fā)展變化過(guò)程特點(diǎn)的描述。高中地理特征描述類試題一般以區(qū)域地理圖文材料為載體，考查地形特征、地理位置特征、河流的水文特征、河流的水系特征、氣候特征等。高中地理特征描述類試題常見(jiàn)的設(shè)問(wèn)形式有：說(shuō)明……地理事物的特點(diǎn);描述……地理事物的狀況;歸納……地理事物的特征;簡(jiǎn)述……地理事物的特點(diǎn);概括……地理事物的主要特征;從……

鳳鳴高中地理特征描述類試題一般要求同學(xué)們描述事物的形態(tài)或者狀態(tài)。此類試題按對(duì)象可分為對(duì)地理事物特點(diǎn)的描述、對(duì)地理事物分布特點(diǎn)的描述和對(duì)地理事物發(fā)展變化過(guò)程特點(diǎn)的描述。高中地理特征描述類試題一般以區(qū)域地理圖文材料為載體，考查地形特征、地理位置特征、河流的水文特征、河流的水系特征、氣候特征等。高中地理特征描述類試題常見(jiàn)的設(shè)問(wèn)形式有：說(shuō)明……地理事物的特點(diǎn)；描述……地理事物的狀況；歸納……地理事物的特征；簡(jiǎn)述……地理事物的特點(diǎn)；概括……地理事物的主要特征；從……

識(shí)別過(guò)程中，特征描述是其中最為關(guān)鍵的一步，一個(gè)好的特征描述子能夠以極少的特征維度來(lái)最大限度的表征目標(biāo)，為后續(xù)高效準(zhǔn)確的特征匹配奠定基礎(chǔ)。基于手工特征的方法主要通過(guò)分析提取物體的特征點(diǎn)的幾何屬性［1］、形狀屬性［2］、結(jié)構(gòu)屬性［3］或者多種屬性組合等特征進(jìn)行對(duì)比、學(xué)習(xí)，從而完成目標(biāo)的識(shí)別與分類［4］。在現(xiàn)有的手工特征描述算法中基于直方圖的方法得到了最為廣泛地研究。這類方法首先利用點(diǎn)云的某些信息（如點(diǎn)坐標(biāo)、幾何屬性）定義直方圖的一個(gè)或多個(gè)維度，然后采用鄰域點(diǎn)的

為設(shè)計(jì)合理的特征描述方法來(lái)表征3D點(diǎn)云數(shù)據(jù)，之后通過(guò)場(chǎng)景和模型之間的特征匹配實(shí)現(xiàn)正確的識(shí)別，只要能夠?qū)崿F(xiàn)有效的特征表征，即可實(shí)現(xiàn)較好的在線環(huán)境感知。所以，目前基于手工計(jì)算的方法在3D 視覺(jué)領(lǐng)域的研究和應(yīng)用仍然是研究的熱點(diǎn)。根據(jù)數(shù)據(jù)特征表征方式的不同，基于手工計(jì)算的3D環(huán)境感知又可分為基于全局特征描述子的感知方法和基于局部特征描述子的感知方法?；谔卣骶植棵枋鲎拥母兄椒ㄒ?yàn)樗谡趽?、重疊、背景雜亂以及視角變化等場(chǎng)景中具有較好的魯棒性而被廣泛地研究。基于特征

處理技術(shù)中，特征描述子的檢測(cè)和描述能力直接影響著后繼的點(diǎn)云配準(zhǔn)、識(shí)別定位等環(huán)節(jié)，使用合適的特征描述子進(jìn)行特征提取往往能夠取得更好的效果[1- 2]。因此，如何運(yùn)用點(diǎn)云的形狀和紋理信息進(jìn)行高效率的特征提取是一個(gè)很有意義的研究課題[3]。點(diǎn)云特征描述技術(shù)發(fā)展至今已有多種多樣的局部特征描述子。在基于空間分布直方圖的局部特征描述子方面[4]，F(xiàn)rome等[5]提出三維形狀上下文(3D Shape Context,3DSC)描述子，將特征點(diǎn)的領(lǐng)域劃分為三維球形網(wǎng)格，

的SIFT 特征描述子，將矩形區(qū)域改為圓形區(qū)域來(lái)降低描述子的維度[8]。陳抒瑢等人提出Contourlet-SIFT 算法，該算法對(duì)尺度不變的特征進(jìn)行Contourlet 變換，并建立全局紋理描述子，適用于尺度和方向等變換比較明顯的場(chǎng)景[9]。李欽等提出PCA-SIFT 特征匹配算法，對(duì)SIFT 特征描述子進(jìn)行主成分分析,降低了SIFT 特征描述子的維度，從而提高配準(zhǔn)速度，但是PCA 算法的引入也增加了計(jì)算量[10]。許佳佳等提出基于Harris的SIFT

程量清單項(xiàng)目特征描述不符極易造成合同雙方產(chǎn)生經(jīng)濟(jì)糾紛，進(jìn)而為項(xiàng)目開(kāi)展、管理以及工程造價(jià)控制等工作造成影響。因此，應(yīng)探究有效預(yù)防招標(biāo)工程量清單項(xiàng)目特征描述不符問(wèn)題的措施，從而保證投標(biāo)報(bào)價(jià)的準(zhǔn)確合理性。1 研究招標(biāo)工程量清單項(xiàng)目特征描述不符的情況招標(biāo)工程量清單項(xiàng)目特征能夠?yàn)榍鍐雾?xiàng)目的區(qū)分、綜合單價(jià)的確定以及合同義務(wù)的履行奠定良好基礎(chǔ)，為使其能夠充分發(fā)揮作用，需要對(duì)項(xiàng)目特征進(jìn)行規(guī)范、準(zhǔn)確、全面描述。但是，從目前招標(biāo)工程量清單項(xiàng)目特征描述現(xiàn)狀來(lái)看，存在以下兩種情況

不變矩的圖像特征描述存在信息冗余，計(jì)算復(fù)雜，圖像表征能力不強(qiáng)等問(wèn)題，本文深入研究了正交的Gaussian-Krawtchouk矩及其不變矩的表達(dá)形式。依據(jù)不同的尺度因子特點(diǎn)，提出了基于多尺度Gaussian-Krawtchouk不變矩的圖像局部特征描述方法，并用于五種不同類型圖像的特征匹配。實(shí)驗(yàn)結(jié)果表明，這種不變矩較其他傳統(tǒng)的特征描述方法具有更好的圖像表征能力，更強(qiáng)的數(shù)字穩(wěn)健性。該不變矩用于圖像匹配是有效可行的，具有良好的實(shí)用價(jià)值。正交Gaussian-K

T;角點(diǎn)域;特征描述;FAST;垃圾分類中圖分類號(hào)：T18 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2020）20-0183-04Recognition Algorithm of Garhage Based on Feature of AGAST ComerSHEN Xin-jie， LAN Hao， ZENG Yu（College of Engineering and Design， Hunan Normal U niversity， Changsh

的集合參數(shù)和特征描述與處理，對(duì)青銅器鳳紋圖像邊緣檢測(cè)，最后利用視覺(jué)傳達(dá)技術(shù)對(duì)青銅器鳳紋圖像缺陷檢測(cè)，以此完成基于視覺(jué)傳達(dá)的青銅器鳳紋圖像缺陷檢測(cè)系統(tǒng)的設(shè)計(jì)。實(shí)驗(yàn)對(duì)比結(jié)果表明，此次設(shè)計(jì)的基于視覺(jué)傳達(dá)的青銅器鳳紋圖像缺陷檢測(cè)系統(tǒng)比傳統(tǒng)系統(tǒng)的圖像缺陷檢測(cè)時(shí)間短，能夠有效檢測(cè)青銅器鳳紋圖像缺陷特征。關(guān)鍵詞： 青銅器; 鳳紋圖像; 缺陷檢測(cè); 系統(tǒng)設(shè)計(jì); 視覺(jué)傳達(dá); 特征描述Abstract： The visual communication technology

采用SURF特征描述方法，在交互場(chǎng)景中利用靜止物體特征點(diǎn)，匹配動(dòng)態(tài)環(huán)境特征，完成姿態(tài)位置估計(jì)。還原成像關(guān)系示意圖，計(jì)算特征向量，區(qū)分動(dòng)靜態(tài)特征，利用計(jì)算機(jī)程序?qū)崿F(xiàn)動(dòng)態(tài)環(huán)境設(shè)計(jì)系統(tǒng)的開(kāi)發(fā)。設(shè)計(jì)對(duì)照實(shí)驗(yàn)，利用Framer Studio軟件模擬系統(tǒng)運(yùn)行狀態(tài)，測(cè)試系統(tǒng)性能。實(shí)驗(yàn)結(jié)果表明，所開(kāi)發(fā)的系統(tǒng)運(yùn)行響應(yīng)時(shí)長(zhǎng)與原有系統(tǒng)相比明顯縮短，能夠充分滿足用戶需求。關(guān)鍵詞： 動(dòng)態(tài)環(huán)境設(shè)計(jì); 交互場(chǎng)景; 中控電路; 特征描述; 系統(tǒng)設(shè)計(jì); 響應(yīng)時(shí)長(zhǎng)中圖分類號(hào)： TN99?34

通過(guò)計(jì)算圖像特征描述子與其所屬的聚類中心的差矢量來(lái)聚合圖像特征。如果給定N個(gè)D維的本地特征描述子{Xi}作為輸入，K個(gè)聚類中心{Ck}作為VLAD的元素，VLAD的輸出是一個(gè)D×K維的矩陣V。位置元素V(j,k)的計(jì)算公式如下：(1)式中：xi(j)和Ck(j)分別是第i個(gè)本地特征描述子和第k個(gè)聚類中心的第j維元素。1.3 詞袋法詞袋法(Bag-of-Words,BoW)[13]最早出現(xiàn)在自然語(yǔ)言處理和信息檢索領(lǐng)域。該模型忽略文本的語(yǔ)法和語(yǔ)序等要素，將其僅

基于HOG和特征描述子的人臉檢測(cè)與跟蹤算法。實(shí)驗(yàn)前先對(duì)視頻幀進(jìn)行預(yù)處理操作，利用直方圖均衡化進(jìn)行光照補(bǔ)償，利用中值濾波進(jìn)行圖像降噪；然后基于HOG特征檢測(cè)人臉；最后通過(guò)ResNet生成特征描述子，利用結(jié)合特征描述子的校正策略獲得跟蹤結(jié)果。筆者算法能夠減少光照和噪聲的影響，而且可以在多人臉干擾和人臉姿態(tài)不斷變化的情況下區(qū)分不同的人臉。算法分為基于HOG特征的人臉檢測(cè)過(guò)程和基于特征描述子的人臉跟蹤過(guò)程，下文將按照上述思路分別進(jìn)行說(shuō)明。1 基于HOG特征的人臉檢

以下內(nèi)容：“特征描述：藻體暗褐色，半球形?；坑杀”诩?xì)胞組成墊狀假膜體。著生于假膜組織細(xì)胞上的同化絲可分成長(zhǎng)同化絲和側(cè)絲(短同化絲)。無(wú)毛。單室囊和多室囊同體。習(xí)性和產(chǎn)地：在中潮帶附著于Sargassumconfusum藻體上，與Halothrixgracilis等混生。產(chǎn)于大連。地理分布：中國(guó)渤海。模式標(biāo)本產(chǎn)地：中國(guó)大連。2.4 細(xì)枝短毛藻（新種）（圖 2）Elachista tenuissimaLuan et Ding sp.nov.”。謹(jǐn)向作者和讀者

點(diǎn)檢測(cè)并提取特征描述子，然后統(tǒng)計(jì)超像素塊內(nèi)的興趣點(diǎn)個(gè)數(shù)，根據(jù)興趣點(diǎn)密度對(duì)超像素塊內(nèi)的特征描述子進(jìn)行加權(quán)并進(jìn)行局部約束線性編碼處理，最后利用機(jī)器學(xué)習(xí)方法進(jìn)行圖像美學(xué)質(zhì)量評(píng)價(jià)。實(shí)驗(yàn)結(jié)果表明該方法用來(lái)圖像美學(xué)質(zhì)量評(píng)價(jià)大大減少了特征維度和計(jì)算時(shí)間，提高了評(píng)價(jià)模型的準(zhǔn)確率。關(guān) 鍵 詞 圖像美學(xué);質(zhì)量評(píng)價(jià);超像素分割;興趣點(diǎn)密度加權(quán)中圖分類號(hào) TP391.4? ? ?文獻(xiàn)標(biāo)志碼 AAbstract The aesthetic evaluation model has

的選取和計(jì)算特征描述子過(guò)程中話費(fèi)大量的時(shí)間，嚴(yán)重影響算法的效率。本文在特征點(diǎn)的選取中使用固定數(shù)采樣，降低特征點(diǎn)數(shù)目并且保存特征點(diǎn)的整體信息，然后采用質(zhì)心邊界距離描述子對(duì)輪廓進(jìn)行描述，最后再將位置信息降維，生成一維的輪廓特征對(duì)目標(biāo)運(yùn)動(dòng)狀態(tài)進(jìn)行描述。1 固定數(shù)采樣固定數(shù)采樣法，是在等間隔采樣方法的基礎(chǔ)上提出的新的采樣方法，當(dāng)各組數(shù)據(jù)長(zhǎng)度不同的情況，等間隔采樣法計(jì)算出來(lái)的間隔是不同的，并且大多情況下不是整數(shù)，如果將采樣間隔近似，就會(huì)造成采樣不均勻，存在區(qū)域遺漏，

V)作為混合特征描述測(cè)度，提取等高線幾何形態(tài)特征，將等高線節(jié)點(diǎn)序列轉(zhuǎn)化為空間幾何形態(tài)特征描述序列，并引入最長(zhǎng)公共子序列算法(longest common subsequence solution,LCSS)，量化計(jì)算多源等高線之間在幾何形態(tài)上的相似和差異程度，實(shí)現(xiàn)同名等高線匹配，并利用模擬數(shù)據(jù)和真實(shí)數(shù)據(jù)進(jìn)行試驗(yàn)驗(yàn)證。試驗(yàn)結(jié)果證明本文提出的基于幾何特征相似性的等高線匹配策略具有較高匹配精度和運(yùn)行效率，并具有較好的適用范圍，實(shí)現(xiàn)了融合位置特性和幾何形態(tài)特性的等

特征點(diǎn)并構(gòu)建特征描述子；在此基礎(chǔ)上，根據(jù)相似性度量實(shí)現(xiàn)匹配。其中，特征描述子構(gòu)建是實(shí)現(xiàn)快速匹配的關(guān)鍵[1-5]。針對(duì)特征描述子構(gòu)建，文獻(xiàn)[6]提出將SIFT(scale-invariant feature transform)[7]與KDES-G(gradient kernel descriptor)特征[8]進(jìn)行級(jí)聯(lián)融合獲取聯(lián)合向量，以提高特征描述子的魯棒性。SURF(speed up robust features)算法[9]針對(duì)SIFT算子實(shí)時(shí)性不高

ns）3 D特征描述子，速度和精度都優(yōu)于FPFH[10]、3D-SURF[11]等3D特征描述子。2015年，Prakhya等[12]對(duì)SHOT 3D特征描述子進(jìn)行改進(jìn)，提出了二進(jìn)制SHOT(binary signatures of histograms of orientations,b-SHOT)的3D特征描述子，提高了SHOT特征描述子的速度和精度。本文主要研究利用B-SHOT特征描述子進(jìn)行點(diǎn)云粗配準(zhǔn)并結(jié)合3D-NDT實(shí)現(xiàn)點(diǎn)云數(shù)據(jù)的自動(dòng)配準(zhǔn)。1 B-

學(xué)；微課程；特征描述科學(xué)微課程作為一種新生事物，以其“微而精”為廣大學(xué)生提供了一個(gè)嶄新的學(xué)習(xí)平臺(tái)，優(yōu)化了傳統(tǒng)的科學(xué)課堂教學(xué)，提升了知識(shí)傳輸?shù)男?，逐步?shí)現(xiàn)自主高效學(xué)習(xí)策略，將碎片化的知識(shí)與信息在最短的時(shí)間內(nèi)整合成壓縮餅干式的精華信息，減少了課堂的時(shí)間消耗，成為小學(xué)科學(xué)課堂教學(xué)的合理補(bǔ)充、學(xué)生學(xué)習(xí)的新手段、教師專業(yè)發(fā)展的重要載體。一、選題體現(xiàn)先進(jìn)的科學(xué)思想，實(shí)現(xiàn)動(dòng)手動(dòng)腦做實(shí)科學(xué)科學(xué)微課程選題應(yīng)體現(xiàn)先進(jìn)的科學(xué)課改思想，利于學(xué)生動(dòng)手動(dòng)腦做科學(xué)，能關(guān)注學(xué)生的生活經(jīng)

特征和健壯的特征描述.從20世紀(jì)80年代開(kāi)始，人們已經(jīng)開(kāi)始進(jìn)行簡(jiǎn)單的圖像領(lǐng)域研究.但是由于計(jì)算機(jī)硬件的限制，當(dāng)時(shí)的圖像領(lǐng)域研究只能采用一些特征點(diǎn)的對(duì)應(yīng)關(guān)系做射影幾何，選擇一些線條作形狀的分析，Harris角點(diǎn)探測(cè)子[9]就屬于其中有關(guān)圖像特征的研究成果.到了90年代末本世紀(jì)初，隨著計(jì)算機(jī)硬件的革新，大批高效的圖像描述子提取方法被提出，其中包括Lowe提出的SIFT特征檢測(cè)和局部描述子[10]，其通過(guò)收集梯度直方圖來(lái)得到最終的圖像描述.直至今日，仍有大批的學(xué)

列的底層局部特征描述子，然后將這些局部特征描述子作為視覺(jué)詞袋模型(BoVW)[8]的輸入獲得視頻序列的全局表達(dá)，最后將這種視頻全局表達(dá)作為支持向量機(jī)的輸入進(jìn)行分類識(shí)別，取得了較好的識(shí)別效果。在目前的行為識(shí)別算法中，基于視覺(jué)詞袋模型的方法是研究熱點(diǎn)之一。在傳統(tǒng)的視覺(jué)詞袋模型中，對(duì)所有視頻的一部分局部特征描述子進(jìn)行一次k-means聚類而形成的碼本，其視覺(jué)詞匯并不具有很好的代表性。而有效的字典學(xué)習(xí)是視覺(jué)詞袋模型的關(guān)鍵步驟，文中提出對(duì)視頻中提取的局部特征描述子根

】特征檢測(cè)；特征描述；評(píng)價(jià)方法中圖分類號(hào)： TG485 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 2095-2457（2018）32-0090-002DOI：10.19694/j.cnki.issn2095-2457.2018.32.041【Abstract】Rational evaluation of the performance of various feature algorithms is helpful to guide people to make co

是SIFT的特征描述子向量是128維[4]的，導(dǎo)致運(yùn)算量過(guò)大，計(jì)算過(guò)于復(fù)雜，這對(duì)于實(shí)時(shí)性要求比較高的情況，如目標(biāo)在線識(shí)別、機(jī)器人單目視覺(jué)等存在一定的局限性。為降低特征描述子維數(shù)并提高匹配精度，科研人員提出了多種基于SIFT的改進(jìn)算法[5]。將主成分分析法（Principal Component Analysis，PCA）與SIFT算法相結(jié)合[6]，可以對(duì)SIFT算子進(jìn)行降維，特征描述子的維數(shù)可以從128維降到20維，但是匹配精度較差；國(guó)外的Mikolajc

度量的圖像譜特征描述張?jiān)娗?，鮑文霞1，2，余國(guó)芬1（1.安徽大學(xué)電子信息工程學(xué)院，安徽 合肥 230601；2.偏振光成像探測(cè)技術(shù)安徽省重點(diǎn)實(shí)驗(yàn)室，安徽 合肥 230031）傳統(tǒng)的譜特征描述過(guò)程中采用的是不能反映樣本間潛在關(guān)系的歐式距離進(jìn)行度量的.為更好地區(qū)分?jǐn)?shù)據(jù)之間的聯(lián)系，提出基于馬氏度量的圖像譜特征描述算法.首先，對(duì)特征點(diǎn)及其周圍特征點(diǎn)按照馬氏距離進(jìn)行分層，并在每層上面構(gòu)造相應(yīng)的結(jié)構(gòu)圖及計(jì)算其關(guān)聯(lián)矩陣；接著，對(duì)關(guān)聯(lián)矩陣進(jìn)行譜分解得到其特征值向量和譜隙

；評(píng)價(jià)行為；特征描述【課題項(xiàng)目】本文為福建省教育科學(xué)規(guī)劃十二五規(guī)劃2013年度課題課題（立項(xiàng)編號(hào)：FJJKXB13-173）研究成果。【中圖分類號(hào)】G633.8 【文獻(xiàn)標(biāo)識(shí)碼】B 【文章編號(hào)】2095-3089（2017）06-0285-02一、問(wèn)題的提出在教育主管部門(mén)和學(xué)校的重視和推動(dòng)下，一輪又一輪的新課程培訓(xùn)得以相繼展開(kāi)，教師的教育教學(xué)理念和課堂教學(xué)行為呈現(xiàn)了許多積極的新變化。但在深入課堂聽(tīng)課和組織開(kāi)展教研活動(dòng)時(shí)發(fā)現(xiàn)，部分一線教師在對(duì)教學(xué)目標(biāo)的表述和落

圖像集RGB特征描述的混合高斯參數(shù)；求取匹配圖像塊集的Fisher Vector特征矢量；求取訓(xùn)練圖像集的最終特征描述和測(cè)試圖像集的最終特征描述；利用SVM對(duì)訓(xùn)練圖像集的最終特征描述進(jìn)行訓(xùn)練，得到分類模型；利用分類模型對(duì)測(cè)試圖像集的最終特征描述進(jìn)行分類。該發(fā)明具有分類準(zhǔn)確率較高的優(yōu)點(diǎn)，可應(yīng)用于互聯(lián)網(wǎng)通信、交通和公共安全領(lǐng)域。

標(biāo)框架以獲得特征描述子對(duì)旋轉(zhuǎn)和平移的不變性；將關(guān)鍵點(diǎn)局部鄰域劃分成多個(gè)子空間，并依據(jù)每個(gè)子空間中的點(diǎn)對(duì)不變量構(gòu)建一個(gè)直方圖；將所有直方圖串聯(lián)起來(lái)得到擴(kuò)展點(diǎn)特征直方圖特征描述子。采用Bologna公共數(shù)據(jù)集對(duì)擴(kuò)展點(diǎn)特征直方圖特征描述子的性能進(jìn)行測(cè)試，并與多個(gè)現(xiàn)有算法進(jìn)行對(duì)比。結(jié)果表明，擴(kuò)展點(diǎn)特征直方圖特征描述子獲得了良好的性能，其結(jié)果優(yōu)于多個(gè)現(xiàn)有的特征描述子。點(diǎn)云；局部特征；特征表示；點(diǎn)集；特征直方圖特征提取是計(jì)算機(jī)視覺(jué)和模式識(shí)別領(lǐng)域的一個(gè)核心基礎(chǔ)問(wèn)題，目前

;空間定位;特征描述;原因分析;問(wèn)題及治理中圖分類號(hào)：G633.55 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)：1992-7711（2016）02-001-01一、區(qū)域地理復(fù)習(xí)的宏觀把握區(qū)域地理問(wèn)題是一個(gè)綜合性很強(qiáng)的問(wèn)題，它是以相對(duì)獨(dú)立的地理知識(shí)點(diǎn)為基礎(chǔ)，以地理環(huán)境的內(nèi)在聯(lián)系性和人類與地理環(huán)境的相互影響關(guān)系為脈絡(luò)的。因此，在指導(dǎo)學(xué)生復(fù)

斑塊、坑洞的特征描述和表示方法。初步實(shí)驗(yàn)結(jié)果顯示，該方法能較有效地支持虹膜圖像特征的表示與度量?！碴P(guān)鍵詞〕中醫(yī)目診;虹膜診斷;虹膜圖像特征;特征描述Study on Description Method of Iris Image Features Based on TCM Eyes DiagnosisMU Jun, YAN Junfeng, PENG Qinghua*(Hunan University of Chinese Medicine, Chang

不變性的局部特征描述算子。文獻(xiàn)［3］通過(guò)實(shí)驗(yàn)證明了SIFT 算法對(duì)光照、幾何變形、分辨率差異和旋轉(zhuǎn)具有一定的不變性，是識(shí)別率最佳的算法之一。大多數(shù)圖像匹配算法是將彩色圖像轉(zhuǎn)化為灰度圖像，利用灰度信息尋找圖像中的幾何不變量，進(jìn)行圖像的匹配。SIFT 算法也只使用圖像的灰度信息，忽略顏色信息，導(dǎo)致對(duì)彩色目標(biāo)匹配能力降低。為了對(duì)彩色目標(biāo)獲得更高的識(shí)別率，研究者提出了各種彩色SIFT 描述子，特別是根據(jù)各種光照不變性模型提出的各種彩色SIFT 描述子，如HSVSI

義原和概念的特征描述2個(gè)方面綜合計(jì)算詞語(yǔ)相似度。運(yùn)用義原樹(shù)的樹(shù)形層次結(jié)構(gòu)，得到義原的深度信息量，再考慮義原的路徑計(jì)算得到義原相似度。通過(guò)層次特征類型匹配計(jì)算概念特征描述的相似度。綜合主類義原相似度、概念特征描述相似度以及義原之間的對(duì)義、反義關(guān)系計(jì)算得到詞語(yǔ)相似度。實(shí)驗(yàn)結(jié)果表明，該方法得到的詞語(yǔ)相似度計(jì)算結(jié)果與人的主觀認(rèn)識(shí)趨于一致。詞語(yǔ)相似度；2008版《知網(wǎng)》；義原；深度信息量；路徑；特征描述1 概述在自然語(yǔ)言處理領(lǐng)域，詞語(yǔ)相似度計(jì)算被廣泛地應(yīng)用于信息檢索

進(jìn)行了形態(tài)學(xué)特征描述和圖解。研究標(biāo)本保存在遵義師范學(xué)院真菌標(biāo)本室（HMZNC）。關(guān)鍵詞 分類；火棘芽串孢中圖分類號(hào) Q939 文獻(xiàn)標(biāo)識(shí)碼 A1 IntroductionDuring a continuing exploration for saprobic microfungi in Xishui National Nature Reserve of Guizhou， China， Blastocatena pyracanthae as one new s

產(chǎn)品特征詞及特征描述詞,將其結(jié)合組成用戶體驗(yàn)信息,自動(dòng)獲取信息能夠迅速、準(zhǔn)確地從客戶評(píng)論中提取信息。實(shí)驗(yàn)結(jié)果證明了該方法的有效性,并且能夠保證較高的準(zhǔn)確率與查全率?？蛻粼u(píng)論;特征挖掘;情感分析;語(yǔ)義片段提取;用戶體驗(yàn);語(yǔ)義相似度1 概述隨著電子商務(wù)、微博的興起,人們的衣食住行與互聯(lián)網(wǎng)的關(guān)系越來(lái)越密切,互聯(lián)網(wǎng)中的信息也隨之飛速增長(zhǎng)。電子商務(wù)中的客戶評(píng)論數(shù)量急劇增長(zhǎng)使得用戶想要在評(píng)論中快速準(zhǔn)確的獲取到其他用戶的體驗(yàn)信息變得困難?？蛻粼u(píng)論的特點(diǎn)有:數(shù)量大,在主流

計(jì)算128維特征描述子的時(shí)間最長(zhǎng)這一缺點(diǎn)，提出了一種改進(jìn)的SIFT配準(zhǔn)算法，該算法的原理為通過(guò)放棄對(duì)128維特征描述子的計(jì)算，采用特征點(diǎn)之間的灰度相關(guān)系數(shù)來(lái)進(jìn)行初始匹配，以期大大減少計(jì)算時(shí)間，提高特征匹配速度。實(shí)驗(yàn)結(jié)果證明，該算法在配準(zhǔn)結(jié)果、時(shí)間消耗上明顯優(yōu)于傳統(tǒng)配置算法。特征點(diǎn)檢測(cè);特征匹配;SIFT配準(zhǔn)算法;超分辨率重建單視頻超分辨率重建中，只涉及到空間分辨率的增強(qiáng)。由于單視頻超分辨率重建的特殊性，傳統(tǒng)的基于SIFT特征點(diǎn)檢測(cè)的配準(zhǔn)只是一種通用解決方案

及BRISK特征描述算子的性能最符合畫(huà)幅式紅外拼接系統(tǒng)的需要。最后在CPU＋GPGPU平臺(tái)上實(shí)現(xiàn)了以O(shè)RB＋BRISK算子為特征算子的紅外圖像實(shí)時(shí)拼接系統(tǒng)，并利用熱紅外遙感圖像進(jìn)行了拼接的性能驗(yàn)證。紅外圖像；點(diǎn)特征算子；實(shí)時(shí)拼接；GPGPU；ORB；BRISK0 引言在機(jī)載的對(duì)地觀測(cè)領(lǐng)域，熱紅外波段是重要的遙感波段。隨著紅外遙感觀測(cè)的發(fā)展，大視場(chǎng)高空間分辨率的熱紅外圖像在軍事偵察、快速災(zāi)情監(jiān)測(cè)、大視場(chǎng)地質(zhì)勘探等方面的應(yīng)用越來(lái)越廣泛。由于紅外材料和工藝的限制

;局部特征;特征描述;線圖圖像匹配是指通過(guò)一定的匹配算法尋找兩幅或多幅圖像中像素點(diǎn)之間的匹配關(guān)系,是計(jì)算機(jī)視覺(jué)、圖像處理、模式識(shí)別等領(lǐng)域的研究熱點(diǎn),也是眾多相關(guān)理論研究的基礎(chǔ).根據(jù)匹配基元的不同,可以將圖像匹配方法分為3類:區(qū)域匹配、相位匹配和特征匹配方法[1],其中特征匹配方法相對(duì)于另外兩類方法具有計(jì)算量小、速度快、魯棒性高等優(yōu)點(diǎn),是應(yīng)用較多的一種方法.特征匹配方法首先對(duì)圖像進(jìn)行預(yù)處理以提取其高層次的特征,然后建立兩幅圖像之間特征的匹配關(guān)系,通常使用的特

引言圖像局部特征描述子是近年來(lái)計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)之一，被廣泛地應(yīng)用于圖像匹配，目標(biāo)跟蹤，圖像檢索等視覺(jué)應(yīng)用中[13]-。局部特征描述方法為局部特征點(diǎn)構(gòu)建魯棒的鄰域信息表示，對(duì)尺度、旋轉(zhuǎn)、視角等圖像變換，以及噪聲、遮擋等因素具有很強(qiáng)的適應(yīng)性。局部特征描述子研究一個(gè)基本問(wèn)題是：如何在特征點(diǎn)鄰域內(nèi)尋找到相關(guān)信息并對(duì)其進(jìn)行有效的編碼[4]，本文將著重探討局部特征描述子的構(gòu)建方法。目前，研究者已經(jīng)提出多種局部特征描述方法來(lái)定量化描述特征區(qū)域的形狀和紋理特性。最

1）圖像局部特征描述是圖像處理與計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)[1-3]。圖像局部特征描述是指用一定的方法描述圖像特征點(diǎn)周圍一片區(qū)域的特征信息。描述方法要使得相同特征或相同場(chǎng)景的描述盡可能的一致，而不同的特征或不同場(chǎng)景的描述差異性盡可能的大。近幾年，有很多圖像的特征描述方法被提出。這些方法主要可以分為三類：基于濾波的方法[4-5]、基于矩的方法[6-7]與基于像素分布的方法[8-9]。其中基于像素分布的方法被應(yīng)用較多，尤其是 SIFT[10]與形狀上下文[11]

間金字塔局部特征描述，該特征描述在性能上優(yōu)于 SIFT［8］、GLOH［9］、CS-LBP［10］等描述，并以該局部特征描述作為特征點(diǎn)之間相似性的度量方式，重構(gòu)鄰接矩陣，通過(guò)譜分解獲取特征點(diǎn)匹配關(guān)系.1 改進(jìn)的CS-LBP特征值CS-LBP描述子是在局部二元模式（Local Binary Pattern，LBP）［11］描述子基礎(chǔ)上，為了減少二進(jìn)制模式，而僅通過(guò)比較基于中心對(duì)稱的兩個(gè)鄰域點(diǎn)的灰度值來(lái)進(jìn)行編碼的紋理描述子.為了使特征描述進(jìn)一步具有旋轉(zhuǎn)不變性，

FT算法中的特征描述子進(jìn)行了改進(jìn)，用圓形代替矩形并對(duì)區(qū)域進(jìn)行分層，越靠近關(guān)鍵點(diǎn)層數(shù)越多，相當(dāng)于對(duì)中心區(qū)域進(jìn)行了加權(quán)，并通過(guò)仿真給出了最佳加權(quán)層數(shù)和特征描述子方向數(shù)。仿真實(shí)驗(yàn)表明:該算法不但滿足了匹配正確率和實(shí)時(shí)性的要求，而且具有很高的穩(wěn)定性和魯棒性，能夠滿足目標(biāo)跟蹤的實(shí)時(shí)性要求?？焖賁IFT算法;特征匹配;目標(biāo)跟蹤;實(shí)時(shí)性視覺(jué)跟蹤是計(jì)算機(jī)視覺(jué)和人工智能領(lǐng)域的重要研究課題之一，在視頻監(jiān)控、智能人機(jī)交互、精確制導(dǎo)武器成像制導(dǎo)等諸多領(lǐng)域具有廣闊的應(yīng)用前景?；谔?/div>

兵器裝備工程學(xué)報(bào) 2014年7期2014-06-28

00240）特征描述的方法已經(jīng)廣泛應(yīng)用于計(jì)算機(jī)視覺(jué)的許多領(lǐng)域,比如目標(biāo)識(shí)別與跟蹤、紋理識(shí)別、寬基線匹配、圖像檢索和全景圖像拼接等.其基本思想是在檢測(cè)感興趣點(diǎn)或感興趣區(qū)域的基礎(chǔ)上計(jì)算不變特征描述子.通過(guò)計(jì)算獲得特征描述子,可以使得不同圖像之間的特征匹配在一些相似性度量下得到自動(dòng)確定.特征描述的方法主要分為3類：基于灰度值、基于灰度階以及基于灰度值與灰度階結(jié)合的方法.基于灰度值的特征描述方法中最著名的是SIFT（Scale Invariant Feature

T算法構(gòu)造的特征描述算子具有128維，高維度造成了計(jì)算復(fù)雜度過(guò)高。因此，許多學(xué)者對(duì)其進(jìn)行了相關(guān)改進(jìn)。文獻(xiàn)[5]提出了 SURF(Speeded Up Robust Features)算子，將Hessian矩陣和Haar小波相結(jié)合，使得特征描述算子的維度降為 64維。在文獻(xiàn)[6]中，主成分分析法 PCA(Principal Components Analysis)將傳 統(tǒng)SIFT算法的128維的特征描述算子降低至36維，但是PCA方法在構(gòu)造特征描述算子的計(jì)算

程量清單項(xiàng)目特征描述不完整或錯(cuò)誤項(xiàng)目特征是用來(lái)描述項(xiàng)目名稱實(shí)質(zhì)內(nèi)容，直接影響工程實(shí)體的自身價(jià)值，用于區(qū)分清單條目下各具體的清單項(xiàng)目，是對(duì)體現(xiàn)分部分項(xiàng)工程量清單、措施項(xiàng)目清單價(jià)值的持有屬性和本質(zhì)特征的描述，由于項(xiàng)目特征描述不準(zhǔn)確所導(dǎo)致竣工結(jié)算糾紛比比皆是，下文將對(duì)項(xiàng)目特征描述不完整和錯(cuò)誤進(jìn)行分析。1）特征描述不完整項(xiàng)目特征描述不完備主要指對(duì)于清單計(jì)價(jià)規(guī)范中規(guī)定必須描述的內(nèi)容展開(kāi)了全面的描述。對(duì)其中任何一項(xiàng)必須描述的內(nèi)容而沒(méi)有進(jìn)行描述時(shí)都將影響綜合單價(jià)的確定。

，SURF 特征描述子應(yīng)用在目標(biāo)跟蹤中也獲得了良好的效果［1～3］。與 GLOH，SIFT［4，5］等經(jīng)典局部不變特征描述子相比較，SURF 具有區(qū)分度好，運(yùn)算速度快等優(yōu)點(diǎn)。但是在描述子生成階段，SURF［6］需要求取特征點(diǎn)鄰域像素的主方向，在區(qū)域內(nèi)以主方向?yàn)榛鶞?zhǔn)求取采樣點(diǎn)的Haar 小波響應(yīng)，從而生成局部特征描述子，運(yùn)算過(guò)程包含大量浮點(diǎn)運(yùn)算，并且邏輯復(fù)雜，優(yōu)化難度大，基于SURF 的算法難于在嵌入式系統(tǒng)中實(shí)時(shí)實(shí)現(xiàn)。而在實(shí)際應(yīng)用中目標(biāo)跟蹤算法常常需要在嵌入

中128維的特征描述子向量的計(jì)算上.并且，在多對(duì)一的歧義消除中，還發(fā)現(xiàn)利用特征描述子的歐式距離的消除法出現(xiàn)了錯(cuò)誤選擇.因此，要想對(duì)算法的效率進(jìn)行大的優(yōu)化，就必須從特征描述子進(jìn)行改進(jìn).目前圖像的配準(zhǔn)主要有四個(gè)步驟:SIFT特征點(diǎn)檢測(cè)，初始配對(duì)，歧義誤匹配消除和變換參數(shù)矩陣計(jì)算.其中，除了變換參數(shù)矩陣計(jì)算之外，其余的都用到了SIFT算法的特征描述子.特征描述子是一個(gè)128維的歸一化向量，能夠表達(dá)豐富的圖像梯度信息，總共包含了特征點(diǎn)周圍16個(gè)4×4鄰域內(nèi)的8個(gè)方