Image Matching Using SIFT, SURF, BRIEF and ORB: Performance Comparison for Distorted Images
Faculty of Engineering and Applied Sciences, Memorial University(纽芬兰纪念大学工程与应用科学学院)
快速、鲁棒的图像匹配在计算机视觉和机器人技术中有着广泛的应用。在本文中,我们比较了三种不同的图像匹配技术的性能,即,SIFT、SURF和ORB,以抵抗不同类型的变换和变形,如缩放、旋转、噪波、鱼眼失真和剪切。为了这个目的,我们手动应用不同类型的原始图像上的变换和计算匹配的评价参数,如图像中的关键点的数量,匹配率,和每个算法所需的执行时间,我们将表明,该算法是最好的更强大的对每种失真。索引项-图像匹配,尺度不变特征变换(SIFT),加速鲁棒特征(SURF),鲁棒独立基本特征(BRIEF),定向FAST,旋转(ORB)。
2017-10-07 cs.CV
Ear Identification by Fusion of Segmented Slice Regions using Invariant Features: An Experimental Manifold with Dual Fusion Approach
Dr. B. C. Roy Engineering College(B.C.罗伊工程学院);Indian Institute of Technology Kanpur(印度理工学院坎普尔分校);Jadavpur University(jadavpur大学)
本文提出了一种鲁棒的人耳识别系统,它是通过融合SIFT特征的颜色分割切片区域的人耳。该方法利用高斯混合模型(GMM),采用矢量量化算法建立高斯混合人耳模型,并将K-L散度应用于GMM框架,通过比较一对参考人耳和探测人耳之间的颜色相似度,记录指定范围内的颜色相似度。然后,作为不变特征提取的一部分,从每个颜色切片区域检测和提取SIFT特征。然后,提取的关键点分别融合的两种融合方法,即级联和Dempster-Shafer理论。最后,融合方法产生两个独立的增广特征向量,分别用于识别个人。建议的识别技术进行了测试IIT坎普尔耳数据库的400个人,并发现达到98.25%的识别准确率,而前5名匹配的标准,为每个主题。
2010-07-21 cs.CV
DTM: Deformable Template Matching
U.S. Army Research Laboratory(美国陆军研究实验室)
本文提出了一种新的模板匹配算法,它可以结合变形部分的概念。与物体识别中采用的可变形零件模型(DEPERFORMANCE PARTMENT MODEL,简称DTM)不同,所提出的模板匹配方法称为可变形模板匹配(Deformable Template Matching,DTM),不需要训练步骤。相反,变形是通过一组预定义的基本规则来实现的(例如,左子片不能穿过右片)。使用PASCAL VOC 07数据集对这种新方法进行的实验评估表明,与传统的模板匹配算法相比,这种方法的性能有了很大的提高。此外,为了确认DTM的适用性,将该概念应用于旋转不变SIFT描述符的生成。采用变形匹配的SIFT特征的实验评估显示,与传统的SIFT匹配相比,匹配特征的数量增加。
2016-04-12 cs.CV
SIFT-Aided Rectified 2D-DIC for Displacement and Strain Measurements in Asphalt Concrete Testing
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对沥青混凝土2D-DIC测量中相机非垂直导致的误差,提出基于SIFT特征匹配与图像校正的无额外设备方法,并通过合成图像、断裂试验及CrackPropNet验证其精度与实用性。
2024-02-29 cs.CV
Feature Identification and Matching for Hand Hygiene Pose
Technological University, Dublin(都柏林理工大学)
比较和评价了计算机视觉中三种常用的特征描述符SIFT、SURF和ORB。针对原始手部卫生姿势--搓手掌对掌图像和旋转图像,提取并匹配了正确的特征数。根据匹配总数和生成的正确匹配数计算的准确性分数。实验表明,ORB算法在更短的时间内给出了大量的正确匹配,从而取得了更好的效果。ORB特征检测技术应用于洗手视频记录的特征提取和手部卫生姿势分类作为未来的工作。OpenCV用于在Python脚本中应用算法。
2021-08-14 cs.CV
Asian Stamps Identification and Classification System
Multimedia University(多媒体大学)
在本文中,我们解决的问题,邮票识别。目标是将给定的邮票分类到某个国家,并确定其出版的年份。提出了一种基于颜色信息和纹理信息描述邮票图像的邮票识别方法。对于颜色信息,我们使用整个图像的颜色直方图,对于纹理,我们使用两个特征。基于局部特征描述子的SIFT和基于稠密纹理描述子的HOG。因此,我们总共有三种不同类型的功能。我们的初步评估表明,给这些信息,我们能够以合理的准确度分类的图像。
2017-09-15 cs.CV
Offline Text-Independent Writer Identification based on word level data
Indian Institute of Technology Guwahati(印度理工学院古瓦哈提分校)
本文提出一种基于词级手写图像的文本无关书写者识别方法,利用SIFT关键点、CNN特征图和梯度直方图生成固定表示,并通过熵加权降低计算负担,在CVL和IAM数据库上验证了其有效性。
2022-07-05 cs.CV
Siamese based Neural Network for Offline Writer Identification on word level data
Indian Institute of Technology Guwahati(印度理工学院古瓦哈提分校)
手写体识别是文档理解和分析的理想属性之一。它关注的是区分作者的文件写作风格和特点。文本图像的多样性,特别是具有不同笔迹的图像,使得在数据很少的情况下学习好特征的过程变得困难。在本文中,我们提出了一种新的方案,以确定作者的文件的基础上输入的文字图像。我们的方法是文本无关的,不施加任何限制的输入图像的大小进行检查。首先,我们检测笔迹中的关键成分,并使用尺度不变特征变换(SIFT)提取它们周围的区域。这些补丁旨在捕获可能对单个作者唯一的单个书写特征(包括异体字、字符或字符组合)。然后,这些特征通过深度卷积神经网络(CNN),其中通过使用Siamese网络应用相似性学习的概念来学习权重。Siamese网络通过映射不同对输入图像之间的相似性来增强CNN的区分能力。使用稀疏PCA对提取的SIFT关键点在不同尺度上学习的特征进行编码,稀疏PCA的每个分量被分配一个显著性分数,该分数表示其在有效区分不同作者方面的显著性水平。最后,将与每个SIFT关键点相对应的加权稀疏PCA组合以获得每个作者的最终分类得分。该算法在两个公共数据库(即IAM和CVL)上进行了评估,并与其他基于深度学习的算法相比,能够取得令人满意的结果。
2022-11-17 cs.CV cs.LG
DefSynUS: Real-time Patient-specific Intrahepatic Vessel Identification via Deformation-Aware CT-US Domain Adaptation
Inria(法国国家信息与自动化研究所);University of Strasbourg(斯特拉斯堡大学);Technical University of Munich(慕尼黑技术大学);University of Basel(巴塞尔大学);Institute of Image-Guided Surgery(图像引导手术研究所)
提出一种基于物理渲染和形变感知数据增强的域自适应框架,无需术前超声即可实现术中实时、患者特异性的肝内血管分支识别。
2026-05-28 cs.CV
Features extraction for image identification using computer vision
Kenyatta University(肯雅塔大学);Pan-African University(泛非大学);Nankai University(南开大学)
该研究综述面向图像识别的计算机视觉特征提取方法,重点分析 ViT 架构及其相较 CNN 的优势,并通过实验比较各类深度与传统特征方法的优劣和应用价值。
2025-07-22 cs.CV
Tree bark re-identification using a deep-learning feature descriptor
Université Laval(拉瓦尔大学)
视觉上重新识别物体的能力是视觉系统中的基本能力。通常,它依赖于基于描述符的视觉签名集合,例如SIFT或SURF。然而,这些传统的描述符被设计用于表面外观和几何形状的某个域(有限的浮雕)。因此,树皮等高度纹理化的表面对它们构成了挑战。反过来,这使得使用树木作为导航目的(机器人)的可识别地标或沿着供应链(物流)跟踪砍伐的木材变得更加困难。因此,我们建议使用数据驱动的描述符训练树皮图像的树表面重新识别。为此,我们收集了一个大型数据集,其中包含2,400个具有强烈照明变化的树皮图像,通过表面进行注释并具有像素对齐的能力。我们使用这个数据集从超过200万个64x64像素的补丁中采样,以训练我们的新局部描述符DeepBark和SqueezeBark。我们的DeepBark方法相对于手工制作的描述符SIFT和SURF显示出明显的优势。例如,我们证明了DeepBark在检索11个相关的树皮图像时可以达到87.2%的mAP,即对应于相同的物理表面,对7,900个图像进行树皮查询。因此,我们的工作表明,重新识别树表面在一个具有挑战性的照明环境是可能的。我们还公开了我们的数据集,它可以用于基准表面重新识别技术。
2020-04-01 cs.CV cs.LG stat.ML
View Confusion Feature Learning for Person Re-identification
Chongqing University(重庆大学)
人物重新识别是视频监控中的一项重要任务,其目的是将不同位置和时间的摄像机视图中的人物关联起来。视图可变性一直是一个具有挑战性的问题,严重降低了人的重新识别性能。现有的方法大多集中在如何学习视图不变特征或如何组合视图特征。在本文中,我们主要关注如何学习视图不变的功能,摆脱了特定的信息,通过视图混淆学习机制。具体来说,我们提出了一个端到端的可训练框架,称为视图混淆特征学习(VCFL),用于跨摄像机的人员Re-ID。据我们所知,VCFL最初被提出来学习视图不变的身份方式的功能,它是一种视图通用和视图特定的方法相结合。分类器和特征中心被用来实现视图混淆。此外,我们使用词袋模型提取筛选引导特征,以帮助监督深度网络的训练,并增强特征的视图不变性。在CUHK 01、CUHK 03和MARKET 1501三个基准数据集上的实验结果表明,该方法优于现有的几种方法
2019-10-09 cs.CV
Feature Level Fusion of Biometrics Cues: Human Identification with Doddingtons Caricature
Dr. B. C. Roy Engineering College(Dr. B. C. Roy工程学院);Indian Institute of Technology Kanpur(印度理工学院坎普尔分校);Jadavpur University(贾达沃普尔大学)
本文提出了一种多模式的指纹和耳朵生物识别系统。基于尺度不变特征变换(SIFT)描述子对人耳和指纹提取的特征集进行融合.融合集采用K-中心点分割方法进行编码,减少了特征点的个数。K-medoids将整个数据集划分为聚类,以最小化属于聚类的数据点与其中心之间的误差。缩减特征集用于两个生物特征集之间的匹配。匹配分数使用Doddington引入的基于用户的特征加权方案生成。该技术进行了测试,以展示其强大的性能。
2010-02-02 cs.AI cs.CV
Optical Flow Method for Measuring Deformation of Soil Specimen Subjected to Torsional Shearing
University of Warmia and Mazury in Olsztyn(奥尔什丁瓦尔米亚-马祖里大学);Gdansk University of Technology(格但斯克理工大学)
本研究利用光流法在室内进行土的小变形量测。本文主要目的是观察圆柱形土样在扭转剪切(TS试验)作用下变形沿整个高度的分布情况。试验是在两种各向同性压力下进行的。对样本施加低幅循环扭矩,以分析小应变范围(0.001-0.01%)内的变形。Ce Liu(2009)的光流方法变体用于从一系列图像进行运动估计。该算法采用尺度不变特征变换(SIFT)进行图像特征提取,并采用由粗到精的匹配方法进行快速匹配。用粒子图像测速仪(PIV)对实验结果进行了验证。结果表明,位移分布偏离了通常假设的线性。此外,观察到的变形机制分析表明,剪切模量$G$通常通过TS测试确定可以大大高估。
2021-01-19 cs.CE cs.CV
Mugshot Identification from Manipulated Facial Images
University of Mysore(迈索尔大学)
数字图像的编辑无处不在。人脸图像的篡改识别是人脸识别系统面临的一个新挑战。在本文中,我们解决的问题,从严重改变的面部图像的人脸或人的识别。在该面部识别问题中,系统的输入是经处理或变换的面部图像,并且系统从已知个体的数据库报告所确定的身份。这样的系统可以是有用的,在mugshot识别,其中mugshot数据库包含两个视图(正面和侧面)的每个罪犯。我们认为只有正面的看法,从现有的数据库中的人脸识别和查询图像是一个操纵的脸所产生的人脸变换软件工具在线。在这种情况下,我们提出了有效的人脸识别SIFT功能。与著名的特征脸方法进行了进一步的比较分析。实验已经进行了真实情况下的图像,以评估这两种方法的性能。
2012-10-31 cs.CV cs.MM
Face Recognition by Fusion of Local and Global Matching Scores using DS Theory: An Evaluation with Uni-classifier and Multi-classifier Paradigm
University of Sassari(萨萨里大学);Jadavpur University(贾达夫普尔大学);I.I.T Kanpur(印度理工学院坎普尔分校)
面部是高度可变形的对象,可以随时间轻松地改变其外观。并非所有面部区域都具有相同的可变性。因此,从人脸的独立区域解耦信息对于提高任何人脸识别技术的鲁棒性都是至关重要的。本文提出了一种鲁棒的人脸识别技术的基础上提取和匹配的SIFT特征的独立的人脸区域。提出了一种全局和局部(如从零件识别)匹配策略。局部策略是基于将个体显著的面部SIFT特征与面部地标(诸如眼睛和嘴)相匹配。在全局匹配策略中,将所有的SIFT特征组合在一起形成一个特征。为了减少识别误差,应用Dempster-Shafer决策理论对两种匹配技术进行融合。ORL和IITK人脸数据库的评估所提出的算法。实验结果表明,所提出的人脸识别技术的有效性和潜力的情况下,部分遮挡的脸或丢失的信息。
2010-02-02 cs.AI cs.CV
Anomaly detection for the identification of volcanic unrest in satellite imagery
University of Bristol(布里斯托尔大学);School of Earth Sciences(地球科学学院)
本文提出基于PaDiM的无监督深度学习框架,通过加权距离和预处理方法在卫星图像中识别火山形变异常,并在五座火山上验证了其优于监督学习的性能。
2024-05-28 cs.CV eess.IV
A General Methodology for the Determination of 2D Bodies Elastic Deformation Invariants. Application to the Automatic Identification of Parasites
National Technical University of Athens(雅典国立技术大学)
这里介绍了一种新的方法,利用任意弹性体变形实例的2D图像,以量化变形不变的机械弹性特性。这些特征的确定允许开发提供未变形身体的图像的方法。关于机构的机械弹性性质的一般假设,这导致两种不同的方法获得机构的变形不变量。一个是开发现场变形的身体的中性线和横截面,而另一个解决变形偏微分方程通过执行一组等效的图像上的变形身体的图像操作。这两个过程都可以从变形的形象中提供一个未变形的形象。通过获得变形寄生虫、细胞(原生动物)、纤维和人嘴唇的未变形形状证实了这一点。此外,该方法已被应用到寄生虫的显微图像自动分类的重要问题。为了实现这一点,我们首先应用前面的方法来拉直高度变形的寄生虫,然后我们应用一个专用的曲线分类方法拉直寄生虫轮廓。它表明,本质上不同的变形相同的寄生虫引起几乎相同的未变形的形状,从而确认了所介绍的方法的一致性。最后,所开发的模式识别方法将未包裹的寄生虫分为6个科,准确率为97.6%。
2012-10-09 cs.AI cs.CV
A Systematic Review of Machine Learning Techniques for Cattle Identification: Datasets, Methods and Future Directions
Charles Sturt University(查尔斯特大学);Food Agility CRC Ltd(Food Agility合作研究中心有限公司);TerraCipher Pty. Ltd.(TerraCipher私人有限公司)
生物安保和食品安全要求的提高可能会增加对供应链中牲畜有效追踪和识别系统的需求。机器学习和计算机视觉的先进技术已应用于精准畜牧管理,包括重大疾病检测、疫苗接种、生产管理、跟踪和健康监测。本文提供了一个系统的文献综述(SLR)基于视觉的牛识别。更具体地说,这个SLR是使用机器学习(ML)和深度学习(DL)识别和分析与牛识别相关的研究。对于牛的检测和牛的识别这两个主要应用,所有基于ML的论文都只解决牛的识别问题。然而,在基于DL的论文中研究了检测和识别问题。根据我们的调查报告,用于牛识别的最常用的ML模型是支持向量机(SVM),k-最近邻(KNN)和人工神经网络(ANN)。卷积神经网络(CNN)、残差网络(ResNet)、Inception、You Only Look Once(YOLO)和Faster R-CNN是所选论文中流行的DL模型。在这些纸张中,最显著的特征是牛的口印和皮毛图案。局部二值模式(LBP),加速鲁棒特征(SURF),尺度不变特征变换(SIFT),以及Inception或CNN被认为是最常用的特征提取方法。
2022-10-13 cs.AI cs.CV cs.LG
Encryption and encoding of facial images into quick response and high capacity color 2d code for biometric passport security system
School of Computer, Information and Mathematical Sciences(计算机、信息与数学科学学院)
本文提出了一种多模态生物特征、安全加密数据和加密生物特征编码到基于QR码的生物特征护照认证方法,用于国家安全应用。首先,采用扩展轮廓-局部二值模式(EP-LBP)、Canny边缘检测器和带图像文件信息的尺度不变特征变换(SIFT)算法(IMFINFO),初步实现了人脸标记尺寸的识别。其次,将主动形状模型(ASM)应用于主动外观模型(AAM)中,对手部进行跟踪,并将手部几何特征注入到验证和识别中,实现手部几何形状的识别。第三,将可公开访问的加密生物特征护照信息编码成QR码并插入电子护照以提高保护。此外,通过应用高级加密标准(AES)和安全散列算法(SHA)256算法对个人信息和生物统计数据进行加密。它将加强生物特征护照安全系统。
2022-03-17 cs.CV
Online-Adaptive Anomaly Detection for Defect Identification in Aircraft Assembly
German Research Center for Artificial Intelligence GmbH (DFKI)(德国人工智能研究中心);University of Bremen(不来梅大学)
针对飞机装配缺陷识别场景,提出基于迁移学习的在线自适应异常检测框架,通过筛选相似训练样本、在线拟合EfficientNet特征的正态性模型并计算马氏距离检测异常,准确率超0.975,优于ET-NET。
2024-06-18 cs.AI cs.CV cs.RO
Virtual CNN Branching: Efficient Feature Ensemble for Person Re-Identification
North Carolina School of Science and Mathematics(北卡罗来纳州科学与数学学校);Duke University(杜克大学)
在本文中,我们介绍了一种卷积神经网络(CNN)的集成方法,称为“虚拟分支”,它可以在标准CNN的基础上几乎不需要额外的参数和计算来实现。我们提出了我们的方法的上下文中的人重新识别(重新ID)。我们的CNN模型由共享底层组成,后面是“虚拟”分支,其中来自规则卷积层和全连接层的神经元被划分为多个集合。每个虚拟分支都用不同的数据进行训练,以专注于不同的方面,例如,特定的身体区域或姿势方向。以这种方式,在几乎没有任何额外成本的情况下,针对人体未对准、变形或视角变化获得鲁棒的总体表示。该方法在多人re-ID基准数据集上实现了具有竞争力的性能,包括Market-1501,CUHK 03和DukeMTMC-reID。
2018-03-15 cs.CV
Pose-driven Deep Convolutional Model for Person Re-identification
School of Electronics Engineering and Computer Science, Peking University(北京大学信息科学技术学院);National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所模式识别国家重点实验室);Department of Computer Science, University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校计算机科学系)
特征提取和匹配是身份再识别的两个关键环节。大的姿态变形和复杂的视图变化所表现出的捕获的人的图像显着增加了学习和匹配的人的图像的特征的难度。为了克服这些困难,在这项工作中,我们提出了一个姿势驱动的深度卷积(PDC)模型来学习改进的特征提取和匹配模型从端到端。我们的深层架构明确地利用人体部分线索来减轻姿势变化,并从全局图像和不同的局部部分中学习鲁棒的特征表示。为了匹配来自全局人体和局部人体部位的特征,进一步设计了一个姿态驱动的特征加权子网络来学习自适应特征融合。在三个流行的数据集上进行的广泛的实验分析和结果表明,我们的模型在所有已发表的最先进的方法上都有显着的性能改进。
2017-09-25 cs.CV
The Sloop System for Individual Animal Identification with Deep Learning
Massachusetts Institute of Technology(麻省理工学院)
麻省理工学院的单桅帆船系统索引和检索照片从数据库的非固定动物种群分布。要做到这一点,它自适应地表示和匹配通用的视觉特征表示使用稀疏的相关反馈从专家和人群。在这里,我们描述了单桅帆船系统及其应用,然后将其方法与标准的深度学习公式进行比较。然后,我们表明,启动幅度和变形功能需要非常浅的网络,以产生优越的识别结果。结果表明,相关反馈,使单桅帆船的高召回性能也可能是必不可少的深度学习方法,以个人识别提供可比的结果。
2020-03-01 cs.CV cs.IR
VR3D: View-Robust 3D Representation Learning for Aerial-Ground Person Re-Identification
本文针对空地行人重识别的视角偏差问题,提出VR3D框架,通过视角鲁棒3D表示交互与可靠性感知融合技术,在三个基准数据集上实现了优于现有方法的性能,CARGO数据集Rank-1提升5.63%。
2026-08-04 cs.CV
RetinaRegNet: A Zero-Shot Approach for Retinal Image Registration
University of Florida(佛罗里达大学);Stanford University(斯坦福大学);University of Iowa(爱荷华大学);University of California, Santa Cruz(加州大学圣克鲁兹分校);Intelligent Clinical Care Center, University of Florida(佛罗里达大学智能临床护理中心)
本研究提出零样本视网膜图像配准模型RetinaRegNet,结合扩散特征提取、逆一致性外点剔除与两阶段配准框架,在三类视网膜图像数据集上均优于现有最优方法,可辅助眼部疾病诊疗相关应用。
2024-09-11 cs.AI cs.CV cs.GT
Bent & Broken Bicycles: Leveraging synthetic data for damaged object re-identification
Politecnico di Torino(都灵理工大学)
本文提出受损物体重识别新任务,利用半自动合成数据构建含39,200张图像的BBBicycles数据集,并提出融合损伤检测与重识别的多任务Transformer基线模型TransReI3D。
2023-04-16 cs.CV cs.GR cs.LG
Non-planar Object Detection and Identification by Features Matching and Triangulation Growth
POLITECNICO DI MILANO School of Industrial and Information Engineering(米兰理工大学工业与信息工程学院);Master of Science Degree in Computer Science and Engineering Department of Electronics, Information and Bioengineering(电子、信息与生物工程学院)
本研究提出一种基于特征匹配与Delaunay三角剖分增长的非平面目标检测识别方法,通过增量分组特征匹配对、基于局部几何与光度一致性准则评估,在形变场景下性能优于传统单应性RANSAC方法。
2025-05-19 cs.AI cs.CV
Skin feature point tracking using deep feature encodings
National Cheng Kung University(成功大学);Umeå University(于默奥大学)
面部特征跟踪是成像心冲击描记术(BCG)的关键组成部分,其中需要面部关键点的位移的准确量化以用于良好的心率估计。皮肤特征跟踪使基于视频的帕金森病运动退化的量化成为可能。传统的计算机视觉算法包括尺度不变特征变换(SIFT)、加速鲁棒特征(SURF)和卢卡斯-卡纳德方法(LK)。这些方法在效率和准确性方面一直代表着最先进的水平,但当存在常见的变形(如仿射局部变换或照明变化)时就会失败。在过去的五年中,深度卷积神经网络在大多数计算机视觉任务中的表现优于传统方法。我们提出了一个用于特征跟踪的管道,该管道应用卷积堆栈自动编码器来识别图像中与包含感兴趣特征的参考作物最相似的作物。自动编码器学习将图像裁剪表示为特定于其训练对象类别的深度特征编码。我们在面部图像上训练自动编码器,并使用手动标记的面部和手部视频验证其跟踪皮肤特征的能力。独特皮肤特征(痣)的跟踪误差非常小,因此我们不能排除它们源于基于$χ^2$测试的手动标记。平均误差为0.6-4.2像素,我们的方法在所有情况下,但一个优于其他方法。更重要的是,我们的方法是唯一没有分歧的方法。我们的结论是,我们的方法创建更好的特征描述符的特征跟踪,特征匹配和图像配准比传统的算法。
2022-12-04 cs.AI cs.CV cs.LG