一种改进的视觉词包模型的船舶识别方法
李连民
孙立功
孙士保
河南科技大学软件学院,河南洛阳 471023
摘要：船舶识别在船舶贸易和军事活动中具有重要意义.目前的研究主要依赖于深度学习的方法,但这类方法对数据集规模和硬件要求较高,通常需要GPU等高性能硬件,限制了其在实际应用中的推广.针对这一挑战,提出了一种改进的视觉词包模型,用于快速识别船舶目标.首先利用SIFT和SURF方法提取船舶图像的局部特征,并将两种特征进行快速匹配和融合.随后,采用基于图论的方法确定图像的感兴趣区域(ROI),以减少背景的影响.接着,通过聚类算法将ROI区域内的特征转换为视觉单词,并构建视觉词典,从而用视觉单词直方图描述每幅图像.该方法还采用空间金字塔核式模型描述图像特征之间的空间关系,并通过支持向量机进行有监督的学习分类.在模型中,视觉词典的大小和分辨率水平是关键参数,通过实验对其进行了深入研究.当视觉词典大小设置为300,分辨率水平设置为2时,模型的准确率、精确率超过了 96％,实验结果验证了该模型的有效性.
关键词：视觉词包模型局部特征特征融合船舶图像识别
分类号：TP391(计算技术、计算机技术)
资助基金：国家自然科学基金(62101478)龙门实验室自由探索课题(LMQYTSKT034)
论文发表日期：2024-08-25
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 10-16 )
英文信息