CNN特征与BOF相融合的水下目标识别算法

权稳稳(),林明星*()

山东大学机械工程学院, 山东 济南 250061

收稿日期:2017-08-03出版日期:2019-02-01发布日期:2019-03-01
通讯作者:林明星E-mail:qw13541179302@126.com;mxlin2000@163.com
作者简介:权稳稳(1992—)，女，河南洛阳人，硕士研究生，主要研究方向为机器视觉与图像处理. E-mail:qw13541179302@126.com

Algorithm of underwater target recognition based on CNN features with BOF

Wenwen QUAN(),Mingxing LIN*()

School of Mechanical Engineering, Shandong University, Jinan 250061, Shandong, China

Received:2017-08-03Online:2019-02-01Published:2019-03-01
Contact:Mingxing LIN E-mail:qw13541179302@126.com;mxlin2000@163.com

摘要/Abstract

摘要： 为了改善作为低级表示的尺度不变特征变换(scale invariant feature transform, SIFT)匹配常出现的没有足够特征来防止假匹配的问题,提出在传统方法“词袋”(bag of features, BOF)算法中融合具有较好语义分割能力的卷积神经网络(convolution neural network, CNN)特征来提高识别率的方法。利用ImageCLEF网站的LifeCLEF鱼类视频,制作目标图像数据库。在caffe平台的Alexnet模型进行卷积神经网络的训练,提取图像库和查询图像的特征。利用训练好的CNN特征在Matlab软件进行识别试验验证,计算汉明距离来验证匹配效果。改变参数值来观察不同汉明距离阈值对水下目标识别结果的影响。自制图像库的试验表明,融合深度学习的特征可以有效提高BOF算法的水下目标识别率,对汉明距离阈值的选择需要根据实际情况选择合适的参数。


PDF全文下载地址:

http://gxbwk.njournal.sdu.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=1799