音乐信息检索领域下的音乐流派分类研究综述

以现阶段的音乐流派分类（music genre classification,MGC）研究进展及现状为探索内容,介绍音乐流派分类的基本概念以及分类流程,综述音乐流派中的机器学习、深度学习的音乐分类方法,梳理总结相关音乐流派数据集。针对现阶段音乐流派分类方法进展及存在的不足,对未来的发展进行了分析与展望。     

基于构造空间金字塔度量矩阵的图像分类算法

传统的空间金字塔匹配方法时间复杂度较高,其所采用的SIFT底层特征缺少颜色信息,从而导致图像分类性能不佳。该文提出了一种融合颜色和尺度不变特征的CSIFT算子,通过建立CSIFT词典的有向图邻接矩阵,对词典中单词的距离进行度量,构建了n阶距离度量矩阵,对图像进行相似性度量并分类。实验结果表明,该方法在优化图像词典构造方面有明显效果,提高了图像分类精度。     

基于双空间金字塔匹配核的图像目标分类

提出一种基于局部特征的双空间金字塔匹配核(bi-space pyramid match kernel,BSPM)用于图像目标分类.利用局部特征在特征空间和图像空间建立统一的多分辨率框架,以便较好地表达图像的语义内容.该方法同时在特征空间和图像空间建立金字塔型结构,通过适当匹配可以得到正定核函数,该函数具有线性计算复杂度,可以运用于基于核的学习算法.将BSPM嵌入支持向量机对公共数据库中图像目标进行分类,实验结果表明该方法对图像具有良好的分类能力,优于词汇导向的金字塔匹配核和空间金字塔匹配核.     

基于图像梯度信息强化的SIFT特征匹配算法改进

针对传统特征匹配算法匹配率低的问题, 提出一种基于图像梯度信息强化的尺度不变特征转换（SIFT）特征匹配算法的改进算法. 首先通过适当的梯度算子求出梯度图; 然后以特定权值将梯度图与原图融合, 归一化后对融合图像进行高斯模糊; 最后利用传统算法进行特征提取. 实验结果表明, 改进算法的视角、 旋转不变性明显优于原算法, 对亮度变化较大或有噪声的图像匹配率也略有提升, 有效提高了SIFT特征匹配算法的准确性.     

基于SIFT特征矢量图的快速图像拼接方法

为了减少图像拼接方法的计算复杂度,提出一种基于尺度不变特征变换(SIFT)特征矢量图的快速图像拼接方法.该方法首先结合相位相关算法,确定待拼接图像的重叠区域,限定SIFT特征点检测范围;然后考虑特征点的空间位置信息,构建SIFT特征矢量图像,以便在特征匹配时限制匹配点的搜索范围,快速获得匹配点对.实验结果表明,该方法减少了大量的不必要搜索,提高了图像拼接速度.     

语境化音乐流派识别

音乐流派识别(music genre recognition,简称MGR)是一项应用前景广阔的研究领域,同时也能够为音乐机器学习技术提供一个良好的测试台.在过去几年中,涌现出了大量基于机器学习的MGR系统.然而,单纯依靠底层声学特征的MGR算法在分类时往往不能得到令人满意的结果.作者受到语境化机器学习技术的启发,提出了基于堆叠泛化的MGR分类系统.该系统通过提取互联网中用户标注音乐时使用的标签,同时融合声学特征完成语境化音乐流派识别.在论文中,MGR系统分为内容层和语境层,内容层由提取Mel倒谱系数(Mel frequency cepstrum coefficient,简称MFCC)和快速傅里叶变换(fast Fourier transformation,简称FFT)特征的声学特征表示,语境层由额外标签表示.在数据集GTZAN的实验结果表明,在数据集GTZAN下,语境化的MGR分类准确率远高于基于声学特征的MGR分类准确率,实现了20%的分类性能的提升.     

基于核拉普拉斯稀疏编码的图像分类

使用稀疏编码解决计算机视觉问题可以取得良好的效果.然而,以往的稀疏编码都是在原始特征空间进行.受核方法可以获得特征的高维非线性映射的启发,扩展了拉普拉斯稀疏编码(LSc),提出了核拉普拉斯稀疏编码(KLSc),它可以降低特征量化误差,增强稀疏编码的性能.在3个标准数据集上的实验结果表明,所提出的基于KLSc的图像分类算法具有良好的分类效果,分类正确率优于LSc.     

基于SIFT和小波变换的图像拼接算法

提出了一种基于尺度不变特征变换(SIFT)和小波变换的图像拼接算法,以提高室外复杂场景的图像拼接质量.利用SIFT算法提取基准图像(待匹配图像)和后续图像(与基准图像进行匹配的图像)的特征点,确定特征点的位置、尺度与方向;利用128维向量对特征点进行描述;利用最近邻法完成两幅图像特征点的匹配,确定重合区域;利用基于小波变换的多分辨率方法完成对图像的拼接.实验结果表明,该方法对亮度差异较大的图像拼接效果良好,适宜于室外复杂环境的图像拼接.     

基于图像SIFT特征的图像检索方法

基于SIFT特征提取,本文提出了一种多尺度的图像检索算法,将一幅图像转化为多个特征的集合,再通过计算两幅图像特征向量间的欧氏距离进行比较得出结果进而实现图像检索功能。实验结果说明该算法具有尺度、平移、旋转不变性,可以进行良好应用。     

基于兴趣点特征的图像检索方法

针对全局图像特征无法刻画图像类别信息的缺陷, 提出一种基于兴趣点特征的图像特征检索方法. 首先对图像进行仿射 尺度不变特征转换, 并利用亮度的概率密度梯度提取兴趣点; 然后将兴趣点映射回原始图像, 采用颜色直方图作为图像特征; 最后采用相似性度量模型, 实现图像检索. 选择Corel图像库中的图像对算法性能进行实验分析. 实验结果表明, 该方法可有效提高图像的检索准确率和检索效率, 快速找到用户需要的图像.     

基于Hough变换及SIFT特征提取的图像匹配方法

针对现有SIFT算法时间复杂度较高的问题,提出一种基于Hough变换及SIFT特征提取的图像匹配方法。首先,用Hough变换算法检测建筑物区域,以缩小检测与匹配的范围;然后,用SIFT算法在给定区域进行特征点检测与匹配;最后,提出一种两级排除错误匹配的方法,该算法对建筑物序列图像匹配具有光照强度、平移、旋转不变性。实验结果表明,该方法的匹配准确率至少高出比较方法9%。     

基于改进的SIFT算法的图像检索

探讨基于内容的图像检索.经典的尺度不变特征检测和匹配算法SIFT,具有旋转、缩放、仿射的不变性,因而在图像匹配、图像检索领域得到越来越广泛的应用.但其主要针对灰度图像,并且当图像中存在多个相似区域时,SIFT算法得到的特征向量就有很大的相似性,容易造成误匹配.为了得到更好的检索效果,在SIFT算法基础上加入颜色不变量特征,构造颜色特征向量,并且建立一个用来区分相似局部特征的全局向量,在检索实验中取得了比较理想的效果.     

基于光谱图像空间的改进SIFT特征提取与匹配

原始SIFT算法采用不同参数的高斯核取差,是对图像空间性质的一种测量方法. 本文在光谱维度上取差,用光学系统在光谱维度上的差异作为图像空间性质的测量方法;传统SIFT方法及大量的改进方法只统计以特征点为中心的邻域范围内图像块的像素信息,文中将匹配过程分为2个步骤,首先利用邻域范围内的图像块像素信息进行粗匹配,然后选取排序后相似程度最高的4组匹配对作为基准匹配对,对特征点进行二次校验. 仿真结果表明文中的设计方式显著增加了检测到的特征点数量,有效剔除了错误匹配.      

基于粗糙集的视频片段自动分类方法

网络的普及和交互电视的应用推动了视频分类的发展,迫切需要一种方便、快速的自动视频分类方法。本研究利用从视频片段中提取的与镜头有关的特征、颜色特征、音频特征和运动特征作为视频内容分类的可计算特征,并基于粗糙集理论,发挥其无需先验信息而从信息系统中分析多余属性的能力和从决策表中抽取规则的能力,对上述可计算特征进行分类形成规则,从而实现对视频片段的分类。     

基于MMTD的SIFT特征提取算法

尺度不变特征变换（SIFT）是一种常用的特征提取算法,但它采用固定的阈值来筛选特征点,匹配效果不是很理想.文中针对SIFT对不同图像无自适应性的缺点,提出了一种新的计算自适应阈值的方法,即将中介真值程度（MMTD）和SIFT相结合,用MMTD改进SIFT算法能够避免为了选取合适的阈值而进行大量的实验.采用MMTD改进阈值来筛选图像中的特征点,再将特征点进行图像匹配.实验结果表明,匹配点的数量比采用传统的SIFT方法增加了约两倍,说明文中所提出的基于MMTD的SIFT特征提取算法是有效的.     

基于SIFT的UAV载组合宽角相机影像匹配方法

针对无人驾驶飞机UAV(Unmanned Aerial Vehicle)航空组合相机获取的大像幅影像旋偏角较大、 大尺度变化和颜色差异明显的问题, 提出基于极几何和单应约束的SIFT(Scale Invariant Feature Transform)特征多尺度LSM(Least Squares Matching)算法。该算法顶层金字塔影像采用SIFT快速匹配, 对匹配结果利用改进的RANSAC(Random Sample Consensus)算法计算影像间单应矩阵和基本矩阵; 对影像进行Harris特征提取, 根据极几何和单应约束采用双向一致性相关系数算法进行密集匹配; 通过更新单应矩阵, 设定阈值删除误匹配点; 对匹配的同名点进行最小二乘匹配获取子像素级精度。通过对具有较大旋偏角、 大尺度变化和颜色差异的3组实际航摄影像的试验对比表明, 与传统方法相比, 该算法具有较高的匹配成功率和较好的有效性。     

基于改进ORB的图像特征点匹配

鉴于ORB算法在特征点匹配时基本不具备尺度不变性,结合SIFT算法思想,提出了改进的ORB算法:SIRB(ORB and SIFT)。首先生成图像的多尺度空间,并在多尺度空间里检测稳定的极值点,使得提取出的特征点具有尺度不变信息;然后使用ORB描述子对特征点进行描述,生成旋转不变性的二进制描述子;最后通过Hamming距离完成对特征点的匹配。实验结果表明,SIRB有效地解决了ORB不具备尺度不变性的缺陷,在图像尺度发生变化时,SIRB算法特征点匹配的平均准确度达到约93.3%,相比于ORB提高了约70.7%;同时SIRB和ORB两种算法的匹配速度大致相当,SIRB保留了原ORB算法的快速优越性,平均匹配速度比SIFT快约63.2倍;将提出的SIRB算法应用到视频目标跟踪系统中,取得了良好的实验效果,具有一定的应用价值。     

基于SIFT算子的图像匹配算法研究

针对目前基于SIFT(scale invariant feature transform)的图像匹配算法在匹配相似区域较多的可见光图像时,匹配约束条件单一,没有有效剔除误匹配点,误匹配率高的问题,提出一种匹配改进算法,针对128维SIFT特征向量,采用距离匹配和余弦相似度匹配相结合的测度方法,利用特征点方向一致性进一步降低误匹配率. 实验结果表明:改进算法对图像的缩放、旋转、光照、噪声和小尺度的视角变换均有较好的匹配效果. 与原算法相比,在保证匹配点数和匹配时间的基础上,改进算法对旋转、缩放、噪声模糊和光照变换的误匹配率平均降低10%~20%,对于小尺度的视角变换,误匹配率平均降低5%.      

基于SIFT的车标识别算法

针对车标识别过程中匹配阈值难、识别速度慢的问题,提出一种基于尺度不变特征变换(SIFT)的特征匹配车标识别算法.利用SIFT算子对图像的视角、平移、放射、亮度、旋转等不变特性进行提取,并采用BP神经网络算法自主选取车标图像特征进行分类、匹配和识别.仿真实验结果表明,简单车标和复杂车标的识别率平均值均达90%以上,该算法识别速度较快、识别率较高,能满足实际应用的需要.