CNN特征与BOF相融合的水下目标识别算法

作者：权稳稳; 林明星^*

来源：山东大学学报(工学版), 2019, 49(01): 107-113.

• 水下目标识别
• BOF
• SIFT匹配
• 卷积神经网络
• 汉明距离

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(convolu-tion neural netw ork,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M atlab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。

• 单位
  山东大学