基于加权颜色直方图与梯度方向直方图自适应融合的粒子滤波跟踪算法 matlab仿真 直升机目标跟踪 例子，使用多特征自适应融合的 粒子滤波方法，注意这是32位系统版本，64位需要重新对c语言进行编译。

基于图像重构和特征融合的人脸识别方法研究.rar

微博立场检测是判断微博作者对某一个话题的态度是支持、反对或中立。在基于监督学习的分类框架上，扩展并提出基于多文本特征融合的中文微博的立场检测方法。首先探究了基于词频统计的特征（词袋特征（Bag-of-Words，BoW）、基于同义词典的词袋特征、考虑词与立场标签共现关系的特征）和文本深度特征（词向量、字向量）。之后使用支持向量机，随机森林和梯度提升决策树对上述特征进行立场分类。最后，结合所有特征分类器进行后期融合。实验表明，文中提出的特征对于不同话题下的微博立场检测的结果都有提升，且文本深度特征和基于词频统计的特征能够捕捉到文本的不同信息，在立场检测中是互补的。基于本文方法的微博立场检测系统在2016年自然语言处理与中文计算会议（NLPCC2016）的中文微博立场检测评测任务中取得了最好的结果。

为提高相关滤波(CF)跟踪算法的稳健性，并克服传统CF方法无法处理目标尺度变化以及未利用图像颜色特征等问题，提出了一种基于融合颜色特征的尺度自适应相关滤波改进跟踪算法。首先，将目标搜索区域从3原色(RGB)颜色空间转换到Lab颜色空间，提取搜索区域的Lab 3通道颜色特征；然后，融合Lab颜色特征与方向梯度直方图(HOG)特征得到多通道特征，利用核相关滤波(KCF)计算输出响应图并寻找图中最大响应位置即目标位置；最后，基于Lab颜色特征建立尺度模型，从当前帧的目标位置处截取不同尺度图像块，通过将其与尺度模型比较得到目标尺度最优估计。实验选取35段公开彩色视频序列进行测试，并将所提算法与其他5种跟踪性能较好的跟踪方法进行对比。实验结果表明，所提方法对彩色视频序列中的目标遮挡、变形、尺度变化等现象具有良好的适应性，其平均性能优于对比方法，同时具有76 frame·s-1的实时跟踪速度。

针对低照度条件下图像对比度不高、颜色失衡和存在噪声等问题,提出了一种基于多分支全卷积神经网络(MBACNN)的低照度图像增强模型。该模型是一个端到端的模型,包含特征提取模块(FEM)、增强模块(EM)、融合模块(FM)和噪声提取模块(NEM)。通过对合成的低照度和高清图像样本进行训练,根据验证集的损失值不断调整模型参数,以得到最优模型;然后对合成低照度图像和真实低照度图像进行测试。实验结果表明,与传统的图像增强算法相比,所提出的模型能够有效提高图像对比度、调整颜色失衡并去除噪声,主观视觉和客观图像质量评价指标都得到进一步改善。

保守值法matlab代码统计与感知特征融合的无参考图像质量评估 无参考图像质量评估（NR-IQA）的目标是预测人类观察者感知的图像质量，而无需使用任何原始的参考图像。 在这项研究中，提出了一种NR-IQA算法，该算法由包含统计和感知特征的新颖特征向量驱动。 与其他方法不同，将小波域和空间域中的归一化局部分形维数分布和归一化第一数字分布合并到统计特征中。 此外，强大的感知特征，例如色彩，暗通道特征，熵和相位一致性图像的均值，也被合并到所提出的模型中。 在五个大型的公共可用数据库（KADID-10k，ESPL-LIVE HDR，CSIQ，TID2013和TID2008）上的实验结果表明，该方法能够胜过其他最新方法。 如果您使用此MATLAB代码，请引用以下论文： @article {varga2020no， title = {基于统计和感知特征融合的无参考图像质量评估}， author = {Varga，Domonkos}， journal = {影像学杂志}， 音量= {6}， 数字= {8}， 页数= {75}， 年= {2020}， 发布者= {多学科数字出版学院} } 该代码是在M

基于ResNet及特征融合的场景文本检测技术研究，李相相，牛少彰，论文对于之前的学者所提出的CTPN网络模型进行深入的研究，提出了一种改进的场景文本检测网络。首先，使用ResNet代替原网络中的VGG16来

基于深度学习的目标检测技术在目标检测领域有强大的生命力,但是将其用于合成孔径雷达(SAR)图像舰船目标检测时并没有达到预期的效果。提出了一种基于卷积神经网络的SAR图像舰船目标检测算法用来检测多场景下的多尺度舰船目标,在单发多盒探测器检测框架的基础上,使用性能更好的Darknet-53作为特征提取网络,加入更深层次的特征融合网络,生成语义信息更加丰富的新的特征预测图。同时在训练策略上使用了一种新的二分类损失函数来解决训练过程中难易样本失衡的问题。在扩展的公开SAR图像舰船数据集上进行验证实验,实验结果表明,所提方法对复杂场景下不同尺寸的舰船目标的检测展现出了良好的适应性。

针对光学相干层析视网膜图像进行人工分类诊断时存在漏检、效率低等问题,提出一种基于深度学习技术构建联合多层特征的卷积神经网络分类算法。首先通过均值漂移和数据归一化算法对视网膜图像进行预处理,并结合损失函数加权算法解决数据不平衡问题;其次使用轻量深度可分离卷积替代普通卷积层,降低模型参数量,采用全局平均池化替换全连接层,增加空间鲁棒性,并联合不同卷积层构建特征融合层,加强层间特征流通;最后使用SoftMax分类器进行图像分类。实验结果表明,该模型在准确率、精确率、召回率上分别达到97%、95%、97%,缩短了识别时长,所提方法在视网膜图像分类诊断中具有良好的性能。

提出了一种基于EMAPs和SMLR的高光谱图像分类方法。 首先，我们采用EMAPs（扩展形态学多属性谱）算法有效地提取了HSI的空间信息，并结合光谱信息形成了空间光谱特征融合模型。 EMAP可以用多个属性结构替换简单的结构元素，并对其进行级联以获得多个结构的属性特征。 然后，我们利用SMLR（稀疏多项式逻辑回归）进行HSI分类。 SMLR适用于高维和大数据集。 采用基于MLR的多分类器，并采用快速算法学习稀疏的多分类器。 与HSI实验中的其他方法相比，我们的方法提供了出色的结果。