基于小波神经网络的掌纹识别

提出了一种基于小波神经网络的掌纹识别方法。首先对掌纹图像经过预处理得到掌纹的感兴趣区域(ROI),然后利用小波包分解的方法对该区域进行掌纹特征的提取,再利用RBF网络的容错能力和较快的收敛性对掌纹图像加以识别。针对香港理工大学掌纹数据库进行了实验,实验结果证明,本算法可以达到很好的识别效果,为掌握识别提供了一种新途径。     

基于集成卷积神经网络的交通标志识别

以交通标志识别为研究目的,提出一种基于集成卷积神经网络的交通标志识别算法,通过对多个不同结构的卷积神经网络进行集成以提高算法识别率。为了缩短网络训练和测试时间以及提高网络识别率,对单个卷积神经网络的结构进行了优化。使用ReLU(rectified linear unit)激活函数来代替传统的激活函数,使用批量归一化(batch normalization,BN) 方法对卷积层输出数据进行归一化处理,将卷积神经网络的分类器用支持向量机(support vector machine,SVM)代替。使用德国交通标志识别数据库(german traffic sign recognition benchmark,GTSRB)进行训练和测试,实验结果表明,提出的算法识别率为98.29%,单幅交通标志图像测试时间为1.32 ms,对交通标志具有良好的识别性能。     

航拍图像中绝缘子串的识别与分割方法研究

为实现航拍图像中绝缘子串的识别与分割,以Faster R-CNN和全卷积神经网络(fully convolutional networks,FCN)为框架构建了深度学习算法,并以算法为核心搭建了绝缘子串图像检测平台.算法首先使用Faster R-CNN模型,结合Resnet-101深度残差卷积神经网络,对所有感兴趣区域进行分类,再对Bounding Box回归和坐标进行修正,用于绝缘子串的识别,接着以FCN网络为基础,通过微调使原网络适应新的绝缘子串数据集,实现了在复杂背景下绝缘子串的语义分割.实验结果表明,文中给出的方法与已有方法相比,不仅能够在不同光照条件、不同拍摄角度以及复杂背景干扰下实现绝缘子串的识别与分割,且处理时间短、精度高和鲁棒性强.     

基于二维Gabor的掌纹图像预处理研究

掌纹识别属于相对较新的一种生物特征识别技术,是利用人手掌上丰富的纹理特征来进行身份识别。掌纹图像的质量是影响掌纹识别性能的关键,因此,由掌纹的特点入手,对掌纹图像采用基于形态学方法进行感兴趣区域(ROI)的分割,为了防止由于采集时手放置位置的旋转或偏移导致的掌纹图像的差异,通过中值滤波、二值化、膨胀腐蚀等操作确定了特殊角点,再利用角点连线确定旋转角度,来旋转掌纹图像。然后对掌纹图像感兴趣的区域采取小波阈值法来去除噪声。最后结合Gabor滤波器的方向性,采用基于二维Gabor滤波器对掌纹纹线的特征进行提取。为了验证所提出的掌纹图像预处理方法的有效性,在PolyU掌纹图像库上进行实验并取得了较好的实验效果。     

基于Dropout卷积神经网络的行为识别

近年来,卷积神经网络(CNN)已经成为很多科学领域的研究热点之一.卷积神经网络作为一种深度模型可以直接作用于原始输入,不需要手动设计特征描述子.与传统神经网络相比识别效果有很大的提高.它已经建立了一类强大的模型来处理图像识别,并对其扩展到三维卷积神经网络(3D CNN)来处理视频识别问题.在此基础上,笔者对三维卷积神经网络做了如下改进:用Gabor小波核来初始化卷积操作,以达到模拟人类视觉系统对视觉刺激的响应;在网络训练的过程中加入Dropout技术,随机选择删除部分神经元,以此来提高网络的泛化能力,有效防止过拟合.提出的方法在KTH和UCF-YouTube数据集上进行验证,取得了很好地识别效果.     

基于Gabor小波及神经网络的掌纹识别研究

提出了基于自组织映射(Self Organization Map,SOM)、反向传播(Back propagation NctWork,简称BP网络)复合神经网络的掌纹识别算法,算法首先对预处理后的掌纹图提取Gabor小波特征,利用PCA降维后送入SOM网络进行粗分类,进一步利用Bp神经网络进行细分类.在Poly-U掌...     

基于改进卷积神经网络的苹果叶部病害识别

针对苹果病害叶片图像病斑区域较小导致的传统卷积神经网络不能准确快速识别的问题,提出基于改进卷积神经网络的苹果叶部病害识别的网络模型.首先,将VGG16网络模型从ImageNet数据集上学习到的先验知识迁移到苹果病害叶片数据集上;然后,在瓶颈层后采用选择性核(selective kernel,简称SK)卷积模块;最后,使用全局平均池化代替全连接层.实验结果表明:与其他传统网络模型相比,该模型能更准确快速捕获苹果病害叶片上微小的病斑.     

基于卷积神经网络的壁面清洗机器人障碍物检测识别算法

结合机器人的工作原理以及卷积神经网络(CNN)在图像分类中的应用,提出了一种基于卷积神经网络的壁面障碍物检测识别算法.首先,以壁面障碍物准确识别为目标,构建壁面障碍物图像库;然后,通过对VGG-16网络简化后进行优化,得到适合壁面障碍物准确识别的卷积神经网络模型.在此基础上,设计该网络由输入层、4层卷积层、2层池化层、1层全连接层以及输出层组成,进一步利用3×3卷积核对训练样本进行卷积操作,并将所获取的特征图以2×2领域进行池化操作.重复上述操作后,通过学习获取并确定网络模型参数,得到最佳网络模型.实验结果表明,障碍物的识别准确率可达99.0%,具有良好的识别能力.     

基于深度学习的汽车轮毂缺陷自动分割技术

针对建立轮毂无损检测智能化平台的需要,本文提出一种基于深度学习算法的轮毂缺陷自动分割方法,利用卷积神经网络的结构和径向基函数神经网络的非线性特点,构造一种深度学习网络结构来模拟人类的视觉感知。本文依据汽车轮毂X射线图像,利用U-Net网络来训练轮毂缺陷分割模型,并在感兴趣区域的基础上模拟人脑层次感知系统,该层次感知系统能识别感兴趣区域的灰度像素,通过深度学习分层网络和卷积神经网络,逐层提取缺陷区域的内在特征,从而实现轮毂缺陷的自动分割。实验表明本方法针对复杂轮毂缺陷的识别率达到90%以上,且识别时间开销大约5ms/张,优于传统方法。可见该方法能够满足轮毂缺陷自动分割的需求,具有潜在的应用前景。     

基于贝叶斯网络和卷积神经网络的手绘草图识别方法

为实现笔画的分组和识别,现有的草图识别算法通常会采用限制用户的绘图习惯来达到目的.该文提出了利用贝叶斯网络和卷积神经网络(CNN)的草图识别方法解决此问题.首先,使用高斯低通滤波器处理输入草图,得到更平滑的图像.然后将连续输入的笔划分为两部分,分别使用贝叶斯网络和卷积神经网络对分割后的笔画进行识别,当笔画的可靠性大于阈值时,以贝叶斯网络的识别结果为准,反之采用CNN的识别结果.实验结果表明,该文算法在电路符号绘制过程中的识别率和绘制完成后的识别率均取得了较好的结果.该文算法具有良好的应用前景.     

基于小波变换和改进PCA的人脸特征提取算法

针对在人脸图像高维数据降维时单纯使用主成分分析(PCA)算法的提取精度和速度受限问题,  提出一种基于小波变换和改进PCA的混合特征提取算法. 该方法首先对人脸图像进行小波分解, 选取低频分量对人脸图像进行特征提取;然后利用改进的PCA算法进行主成分提取, 获得代表人脸特征的特征向量; 最后将该算法应用于Olivetti Faces人脸库数据集的图像分类. 实验结果表明, 经过该混合算法处理后的图像特征数据, 由卷积神经网络(CNN)算法分类识别时准确率提升10%, 识别速度提高约37%.     

基于卷积神经网络的无人机识别方法仿真研究

为了提高卷积神经网络(CNN)的泛化性和鲁棒性,改善无人机航行时识别目标图像的精度,提出了一种CNN与概率神经网络(PNN)相结合的混合模型。利用CNN提取多层图像表示,使用PNN提取特征对图像进行分类以替代CNN内部的BP神经网络,采用均方差和降梯度法训练模型,通过将预处理的图像传输到CNN-PNN模型,对图像纹理和轮廓进行分类识别,并将此模型的仿真结果与卷积神经网络模型、卷积神经网络-支持向量机模型的结果进行对比。仿真结果表明,与其他两种模型相比,CNN-PNN模型具有更好的精准度,识别率高达96.30%。因此,CNN-PNN模型能够快速有效地识别图像,准确度和实时性较高,在图像识别等方面具有很好的应用前景。     

一种改进的掌纹定位算法

定位掌纹图像中的信息区域ROI(region of interest)是掌纹图像预处理中一项重要的内容.现在的掌纹ROI定位方法都是以边缘提取为基础的.然而边缘提取有其局限性,在一些情况下,无法利用提取的边缘定位一个有效的ROI.提出了一种改进的ROI定位方法,利用二值掌纹镶嵌图来取代传统的边缘提取定位掌纹ROI.与以边缘提取为基础的算法相比,此算法显著地提高了ROI定位的鲁棒性.     

基于特征加权与核主成分分析的掌纹识别

针对掌纹采集受外界因素和噪声的影响较大, 传统方法掌纹识别率低、 鲁棒性差等问题, 提出一种基于特征加权与核主成分分析的掌纹识别算法. 首先采用Curvelet变换对掌纹图像进行分解, 得到不同尺度和角度的轮廓系数, 并对Curvelet系数进行加权融合操作; 然后通过核主成分分析对掌纹特征进行降维处理, 实现特征提取; 最后采用相关向量机实现掌纹匹配, 并采用PolyU掌纹图像对算法的性能进行测试. 结果表明, 与其他掌纹识别算法相比, 该算法取得的掌纹识别率更高, 且掌纹匹配的时间最短, 可以满足掌纹实时识别要求.     

改进卷积神经网络在腺癌病理图像分类中的应用

针对传统卷积神经网络(CNN)稀疏的网络结构无法保留全连接网络密集计算的高效性和在实验过程中卷积特征利用率低造成的分类结果不准确或收敛速度较慢的问题,提出了一种基于CNN的多尺度方法结合反卷积网络的特征提取算法(MSDCNN)并对腺癌病理图像进行分类。首先,利用反卷积操作实现不同尺度特征的融合,然后利用Inception结构不同尺度卷积核提取多尺度特征,最后通过Softmax方法对图像进行分类。在腺癌病理细胞图像进行的分类实验结果表明,在最后的卷积特征尺度相同的情况下,MSDCNN算法比传统的CNN算法分类精度提高了约14%,比同样基于多尺度特征的融合网络模型方法分类精度提高了约1.2%。     

一种新的掌纹特征提取算法

提出一种基于小波图像分解和不变矩函数的掌纹特征提取算法.该算法首先对掌纹ROI灰度图像进行N层二维小波分解,得到3N 1幅子带图像,分别计算每幅子图像的各阶不变矩函数作为特征向量.该算法首次将不变矩理论应用于掌纹识别,可对掌纹ROI灰度图像直接提取特征,去除了如图像增强和纹理细化等预处理算法所带来的消耗,得到的特征向量长度远小于传统算法.作者使用自行采集的数据库对该算法进行实验,获得了98.33%的正确识别率,验证了算法的有效性和准确性.     

基于多尺度卷积神经网络的交通标志识别

针对自然场景中交通标志识别问题涉及的识别准确率和实时性改善需求,提出了一种改进的基于多尺度卷积神经网络(CNN)的交通标志识别算法.首先,通过图像增强方法比选实验,采用限制对比度自适应直方图均衡化方法作为图像预处理方法,以改善图像质量.然后,提出一种多尺度CNN模型,用于提取交通标志图像的全局特征和局部特征.进而,将组合后的多尺度特征送入全连接SoftMax分类器,实现交通标志识别.采用德国交通标志基准数据库(GTSRB)测试了所提算法的有效性,测试结果表明,算法在GTSRB基准数据集上获得98.82%的识别准确率以及每幅图像0.1ms的识别速度,本文算法具有一定的先进性.     

基于局部邻域四值模式的掌纹掌脉融合识别

为了解决掌纹掌脉识别技术中稳定性差和识别率低的问题,提出一种基于局部邻域四值模式的掌纹掌脉融合识别算法。对掌纹掌脉图像利用非下采样轮廓波变换(non-subsampled contourlet transform,NSCT)进行分解,将得到的低频和高频子图像分别利用区域能量和图像自相似原理进行融合;利用局部邻域四值模式(local neighbor quaternary pattern,LNQP)获取掌纹掌脉融合图像的纹理特征向量,并用主成分分析(principal component analysis,PCA)算法对其进行降维;根据特征向量间的汉明距离实现匹配识别,并在PolyU图库和SUT图库上完成仿真验证。实验结果表明,算法的最低等误率分别为0.17%和0.75%,与其他传统及最新算法相比,算法能够有效地提取掌纹掌脉图像的纹理特征,具有良好的识别性能,并且掌纹掌脉特征的融合增强了系统的安全性。     

分块统计特征和最优分辨力选择特征相融合的掌纹识别

为提高掌纹识别的性能,提出一种分块统计特征和最优分辨力选择特征相融合的掌纹识别方法。首先对预处理后的掌纹图像进行多方向、多尺度Gabor变换;然后将掌纹划分多个子块提取特征,将各子块特征进行拼接得到整个掌纹特征向量;最后以特征分辨力为准则选出最优掌纹特征子集建立两分类器,通过投票机制建立掌纹多类分类器,并采用Po1yU掌纹库进行性能测试。测试结果表明,该方法的掌纹识别性能优于对比掌纹识别方法。