基于极坐标等角度分布的钢轨廓形测量误差校准

针对钢轨廓形(轨廓)动态测量系统现场长期应用精度下降问题,提出采用接触式轨廓测量仪对动态测量系统进行校准.首先根据极坐标系等角度分布原则,分别对接触式测量轨廓和非接触式测量轨廓进行数字化建模和重采样处理.然后选取接触式测量轨廓作为基准,建立非接触式测量轨廓与基准轨廓之间的映射关系.最后通过对比二者偏差,实现轨廓动态测量系统误差现场校准.实际应用表明,经校准后的轨廓动态测量系统,静态测量误差由0.96mm降低到0.14mm,动态重复性误差最大值、平均值和均方根值分别为0.29mm、0.13mm和0.18mm,验证了校准方法的可行性.     

基于卷积神经网络的图书页面检索方法

针对现有图书页面检索方法检索精度低的问题,利用任务无关数据集训练卷积神经网络,提出了一种基于卷积神经网络的图书页面检索方法.首先将待检图书页面图像进行图像分割和畸变校正,降低背景的干扰和几何畸变的影响;然后将校正后的图像输入卷积神经网络提取图像特征;最后使用夹角余弦距离来度量待检图像和候选图像的相似度.实验结果表明:本方法在测试数据集上的Top-5命中率为97.31%,而直接使用任务无关数据集训练的卷积神经网络的Top-5命中率仅为58.47%.本方法避免了耗费大量的时间和精力去收集大规模图书页面图像数据库,而且利用卷积神经网络强大的图像特征描述能力,取得了优异的图书页面检索精度.     

基于肤色特征和卷积神经网络的手势识别方法

传统手势识别方法需要人工选取特征,选取的特征往往很难适应手势的多变性,从而极大地影响了手势的识别率;提出了一种基于肤色特征和卷积神经网络的手势识别方法;首先采用椭圆肤色模型对复杂背景下的手势样本进行分割,将分割出的手势区域进行二值化和归一化处理,然后构建了一种卷积神经网络对处理过的手势样本进行迭代训练,提取出各类手势关键的高维特征,进而得出手势识别模型;通过该方法训练出的手势模型能够自主地对给定的手势图像进行特征提取和手势分类;实验表明:该手势识别方法在测试集上具有较高的识别率;在现实场景的测试中,该方法也取得了良好的手势识别效果,且实时性和鲁棒性较好。     

基于双层卷积神经网络的步态识别算法

提出运用双层卷积神经网络模型实现基于足底压力图像的步态识别方法.首先,对足底压力数据采集系统采集的图像作相应预处理;然后,用双层卷积神经网络模型学习得到足底压力图像的单层和双层卷积特征;最后,将卷积特征训练分类器得到分类结果.实验结果验证了该算法的有效性.     

一种基于结构光的扣件缺失判别新方法

针对高速铁路动态巡检系统中扣件缺失的快速识别问题,提出一种新型的探测方法:利用红外光源垂直照射钢轨扣件形成三束红外结构光,通过硬件系统实现高速相机对实时图像的采集.利用图像形态学处理等图像处理方法,对所采集图像进行预处理、实现扣件定位、扣件特征提取、识别判断并将结果存储至后台数据库,实现检测数据的实时管理。研发了一套基于轨检小车平台的动态巡检实验系统,经实验室模拟实验以及上线测验证明了该方法实际可行,具有很高的准确性和可靠性。     

基于拍摄图像的PDF417条码识别

针对拍摄的PDF417二维条码图像的特点,研究了相应的识别方法.利用梯度特征并结合数学形态学的方法,给出了一种复杂背景下条码图像的定位方法,该方法能准确地从复杂背景中分割出条码图像.对于拍摄的非线性几何失真条码图像,采用分块校正方法有效解决了图像的几何畸变校正问题.给出了一种基于投影算法的条空序列识别方法,该方法可适用于受噪声及模糊等因素影响的图像.实验结果表明,提出的识别方法可以有效识别拍摄的PDF417二维条码图像.     

基于CNN的计算机生成图像识别方法

针对计算机生成图像(Computer Generated images, CG)与真实照片(Photograpgh, PG)识别率不高的问题,该文提出了一种改进的卷积神经网络方法来实现CG与PG的识别.该方法首先对识别问题进行卷积神经网络二分类建模,并选择VGG-19网络结构作为基础,建立不同的模型.该方法创新性地引入迁移学习,节省训练时间和大量计算资源,最后使用softmax分类器进行分类.实验结果表明,该文方法对PG图像的识别准确率达到92%.与其他方法比较,该文方法识别准确率最高,说明该文方法具有可行性与有效性.     

融合卷积神经网络与Adaboost算法的病害松树识别

针对无人机平台获取的高分辨率可见光松树图像,提出一种结合深度卷积神经网络和Adaboost算法的病害松树识别方法,解决传统机器学习方法识别病害松树精确度不高问题.首先利用卷积神经网络训练病害松树模型再利用训练模型将地物中的田地、裸土及黑影等复杂信息剔除掉,提取病害松树、健康松树及黑影区域的颜色和纹理特征,依据提取的特征在剔除地物干扰项后的决策层使用Adaboost分类器进行目标识别.实验结果表明,该方法相较传统的K-means聚类、支持向量机、Adaboost算法、BP神经网络、VGG(visual geometry group)算法等在识别精确度方面有显著提高.     

基于改进LeNet-5模型的手写体中文识别

手写体中文的自动识别是中文文档数字化的前提和基础,由于中文字符数目繁多、相似性强、字体种类繁多、书写随意、缺乏统一规范等原因,一直是计算机视觉领域中一个具有挑战性的问题.为解决这一难题,提出了一种基于卷积神经网络的手写体中文识别方法.在经典LeNet-5网络模型的基础上进行改进,提出了一种LeNet-Ⅱ模型.利用改进的Inception模块和空洞卷积,设计了一种并行的双路卷积神经网络结构;两路分支可分别提取手写中文图像中不同尺度的特征,获得多个尺度的特征图像;通过对其进行特征融合,可以达到丰富特征图像多样性、提升识别准确率的目的;最后经过全连接层进行分类.利用经典手写体中文数据集进行训练,利用该模型实现了3 755类手写体中文字符及相关文本的自动识别.实验结果表明,基于改进LeNet-5模型的手写体中文识别方法,在同一训练数据集上的收敛速度和识别准确率明显优于经典LeNet-5模型,对经典数据集的识别准确率可以达到95.21%,也高于其他传统算法;此外,对4幅手写体中文文本的平均识别准确率达到97.30%,超出了人类表现,取得了理想的实际效果.     

基于弧形修正滤波的柱面AR码识别算法

AR码在增强现实系统、空间视觉定位系统中应用广泛,正确识别AR码是增强现实系统和空间视觉定位系统中实现物体识别和定位的关键技术,经典的AR码识别方法对于平面上的AR码有较高识别率,粘贴于柱面上的码由于在空间中发生畸变,经典的识别方法无法准确识别AR码所携带的信息,为此提出一种针对产生柱面畸变的AR码的识别方法.首先采用一种通过添加定位标志位的改进的AR码编码方法对AR码进行编码,利用弧形修正滤波算法对产生柱面畸变的AR码图像进行二维与三维空间校正,在获得校正后的AR码图像后,再利用AR码的行数与每个数据位之间长度的非线性关系对AR码进行划线分割,最后利用像素值统计法实现AR码的识别,并给出了相应的实验结果.实验结果表明,该方法对产生一定程度的柱面畸变的AR码具有鲁棒的识别效果.     

基于数据增强的卷积神经网络火灾识别

当前图像识别采用的普遍方法是卷积神经网络方法,但该方法依赖于大数据集,在样本不足时会出现过拟合问题。针对以上问题,根据火灾的背景复杂性和卷积神经网络自动学习特征的优点,提出一种基于数据增强的卷积神经网络火灾识别方法。对少量火灾图片引入数据增强技术,通过搭建一个3层卷积池化层和一个全连接层自动提取火灾特征,使用softmax分类器输出。仿真实验结果表明:原始数据测试集的识别率为95%,损失值发散,提出方法使测试集损失值收敛到0.2,改善了过拟合的问题;对数据增强减少过拟合的原因进行分析,表明对小样本使用卷积神经网络具有重要意义。     

基于阈值分割法和卷积神经网络的图像识别算法

针对传统卷积神经网络严重依赖数据量的问题, 提出一种基于均值迭代阈值分割法和卷积神经网络的图像识别算法, 通过均值迭代阈值分割法过滤图像背景, 并基于AlexNet构造新的卷积神经网络. 与其他常用的卷积神经网络进行对比实验结果表明, 在样本数量不足的图像识别任务中, 该算法识别效果较理想, 与其他卷积神经网络相比, 具有更高的识别准确度、 更低的识别误差和更快的收敛速度.     

基于深度神经网络的手写数字识别模拟研究

当前图像识别大多采用基于特征提取的传统机器学习方法与卷积神经网络的方法,但传统图像识别技术需要手动提取图片特征,而卷积神经网络对硬件要求高,训练时间长等。针对以上问题,本文提出基于深度神经网络模型的手写体图像识别方法,让机器自动学习特征,并在此基础上,通过改进成本函数,加入dropout防止过拟合,来提高手写数字识别的识别率。仿真实验对比结果表明,基于深度神经网络模型的方法比当前传统算法的识别率提高了3.41%,有效解决了人工识别费力耗时问题,对手写数字的研究具有重要意义。     

基于阈值分割法和卷积神经网络的图像识别算法

针对传统卷积神经网络严重依赖数据量的问题, 提出一种基于均值迭代阈值分割法和卷积神经网络的图像识别算法, 通过均值迭代阈值分割法过滤图像背景, 并基于AlexNet构造新的卷积神经网络. 与其他常用的卷积神经网络进行对比实验结果表明, 在样本数量不足的图像识别任务中, 该算法识别效果较理想, 与其他卷积神经网络相比, 具有更高的识别准确度、 更低的识别误差和更快的收敛速度.     

基于卷积神经网络的桥梁裂缝检测与识别

针对当前中国检测桥梁裂缝依赖人工目测,危险系数极大的落后现状,研究了一种基于数字化和智能化的检测方法,以提高桥梁安全诊断效率,降低危险系数。结合机器视觉和卷积神经网络技术,利用Raspberry Pi处理器采集和预处理图像,分析裂缝图像的特点,选取效果检测和识别裂缝效果最佳处理算法,改进裂缝分类的卷积神经网络模型(CNN),最终提出一种新的智能裂缝检测方案。实验结果显示:该方案能够找到超出桥梁裂缝最大限值的所有裂缝,并可以有效识别裂缝类型,识别率达90%以上,能够为桥梁裂缝检测提供参考数据。     

基于深度残差卷积神经网络的高光谱图像超分辨方法

卷积神经网络由于其强大的非线性表达能力在自然图像的处理问题中已经获得了非常大的成功。传统的稀疏表示方法利用精确配准的高分辨率多光谱图像，从而限制了实际应用。针对传统方法的不足，本文提出了一种基于深度残差卷积神经网络的单高光谱图像超分辨率方法，无需对应的多光谱图像。我们构建深度残差卷积神经网络挖掘低分辨率遥感图像和高分辨率遥感图像之间的非线性关系。构建的深度学习网络串联多个残差块，并去除一些不必要的模块，如批标准化层，每个残差块只包含两个卷积层，这样在保证模型效果的同时又加快模型的效率。此外，因为遥感图像训练数据缺乏，我们充分挖掘自然图像和高光谱图像之间的相似性，利用自然图像样本训练卷积神经网络，进一步利用迁移学习将训练好的网络模型引入到高分辨率遥感图像超分辨问题上，解决了训练样本缺乏问题。最后，基于实际的遥感数据超分辨实验结果表明，本文所提出的方法具有良好的性能，能得到较好的超分辨效果。     

基于卷积神经网络的高光谱图像谱-空联合分类

随着深度学习的发展,卷积神经网络在各种视觉任务中都具有优越的性能;特别是在二维图像分类上,更是获得了很高的分类精度。针对于高光谱图像分类问题,设计了一种新的卷积运算;利用高光谱图像谱-空联合信息建立三维卷积神经网络对其进行分类;并针对高光谱图像样本不均匀性,在网络输出不同类别加入不同的权重加以训练。通过对两个公开高光谱图像数据集的测试,相对于传统方法,能够得到更高的分类精度,表明卷积神经网络对高光谱图像具有更强的特征表达能力。     

基于卷积神经网络的图像分类研究进展

基于卷积神经网络的图像分类算法的优势是传统方法无法比拟的。卷积神经网络利用其设计好的网络结构和权值共享的特点，能够从数量庞大的训练数据中学习图像底层到高级语义的抽象特征，而且端到端的学习省去了在每一个独立学习任务执行之前所做的数据标注。多年来，卷积神经网络经过科研人员的探索和尝试，从最开始的多层神经网络模型，演变出多种优化结构，性能不断提高。本文介绍了基于卷积神经网络图像分类算法的研究进展，叙述了卷积神经网络在图像分类中的经典模型和近年来的改进方法，并对各个模型进行分析，展示各种方法在ImageNet公共数据集上的性能表现，最后对基于卷积神经网络的图像分类算法的研究进行总结和展望。     

基于深度卷积神经网络的手写哈萨克文字母识别方法

利用卷积神经网络在图像识别方面的优势,提出了一种基于深度卷积神经网的哈萨克手写字母识别方法(DCNN-KLR),成功建立了一种哈萨克手写文字识别模型。 与传统的方法(SVM+HOG)相比,不仅训练方便、速度快,而且提高了哈萨克手写文字的识别率。在5708个数据样本上进行训练和测试,将样本分为33类和100类,正确识别率分别达到93.29%和92.38%。     

一种改进的深度网络残差学习的图像降噪方法

近年来，基于深度卷积神经网络的学习方法在图像降噪方面取得了前所未有的成果，通过调整网络结构和参数来获取更好的图像降噪效果已成为研究热点.降噪卷积神经网络在深度神经网络中采用残差学习方法，在提高降噪效果的同时，在一定程度上解决了盲降噪问题.其不足之处在于算法收敛时间长.该文针对降噪卷积神经网络结构做了进一步的改进，提出了一种基于反卷积降噪神经网络的图像降噪算法.该文工作的主要特色如下：1) 在原有的网络结构中，引入反卷积神经网络，优化了残差学习方式；2) 提出一种新的损失函数计算方法.使用BSD68和SET12测试数据集对本文提出的方法进行验证，实验结果表明，该文算法的降噪性能与降噪卷积神经网络算法相比，在相同降噪效果情形下，该文算法的收敛时间缩短了120%～138%.同时，与传统的深度学习图像降噪算法比较，该文方法的降噪效果和运行效率也都有提高.