基于组合矩不变量特征的BP神经网络分类器

本文通过研究特生的性质，在传统的７个矩不变量的基础上，提出了５个组合矩不变量一完成对目标特征的描述，为完成对三维物体的识别，这里采用三层的ＢＰ神经网作为分类器，其输入特征为上述组合矩不变量。文中对三类目标在各种姿态下的矩特征分布的情况进行了研究，并将神经网分类器和最小距离分类器的分类性能作了比较。     

基于矩特征的目标识别

对图像中的目标进行自动识别,既节省了人力,又提高了信息的时效,是模式识别发展的一个重要方向.文中用矩不变量表示目标的形状特征,并对其在离散时不具有尺寸不变性进行改进,构造了新的矩不变量.根据提取的矩特征设计了支持向量机分类器,用于对不同类型的目标进行分类识别,利用VC＋＋和Libsvm工具开发了自动识别软件.     

智能装配系统中神经视觉的三维物体识别

根据智能装配系统的实际要求，提出了一种利用神经视觉进行三维物体识别的理论和方法，在利用立体象对重建物体的三维外形的基础上，建立物体的区域图，利用物体的三维矩及其不变性来构造代表物体的特征矢量．采用ＡＲＴ２神经网络构成神经网络分类器，把物体的特征矢量作为神经网络分类器的输入，从而对物体进行识别或分类．这种识别或分类方法可以在线学习，能满足智能装配环境下连续作业的要求     

一种多尺度目标的序贯识别新方法

提出了一种基于分级特征模型的多尺度目标序贯识别新方法；研究了不变矩特征的尺度变化规律；建立了多尺度目标不变矩的分级特征模型，进而完成多尺度目标的序贯识别．多尺度舰船目标的模拟实验表明，这种基于不变矩分级特征模型的序贯识别算法，能有效地完成多尺度目标的识别，从而证实了分级特征模型符合多尺度目标特征的变化规律，有利于表达多尺度目标的特征，提高目标的检测、识别概率，减少计算复杂性．     

一种多尺度目标的序贯识别新方法

提出了一种基于分级特征模型的多尺度目标序贯识别新方法，研究了不变矩特征的尺度变化规律；建立了多尺度目标不变矩的分级特征模型，进而完成多尺度目标的序贯识别，多尺度舰船目标的模拟实验表明，这种基于不变矩分级特征模型的序贯识别算法，能有效地完成多尺度目标的识别，从而证实了分级特征模型符合多尺度目标特征的变化规律，有利于表达多尺度目标的特征，提高目标的检测，识别概率，减少计算复杂性。     

等距变形体的矩不变量构造方法

针对变形体由于形状的变化,其不变量的构造在模式识别领域较困难等问题,对等距变形体的识别问题进行研究,提出一种等距变形体的矩不变量构造方法。首先利用三角网格上的快速行进算法来构造特征矩阵,使得点对之间的测地距离得以保存;然后,对特征矩阵进行归一化,保证同一目标特征矩阵的不变性;最后,构造矩不变量对归一化特征矩阵进行特征提取,并对该矩不变量的平移、尺度和旋转不变性进行证明。研究结果表明:与传统方法相比,该类不变量在不降低识别效果的前提下,运算复杂度较低,并对噪声具有较强的鲁棒性。     

SVM与组合矩在工件识别中的应用研究

针对工件识别问题,提出了一种应用支持向量机(Support Vector Machine,SVM)与组合矩对工件进行识别的方法;通过对提取图像的Hu不变矩进行处理,形成利用组合矩进行工件识别的新方法;改进后的算法降低了特征维数,缩减了识别时间,提高了识别准确率;结合试验比较了两种方法的分类效果,其中提取Hu不变矩作为特征的识别率为82.3%,而采用组合矩作为特征的识别率高达94.1%,高于Hu不变矩作为特征的识别率.     

基于小波矩特征的小波神经网络目标识别

提出一种具有尺度、平移与旋转不变性的目标识别方法.该方法首先提取目标图像的小波矩特征,然后与小波神经网相结合,构成一套目标识别系统.小波矩不变量不仅可以表示图像的全局特征,而且还能表示局部特征;而小波神经网络结合了小波分析和传统神经网络的优点,具有很强的学习能力和推广能力.因此基于小波矩的小波神经网络目标识别系统在进行目标识别时具有很大的优势.实验中使用该方法对4类飞机目标进行识别,实验结果证明其识别率高于其它的目标识别方法.     

基于不变角度轮廓线的三维目标识别

三维物体的快速准确识别是研究的热点.根据局部特征变换的特点,提出了不变角度轮廓线的识别方法.算法通过点云矢量特征对物体进行局部分割,利用欧式距离、测地距离以及角度三个变量,建立其不变角度轮廓特征描述,进一步提取不变矩特征,构建特征向量数据库集.被识别物体的特征描述和数据库中特征进行夹角余弦匹配,可完成物体的识别.通过识别实验以及识别算法性能分析,结果表明算法具有较高的识别率和识别效率,可以用于复杂点云物体识别.     

基于正交矩模糊和仿射混合不变量的图像识别算法

为了识别含有模糊和仿射混合形变的图像,提出了一种新的基于正交矩模糊和仿射混合不变量的图像识别算法.该算法首先使用归一化方法构造了基于Legendre正交矩的仿射不变量,并结合Legendre正交矩的模糊不变量提出了Legendre正交矩的模糊和仿射混合不变量;然后将该混合不变量作为描述算子,将欧几里德范数作为分类尺度,以最近邻法则作为分类器,对图像进行识别.实验结果表明,与其他基于非正交矩的混合不变量相比,基于Legendre正交矩的模糊和仿射混合不变量在混合形变下能够获得更好的不变性,不会带来信息冗余问题,并且对噪声鲁棒性较好;此外,该图像识别算法比其他算法具有更高的识别率,特别是在图像含有较大噪声的情况下.     

低阶不变矩人耳识别方法

介绍了不变矩原理及特点,由于高阶矩对噪声敏感,提出一种低阶不变矩分子区域人耳识别方法.对分子区域的人耳图像,提取各个区的低阶不变矩首尾相连组成一组特征矢量,作为耳识别模型.在北京科技大学建立的图像库遍历实验后,结果表明,低阶矩识别效果好于高阶矩,分区好于整体.划分32区低阶不变矩达到100%的识别率.     

基于纹理和直方图特征相融合的镜头边界检测方法

镜头切换检测是视频检索研究领域中一项基本的、重要的技术,对于数字视频镜头突变切换的检测,一般有模板匹配法、直方图法等基本算法,但这些算法在实际检测中通常达不到较高的检测精度。因此,提出了一种特征融合的镜头边界检测方法。HSV色彩直方图进行镜头边界检测是一种常用、有效的方法,该文通过小波变换得到视频帧的纹理特征,并将其与色彩直方图特征相融合,采用滑动窗口技术对视频镜头进行检测。实验表明,该方法能够有效地检测镜头突变,对镜头的渐变也能有较好地检测。     

Shape classification based on singular value decomposition transform

In this paper, a new shape classification system based on singular value decomposition (SVD) transform using nearest neighbour classifier was proposed. The gray scale image of the shape object was converted into a black and white image. The squared Euclidean distance transform on binary image was applied to extract the boundary image of the shape. SVD transform features were extracted from the the boundary of the object shapes. In this paper, the proposed classification system based on SVD transform feature extraction method was compared with classifier based on moment invariants using nearest neighbour classifier. The experimental results showed the advantage of our proposed classification system.     

一种图像目标实时识别系统

以ＴＭＳ３２０Ｃ４０为主处理器，选用不变矩为目标特征，采用以积分方法为基础的一种不变矩快速算法，对极点的计算提出了具体算法。给出了各种极占的叠加分量。并采用ＢＰ神经网络对目标进行分类，实现了一种图像目标实时识别系统。实验表明，识别效果良好。     

矩在面部表情识别中的应用

将Zernike矩和小波矩运用于面部表情识别问题,分别计算了面部图像的Hu矩、Zernike矩、Haar矩、Shannon矩和B样条矩,以模式识别中常用的类间距作为依据,提取了面部图像的各种矩的最好特征和次好特征,并对Zernike矩和B样条矩的识别能力和抗噪性进行了比较.实验证明:用Zernike矩作为面部表情特征,其识别率在特征数取5个时能达到95%,B样条矩在特征数取2个以上时识别率能达到100%.     

不变矩构造方法的研究

在7个经典不变矩基础上，总结出基不变矩的一般构造规律，提出了一种新的推导不变矩的重要方法——三角函数分解法，导出了多个新的不变矩表达式，提出了不变矩空间的概念，讨论了不变矩在图像反转变换下的特性．利用扩充后的基不变矩特征序列就可以更准确地对图像进行分类和识别．     

基于伪Zernike矩不变量分析的视觉测力

提出了一种基于伪Zernike矩不变量分析的视觉测力方法.该方法利用伪Zernike矩不变量所构成的特征向量来描述微装配过程中微夹爪变形之后的形状,并由此建立了矩不变量特征向量与受力之间的函数关系;建立训练集,输入为矩不变量特征向量,输出为已知受力;通过支持向量机比较测试集与训练集中的特征向量,对测试集的输入进行多类分类,从而估计未知受力.对4种不同规格的微悬臂梁进行了实验,结果验证了该方法的有效性.