基于差分与对称性检测相结合的车标定位方法

提出了基于边缘颜色均值对的车牌定位算法,此方法充分利用车牌的底色与车牌字符颜色的固定搭配,在RGB颜色空间中求取相邻像素的RGB各分量的均值,然后转换到HSV颜色空间,如果出现符合颜色搭配的则认为是车牌可能在的区域．该方法既能保证尽可能多地提取出车牌区域像素,又极大地清除非车牌区域像素,使后续处理得到一定程度的简化．在此基础上利用车牌与车标的位置关系进行车头定位,并结合差分及对称性检测进行车标的精定位．     

基于主成分分析和BP神经网络的车标识别

在对3种数据降维技术进行了比较研究的基础上,提出一种基于主成分分析(PCA)和BP神经网络的车标识别算法.首先,利用PCA方法获得特征车标;然后,将待识别车标投影到特征车标张成的子空间;最后,通过BP神经网络进行车标识别.实验结果表明,该算法能有效提高车标的识别率,对光照和噪声有很强的鲁棒性.     

基于视觉注意机制与支持向量机结合的车标定位方法

针对环境复杂的车标区域难以定位的问题,提出了一种基于视觉注意机制(Visual Attention Theory,VAT)与支持向量机(Support Vector Machine,SVM)结合的车标定位算法.首先采用多信息融合特征对车牌进行综合定位,利用车标和车牌的相对位置关系确定车标感兴趣区域(Area of Interest,ROI),对该区域进行边缘检测处理,并对边缘所在位置进行显著性分析,利用支持向量机方法训练车标显著性模型选择分类器,然后利用模型选择分类器选取最优模型进行显著性区域提取,最后对显著性区域设计了一套离散车标前景合并机制进行最终的车标区域定位.实验表明:该方法能够有效地进行车标区域定位,与其他车标定位方法相比,具有检测率高、鲁棒性好、时效性快等特点,能够较好地定位不同天气不同场景的车标,具有较好的实用价值.     

基于主成分分析的目标确认方法及其在车标定位识别中的应用

提出一种基于主成分分析的目标确认方法,解决小目标定位错误率高,并由此导致无效目标识别的问题.将已建好的目标模板看成一组随机向量,利用主成分分析得到一组特征目标;从原图像中检测可能目标,并将其映入特征目标空间进行重构;构造原目标与重构目标的似真度函数,根据该函数值可对检测目标进行确认或剔除,降低误定位率,确保了进入后续识别的目标为目标库中对象.将该方法应用在实测车辆图像车标定位识别测试,结果表明:与不使用似真度函数验证相比,目标定位准确度提高了16.5%;使用不变矩最小距离分类器进行车标识别,识别准确度比不使用似真度函数确认提高了20%.     

基于SIFT的车标识别算法

针对车标识别过程中匹配阈值难、识别速度慢的问题,提出一种基于尺度不变特征变换(SIFT)的特征匹配车标识别算法.利用SIFT算子对图像的视角、平移、放射、亮度、旋转等不变特性进行提取,并采用BP神经网络算法自主选取车标图像特征进行分类、匹配和识别.仿真实验结果表明,简单车标和复杂车标的识别率平均值均达90%以上,该算法识别速度较快、识别率较高,能满足实际应用的需要.     

基于深度学习的车标识别算法的研究与实现

依据深度学习算法可以自主进行特征学习和识别的特点,提出一种基于Keras深度学习框架的车标识别算法。将该方法将ResNet50和Inception V3两模型相结合构建训练网络,以此建立分类器对车标图像进行识别。实验结果表明,该方法与传统的卷积神经网络分类进行比对,提高了车标识别的准确率。     

基于两级BP神经网络的机动车车标识别

本文描述一种基于两级BP神经网络的机动车车标识别算法,该算法对车标识别中的多分类问题提出一种解决方案。根据车牌和车标在位置和尺寸之间的关联,文中利用车牌信息,确定车标的候选区域,然后利用形态学和连通域分析（CCA）定位车标。最后使用两级BP神经网络：预测网络和验证网络完成车标识别的目的。文中以两类车标为例,通过实验表明该算法具有较高的识别率和较低的错误率。     

基于2DPCA-ICA和SVM的车标识别新方法

为了进一步提高车标识别率,提出了一种新的车标识别方法.首先应用二维主元分析技术进行数据降维,然后应用独立成分分析技术提取车标图像的特征,最后应用支持向量机技术设计分类器进行车标识别.实验结果表明,和现有方法相比,所提出的车标识别方法具有更高的识别率、更快的运算速度.     

基于深度残差网络的车标识别

针对车标识别准确率的问题, 提出一种基于ResNet-18模型改进残差网络的车标识别算法. 首先, 利用残差网络并对其进行改进, 使用改进的线性修正单元Leaky ReLU激活函数代替原激活函数; 其次, 调整传统的残差网络结构, 将批量标准化和激活函数放在卷积层前, 并减少网络参数以加速网络训练. 实验结果表明, 改进后的残差网络模型识别准确率达99.8%.     

拟南芥雄性不育突变体EC2-157基因的精细定位

通过背景纯化与遗传分析，从拟南芥雄性不育突变体中筛选到一株隐性单基因控制的雄性不育株EC2—157．细胞学观察表明，突变体的花药中不形成花粉粒．利用图位克隆的方法对不育基因ms157进行了定位，结果表明ms157位于第四条染色体上分子标记CIW7和T13K14之间285kb的区间内．目前尚未见到该区间雄性不育基因的报道，因此ms157是一个新的雄性不育基因．     

基于车徽背景纹理识别的车徽定位新方法

车徽是汽车品牌的标志，是汽车分类与识别的重要依据．车徽定位是车徽识别的关键环节．笔者提出了一种新的车徽定位方法．首先，根据车徽和车牌的位置关系进行车徽的粗定位，其次，进行车徽背景的纹理识别，然后，通过边缘检测进行车徽的背景抑制，对水平纹理进行垂直边缘检测，对垂直纹理进行水平边缘检测，最后应用数学形态学进行滤波，精确定位用车徽．实验结果表明，此方法具有很好的车徽定位效果．     

基于融合分割和LASSO回归的实时车道偏离预警

在有路面污染、标识干扰等复杂高速道路环境下,车道偏离预警系统的鲁棒性和实时性会变差。为此提出一种利用两种算法融合分割和LASSO回归模型进行车道线检测和偏离预警的新方法。首先,分别采用TopHat算法和OTSU算法分割出车道线背景并进行"与"运算融合,据此准确提取出车道信息;其次,分两步检测车道线,第一步基于概率Hough变换进行直线检测,将检测出的车道线位置设为动态ROI区域并进行卡尔曼滤波跟踪处理,第二步是基于LASSO多项式回归模型对车道线再次进行参数估计和拟合,以改善使用最小二乘法时的过拟合问题;最后,根据设置的虚拟车道线和角度模型进行车道偏离预警决策。实验结果表明,所提出的方法在复杂道路环境下的平均正检率为96.07%,检测速率可达到32 ms/帧,即具有良好的鲁棒性和实时性。     

多能互补发电系统故障识别与测距方法

随着大量新能源的接入,使得多端柔性直流系统(Modular Multilevel Converter based Multi-terminal Direct Current, MMC-MTDC)故障特征愈加复杂,快速准确的故障识别与测距是亟需解决的关键难题之一。为此,本文提出了一种风-光-储-蓄互补发电站经柔性直流输电外送系统故障识别与测距方法。首先,搭建风-光-储-蓄互补发电站经柔直外送系统,在此基础上,提出了一种Teager能量算子能量熵的新方法,利用测量点正负极Teager能量算子能量熵的比值构建故障选极及区段识别判据。接着,针对已识别的故障线路,提出变分模态分解(Variational Mode Decomposition, VMD)与Teager能量算子 (Teager Energy Operator, TEO)相结合的故障测距方法。最后,利用PSCAD/EMTDC进行仿真,结果表明所提识别方法可以准确判断故障所在线路,所提测距方法能在故障发生2 ms时间窗内实现故障测距,误差率不超过2.55%,并具有较高的耐过渡电阻能力。     

通过V/F实现A/D的一种方法

介绍了通过V／F完成A／D的一种新实现方法，利用V／F将模拟信号转发换为对应的频率信号，传送至微机系统后程控分频，形成周期为10～20ms之间的方波信号，测其周期，即可用软件方法求得对应的模拟量信号。最后举了一个应用实例。     

碘量法测定碘酸铜溶度积常数的又一种方法

采用间接碘量法测定碘酸铜的溶度积常数，测定的原理、方法简单，操作方便，结果满意．     

蜂窝网中一种改进的TDOA/AOA联合定位算法

智能天线在第三代移动通信定位中的运用，使信号来波角的测量成为可能，提出在基于TDOA／AOA定位算法的基础上，引入松弛变量，采用反复叠代的方法，消除了大部分NLOS的影响，提高了定位精度．因此，这种方法适合于未来移动通信定位系统的应用．     

复杂工业环境下激光束中心快速精确定位方法

针对工业现场在线检测对计算机视觉算法稳定性、实时性、精度和抗干扰能力的要求,结合两万吨挤压机活动部件五自由度实时监测系统的具体情况,在现有方法的基础上,提出了一种复杂工业环境下激光束中心快速精确定位方法.首先,在图像预处理的基础上通过Canny算法实现图像边缘二值化,并对得到边缘进行筛选,剔除不符合光斑轮廓特征的边缘.接着,采用一种改进的快速Hough变换初步确定激光光斑的大致位置和半径,依据Hough变换计算结果设置光斑有效区域,在有效区域内通过最小二乘法椭圆拟合得到亚像素精度的激光束中心坐标.实验研究表明,该方法在存在噪声的环境下单次检测时间小于50ms,精度达0.15像素(pixel).可在较强干扰下实现激光束中心的精确定位,与传统方法相比,精度高,实时性好,适应性强.     

一种基于Adaboost的车牌定位算法

针对成像过程的光照影响以及车辆的污损对车牌定位影响较大的情况，提出了一种基于Adaboost的车牌定位算法.该算法首先将车牌彩色图像进行预处理，然后使用Adaboost算法进行车牌定位，最后使用车牌颜色模型对车牌定位结果进行校验.相对于目前用于车牌定位的方法，该算法具有较快的定位速度和较高的准确率.实验证明，采用该算法能获得较好的车牌定位效果，鲁棒性强，具有较大的实用价值.