基于图像融合的去掌纹手掌静脉图像增强方法

针对手掌静脉识别系统中预处理算法不能够很好地解决掌纹造成静脉网络"断裂",导致识别性能降低的问题,通过对手掌静脉图像的观察和分析,提出8个方向滤波器提取掌纹;并将掌纹提取图像与原掌脉图像加权融合,消除了掌纹对手掌静脉图像的干扰,使静脉网络更加连贯,增大了静脉与背景的对比度。实验结果表明,与目前已有的手掌静脉增强方法相比,去掌纹增强方法提高了图像质量,进而提高了手掌静脉识别系统的识别精度。     

深度信念网在油井功图识别中的应用

针对油井功图识别中存在的一些问题,提出了一种基于深度信念网的油井功图识别方法。首先通过实验对比的结果确定网络结构,然后使用无监督学习的手段初始化网络权值,最后用有监督的误差反向传播算法微调整个网络,从而实现功图图像到油井工况之间的映射关系。实验结果表明:深度信念网能够自动学习功图特征,提高识别效率;与传统分类模型相比,使用深度信念网进行油井功图识别的过程更简便,更能够达到理想的效果。     

基于投影权值归一化的立体图像质量评价方法

本文基于深度卷积神经网络和融合图像提出了一种引入投影权值归一化的立体图像质量评价方法.首先基于人眼双目竞争现象,提出对经过Gabor滤波后的左右视点图像进行彩色融合,从而得到单幅融合图像.卷积神经网络的输入即为预处理后的融合图像,通过卷积层自主对图像特征进行提取,采用池化层对特征信息降维,保留显著特征且减小网络计算复杂度;采用Re LU非线性激活函数缓解梯度消失,有效缓解了网络过拟合问题;网络引入数据批量归一化来规范各层输入数据的分布,引入投影权值归一化来保证权值参数的量级相同,有效地提升了算法的性能.本文在公开的立体图像库LIVE-Ⅰ和LIVE-Ⅱ上进行了实验.实验结果表明,本文方法在对称失真与非对称失真的立体图像质量评价上均具有较好的性能.     

基于物联网的粮情监控系统中入侵检测研究

在基于物联网的粮情监控系统中,传统入侵检测方法很难准确实时地从海量数据提取特征信息来识别网络攻击,使系统容易遭受安全问题,从而破坏数据的完整性,因此,提出一种基于深度信念网络的交替决策树入侵检测(DBNADT)方法。该方法利用深度信念网络进行无监督地特征学习,通过预训练将原始数据特征降维,利用权值微调算法获得数据的最优低维表示;然后采用交替决策树分类器对各种异常网络入侵数据进行识别。结果表明,DBN-ADT方法在攻击行为的识别准确率上比支持向量机(SVM)和逻辑回归(LR)分别提高了7.24%和8.25%,在检测时间上分别缩短了约1/2和2/5。DBN-ADT方法具有更高的检测准确率和实时性。     

深度可分离卷积网络的驾驶状态识别算法

针对嵌入式设备内存小及多分类准确率低等导致驾驶员检测问题,提出经过深度可分离卷积网络改进而成的,快速下采样网络(fast downsampling network,MF-Net)驾驶状态识别系统.即将快速下采样策略应用于深度可分离卷积网络,在12层内执行32倍下采样,以有效降低计算成本、增加信息容量并实现性能改进.实验结果表明:与VGG(visual geometry group)和ResNet 50等其他卷积神经网络(CNN)模型相比,所提出的MF-Net模型深度可分离卷积大大减少参数量,快速下采样方案的运用增加了网络的信息容量,不仅模型较小且在驾驶员状态分类方面能够表现出更好的性能.同时,信息容量的增加可以对更多信息进行编码,加深对图像内容的理解,有利于之后的嵌入式系统移植.     

基于完备抓取构型和多阶段网络的软体手抓取

视觉引导的软体手抓取依赖视觉输出正确的抓取位置、抓取角度和抓取深度,为此提出了面向多手指软体手的完备抓取构型数学模型和多任务损失函数,设计了基于"锚点"旋转框的两阶段深度学习网络,实现了从图像到软体多手指抓取指令的直接映射.通过公开数据库和自建数据库分析了网络模型的性能表现.研究结果表明:多任务损失函数和基于"锚点"旋转框的两阶段网络模型有效提高了多输出抓取检测的准确率和机器人抓取的成功率.最后,构建了机器人软体手抓取系统,抓取实验结果表明:所提方法对视觉定位误差具有一定的抓取稳健性,可成功抓取不同种类的水果,能够达到96%的抓取成功率,对水果皮的抓取也具有很好的泛化能力.     

一种基于场景规则与深度卷积神经网络的行人检测方法

深度卷积网络是解决分类问题的一种有效手段,但行人检测任务并不能通过分类来直接实现.为了在行人检测问题中进一步发挥深度卷积网络的优越分类性能,在实拍场景下,针对平直道路的情况,提出了一种基于摄像机安装位置和摄像机参数的感兴趣区域分割方法,合理利用先验知识和规则,对行人在图像当中可能出现的位置,以及不同位置上行人的尺度大小给出限制,从而系统仅对可能发生危险的区域进行搜索,避免了传统方法中多尺度遍历搜索整副图像的弊端.在此基础上,将危险区域所得的候选目标窗口作为待检测样本传送到构建好的深度卷积网络中进行分类,完成行人检测任务.实验结果表明,所研究的算法在一定距离内达到了预期的检测效果.     

基于深度信念卷积神经网络的图像识别与分类

针对基于卷积神经网络的图像识别采用随机初始化网络权值的方法易收敛到局部最优值的问题,该文提出了一种结合无监督和有监督学习的网络权值预训练算法。融合零成分分析白化与深度信念网络预学习得到的特征,对卷积神经网络权值进行初始化;通过卷积、池化等操作,对训练样本进行特征提取并使用全连接网络对特征进行分类;计算分类损失函数并优化网络参数。在公开图像数据库中进行了大量实验,与公开最佳算法比较,该算法在MNIST中的识别错误率降低了0.1%,在Caltech101中的分类准确率提升了0.56%,验证了该算法优于现有算法。     

基于深度学习的监控视频树叶遮挡检测

结合稀疏自编码器的自动提取数据特征能力和深度置信网络较好的分类性能,提出一种基于深度学习的监控视频树叶遮挡检测方法。首先从视频中随机选取一帧图像,通过栈式稀疏自编码器主动学习视频图像的特征信息,然后采用深度置信网络建立分类检测模型,最后引入学习速率自适应调整策略对整个神经网络进行微调。该方法不需要对视频连续取帧,具有较好的图像特征主动学习能力,克服了人工提取特征能力有限的缺陷。实验结果表明,在样本量充足的条件下,使用本文方法进行监控视频树叶遮挡检测可以达到88.97%的准确率。     

手指静脉装置的光源优化设计及应用

为了提高手指静脉的识别率,首先需要提高手指静脉图像的质量,影响图像质量的关键因素是手指静脉采集设备,而采集装置的近红外LED光源系统直接决定手指静脉成像的质量;提出一种近红外LED阵列等边三角形排列的光源设计方法,优化三角形阵列的结构参数;实验结果表明:采集的手指静脉图像质量提高,有助于提升手指静脉识别图像的识别率。