基于线性方向特征的高分辨率遥感图像道路提取研究

当前高分辨率遥感图像自动识别技术的关键就是图像的特征提取。针对传统道路提取自动化程度较低,提取精度不高等问题,提出一种基于线性方向特征的道路自动提取算法。首先,利用图像光谱特征进行图像预处理;其次,运用傅里叶变换在频率域上进行Gabor滤波,通过优化滤波器的尺度、频率和方向参数达到识别道路线性方向特征的目的;再次,通过图像二值化并采用形态学的图像后处理方法提纯道路。以南京主城区QuickBird遥感影像为实验数据,选取3块具有典型特征的区域完成道路提取。研究结果表明3块区域道路提取的平均精度达到95.67%,合理地验证了该算法对于高分辨率遥感图像复杂的城市道路提取具有一定的可靠性。     

基于卷积神经网络的面部图像修饰检测

为避免人为因素对人脸面部图像皮肤纹理特征提取产生的影响,用卷积神经网络算法对人脸图像修饰进行检测.传统的图像分类方法需要进行复杂的人工特征提取,而卷积神经网络可以自动学习并直接从图像中获取特征,解决了传统模式识别方法特征提取难的问题,具有更高的识别率和更广泛的实用性.在传统卷积神经网络模型中,调整卷积核大小、减少参数、改变卷积层滤波器数量、调整卷积层和池化层的交替方式、使用dropout来提高模型泛化能力以形成适用于人脸修饰检测的新的网络模型.实验结果表明,在引入的数据集上,新的网络模型对人脸图像的修饰检测有较强的鲁棒性,达到了较高的识别率.     

基于深度学习的车检图像多目标检测与识别

为了实现快速和自动的车辆外观检测,提出一种基于深度学习的车检图像多目标检测与识别方法。首先,采用轻量级神经网络YOLOv3实现车检图像中车头、轮胎、车牌及三角形标志的检测与识别;其次,采用多任务级联卷积神经网络实现车牌4个关键点定位;再次,利用车牌4个关键点坐标,结合目标车牌图像高宽先验,通过透视变换对车牌进行校正;最后,设计卷积神经网络实现车牌底色分类,同时设计卷积循环神经网络,实现车牌字符识别。实验结果表明,在816×612的车检图像上,该方法中端到端的多目标检测与识别的平均精度达98.03%;为便于在车检场景下应用该模型,利用阿里巴巴推理引擎将模型部署到CPU端,使多目标检测与识别的平均速度达10帧/s,从而满足车检的应用需求。     

一种基于小波、分形与神经网络的汽车车型识别方法

提出了利用小波分析、分形理论和神经网络技术进行车型图像的识别方法,主要包括用小波理论进行汽车图像的消噪和边缘检测、分形编码和神经网络分类等3个部分,经过实验证明,该方法取得了较佳的识别效果。     

体育视频中基于卡尔曼滤波器的运动员人脸检测识别方法

针对体育比赛期间运动员的检测识别并显示对应统计信息问题,提出了一种运动员人脸检测识别方法 .主要分四个步骤:第一步,利用一阶卡尔曼滤波器跟踪被检测目标;第二步,使用AdaBoost和Haarlike特征检测进行特征选择和分类;第三步,利用推进方法进行人脸检测;第四步,利用LDA初始化的AdaBoost算法识别人脸.用数码相机采集412张不同图像进行实验.实验结果表明,本文提出的方法在大部分情况下都能获得最高的球员检测精度和人脸识别精度.     

基于深度置信网络和生成模型的驾驶疲劳识别

驾驶疲劳识别研究对预防交通事故提高交通安全具有重要意义.提出了一种基于深度置信网络和生成模型的驾驶疲劳识别方法.为了有效地表示疲劳,采用深度置信网络从人脸图像中提取疲劳特征;结合已标注样本和未标注样本,提出了一种基于生成模型的半监督学习的疲劳识别方法,解决了疲劳识别中的小样本问题.在自建疲劳数据库上,采用该方法进行了驾驶疲劳识别的仿真实验,同时和其他几种方法进行了对比,结果表明该方法具有更高的识别精度.     

基于矩不变量和神经网络识别三维物体

三维物体识别是计算机视觉的重要研究课题,广泛应用于工业和军事等领域.目前大多数识别方法,只能由某个特定角度的二维图像识别三维物体.采用矩不变量与神经网络相结合的方法实现三维物体的识别.使样本物体绕z轴旋转,间隔一定角度拍摄一幅图像(最大间隔角度不超过30度),得到一系列样本物体图像.计算这些图像的矩不变量并作为其特征向...     

实时图像识别算法在移动设备中的应用研究

移动设备能在多种环境中进行信息采集和图像处理作业,具有广泛的用途.由于受体积和重量的限制,移动设备对图像的实时处理能力不强,设计并优化相应的算法是解决该问题的有效途径.文章提出了一种实时图像识别算法,利用BRISK检测算法、FREAK描述算法、Sobel目标提取算子和BP神经网络分析并提取图像中的目标信息.在智能手机上的测试表明,该算法可以根据颜色和形状特征分割识别交通图像中的4种目标类型.单幅图像处理耗时约为0. 3s,达到了实时识别的要求,能够应用于车辆的智能导航和辅助驾驶.     

医用内窥镜图像校正的BP神经网络方法

用传统的畸变校正法对内窥镜图像进行校正存在畸变模型复杂、计算量大、易产生误差等问题. 该文利用标准模板,提取样本点在标准图像和内窥镜拍摄的畸变图像中的坐标,分别作为BP神经网络训练的输入和目标,通过神经网络的训练拟合成像镜头的畸变模型,从而确定标准图像和畸变图像上像素点的位置关系. 再通过图像插值的方法进行图像恢复,实现图像校正. 实验结果表明该方法简单有效,具有精确性.     

神经网络在车辆目标识别中的应用

提出了利用神经网络技术对战场侦察雷达目标回波的时域或频域信号进行处理,以实现对车辆目标进行分类识别的一种新算法.首先对目标的回波信号作时域或频域分析,从中提取信号的特征向量,然后利用所建立的神经网络模型对目标信号作训练识别,最后与经典谱分析的方法作比较,并采用实际数据验证这种识别算法是有效的.     

深度学习空域隐写分析的预处理层

在一种具有预处理层的卷积神经网络模型基础上,对其高通滤波器预处理层进行改进,采用一组导数滤波器以获得线性及非线性残差图像,并对残差图像进行量化和截断操作,从而更加有效地提取图像特征.实验结果表明,与已有方法相比,尽管所提的3种方法对各空域隐写算法及各嵌入率下的性能表现并不一致,但这些方法均能显著提升隐写分析检测率.对于检测嵌入率为0.4 bpp的S-UNIWARD隐写算法,检测正确率提高了6%.     

压缩感知稀疏识别用于多视角图像目标分类

针对多视角条件下的图像目标分类问题,提出一种基于压缩感知特征的稀疏识别方法. 该方法以原始图像的感知数据为特征描述,将测试样本与训练样本集的压缩感知特征纳入稀疏识别的框架,并通过求解一个l1范数优化问题来获取分类结果. 实验表明,该方法不仅有效利用了压缩感知特征的信息冗余性来保证稀疏识别的性能,而且无需进行预处理就能较好地实现多视角图像的目标分类.     

四维时空兴趣点提取结合多流形判别分析的人体动作识别

针对人体动作识别方法较差的稳定性和视角选择的局限性问题,提出了四维时空兴趣点提取结合多流形判别分析(MMDA)的人体动作识别方法.首先,将每个动作通过三维空间体和四维时空兴趣点投影到任意视角;然后,构建运动历史图像和非运动历史图像,并使用类增强主成分分析进行降维;最后,将降维后的矩阵构建为多流形,计算测试图像流形与各个训练图像流形之间的距离,利用最近邻分类器完成识别.在IXMAS数据集上的实验结果表明,相比其他几种动作识别方法,提出的方法取得了更高的识别率,且对任意视角都具有较好的鲁棒性.     

基于残差块的遥感图像目标识别自编码网络

实现遥感图像目标识别的智能化是一个亟待解决的问题.由此建立了黑龙江地区地表高清遥感图像数据集,以深度学习为基本工具,设计了基于残差块的遥感图像目标识别自编码网络,并使用优化算法对学习过程进行了优化提升.搭建了实验平台,完成了对神经网络的训练和测试实验,验证了该文所提算法的有效性,为实现遥感图像目标识别的智能化提供了有效方案.     

机加工件点阵字符识别研究

文章介绍了针对机加工件上点阵字符图像处理的关键技术,包括灰度值调整、分割图像、训练OCR和识别。对BP神经网络的结构及参数进行设计,采用逐像素特征提取法对字符进行识别,针对相似字符的识别本文采取了再次分类特征提取,最终对所提取字符的识别率有了很大提升,取得了满意的识别结果。     

基于Snake模型和协作表示分类的鲁棒人脸识别方法

人脸图像的姿态和偏转角度变化严重影响人脸识别的性能,为此提出一种基于Snake模型姿态矫正和协作表示分类(CRC)的鲁棒人脸识别方法.首先,利用Snake模型提取人脸图像边缘和特征点,对偏转人脸图像进行矫正.然后,提取Gabor特征,构建特征向量.最后,采用CRC算法,对图像特征进行协作表示,根据样本图像与测试图像的残差来判断图像类别.实验结果表明,提出的方法对偏转角度、姿态、光照变化具有很强的鲁棒性.     

基于计算机视觉技术的武夷岩茶识别研究

该研究对数码相机所获得的茶叶图像经过图像预处理、图像增强后,提取出茶叶颜色、形状特征,用相同的方法获取茶汤颜色特征,通过BP神经网络训练和分类,完成对武夷岩茶品质的识别,实验结果表明此方法有较好的识别效果,检测结果和人工检测结果高度吻合.     

基于Shearlet变换和Krawtchouk矩不变量的河流SAR图像分割

合成孔径雷达(synthetic aperture radar,SAR)图像分割是河流检测与识别的关键步骤,为了进一步提高河流SAR图像分割的准确性,提出一种基于Shearlet变换、Krawtchouk矩不变量及模糊局部信息C均值聚类的河流SAR图像分割方法.首先,对河流SAR图像进行Shearlet分解,提取其纹理特征,构成特征向量的前半部分;然后,计算河流SAR图像的Krawtchouk矩不变量,作为其形状特征,构成特征向量的后半部分;最后,利用模糊局部信息C均值算法依照上述特征向量进行聚类,由此得到河流SAR图像分割结果.大量实验结果表明,与近年来提出的脉冲耦合神经网络结合最大方差比准则分割法、Gabor小波变换结合模糊C均值聚类分割法、FLICM聚类分割法相比,所提出的方法在主观视觉效果以及客观定量评价指标误分割率上均有明显优势,且分割河流SAR图像更加准确.     

基于FCM和BP神经网络的棉麻纤维识别方法研究

提出一种基于模糊c均值(FCM)和BP神经网络的棉麻纤维识别方法。首先,根据纤维横向和纵向截面形态的不同,提取6个特征参数,然后运用模糊c均值算法将样本聚类成3类,再将聚类后的数据作为BP神经网络的输入进行训练和预测,最后进行仿真实验。结果表明,将两种算法结合起来用于纤维的识别具有明显优势,是值得推广的纤维识别方法。     

四元数和脉冲耦合神经网络应用于足球检测

提出一种基于四元数傅里叶变换注意力选择和脉冲耦合神经网络在图像中跟踪足球的方法. 首先进行图像预处理以去除球场以外的区域,用四元数注意力选择算法提取感兴趣区域,基于颜色、形状、面积等多种特征检测足球. 若检测失败,则采用卡尔曼滤波器预测足球位置. 仿真结果表明,与基于速度控制的动态卡尔曼滤波和实时足球检测两种方法相比,检测成功率分别提高9.6%和14.9%.