基于动态特征和静态特征融合的步态识别方法

针对步态识别非强迫性、不易被察觉、难以隐藏和远距离的特点,为了提高步态识别率,提出基于静态能量图和动态群体隐马尔可夫模型的步态识别方法 .首先,对步态图像预处理,计算步态周期,把步态序列中对应关键帧能量图进行叠加;然后,用群体隐马尔可夫模型训练参数,最后用近邻法识别.利用中科院自动化研究所提供的数据库对该方法进行了验证,在90°视角、45°视角下相同的衣着,以及在90°视角下不同衣着三种情形下进行了实验,实验结果验证了该方法的可行性,对角度变化有一定的鲁棒性且减少了噪声对识别的影响.     

采用双树复小波和混合概率模型的光学相干层析图像去噪

为了去除光学相干层析图像中的斑点噪声,提出了基于双树复小波变换的混合概率模型ProbShrink算法. 针对原始光学相干层析图像中信号和噪声的分布特点,在微观层面引入了混合概率模型：将OCT图像取对数后进行双树复小波变换,对于层状边缘中与边缘点“方向一致”的小波系数,采用广义高斯模型描述;对于其他小波系数,则采用高斯模型进行描述. 而后采用改进的ProbShrink算法进行去噪. 实验结果表明,该算法在大幅提升信噪比的情况下保持边缘锐度的相对稳定,优于传统的基于小波变换的去噪方法.     

道路监控视频中运动目标分割算法的研究

运动目标分割是交通事件检测的基础,分割的质量直接影响道路事件检测的准确性.依次研究了平均法、连续帧差法、混合高斯建模及阴影消除等算法,并综合应用于道路监控视频的运动目标分割的各阶段.针对连续帧差法和混合高斯建模算法进行了仿真实验,结果表明,混合高斯建模算法更适合做运动目标的分割,但由此得到的前景运动目标常受到阴影干扰,所以在混合高斯建模算法中,加入了消除运动目标阴影的算法.通过实验仿真表明,优化的该算法能够更加清晰地分割出前景运动目标图像.     

基于高斯相似度分析的最大后验非线性变换HMM自适应算法

由于训练环境和识别环境的失配,识别系统的性能会严重下降,为此提出了基于高斯相似度分析的最大后验概率非线性变换的环境自适应算法,它可以减小由于环境的失配所引起的系统性能的下降.在该算法中,首先将HMM模型中的高斯分量进行相似度分析并建立二叉树,然后根据数据自适应调整变换类数,在每一类内利用分段线性回归近似非线性变换将训练环境下的HMM变换到识别环境,减小环境的失配,变换参数的估计采用了最大后验概率估计(MAP).数字语音识别实验证明:该环境自适应算法的识别性能优于带有高斯相似度分析的MLST、MAPLR和MLLR等算法.     

嵌入自联想神经网络的高斯混合背景模型说话人确认

提出在高斯混合背景模型中嵌入自联想神经网络的方法,并将它用于说话人确认. 该方法利用神经网络 和高斯混合背景模型各自的优点,以极大似然概率为训练准则,将两者作为一个整体进行训练,揭示了特征向量的 空间信息. 嵌入的神经网络起到了数据整形的作用,增强了目标说话人数据的相似性. 在背景模型和目标模型的训 练中交替更新高斯混合模型和神经网络的参数. 实验表明,采用本文提出的模型并结合TNorm方法,比基线系统 的确认率提高26%.     

基于全变分正则化的双侧约束图像去模糊问题

针对经典的图像去模糊问题,提出用交替Bregman方法求解双侧约束变分正则化图像去模糊问题.该算法通过引入辅助变量将初始问题转化为求解几个子优化问题,然后采用交替方向法进行快速求解.实验结果表明,对于不同程度的高斯模糊和噪声,该模型和算法都能够得到有效地恢复结果.     

基于边缘保持滤波和改进核模糊聚类的脑肿瘤图像分割方法

脑核磁共振图像常常受到噪声的影响,且有灰度不均、边界模糊的特点,使得传统聚类算法无法获得理想的脑部肿瘤分割结果,为此提出一种基于边缘保持滤波和改进核模糊聚类的脑肿瘤图像分割方法.该方法首先采用改进的引导滤波算法对图像进行预处理,解决平滑图像时不能保留图像边缘的问题;然后将传统核模糊C-均值聚类算法(Kernel fuzzy C-means clustering)中的单一高斯核函数替换为混合高斯核函数,将数据由低维空间映射到高维特征空间;最后将马尔科夫随机场的先验概率引入,对算法的目标函数进行修正,进一步增强算法的抗噪性.实验结果表明,所提方法在去除噪声的同时,能够有效保留图像的边缘信息,PSNR值相比传统算法提升0.804 1～2.096 2 dB,SSIM值相比传统算法提升0.031 2～0.065 4,且算法分割精度更高,Dice指标和Jaccard指标的平均值分别达到0.955 1和0.914 1.     

单通道双MFSK信号调制识别方法

针对单通道双MFSK信号的调制识别问题,提出了一种基于经验模态分解(EMD)和分形盒维数的调制识别算法。该算法利用EMD将混有高斯噪声的双MFSK混合信号分解成多个分量,提取每个分量的分形盒维数作为特征参数,使用BP神经网络作为分类器对其进行识别。仿真结果表明,该算法对频谱不混叠的双MFSK信号有较好的识别效果。     

基于引导滤波和NSST的工业CT图像边缘检测

针对传统边缘检测算法不能准确检测有噪工业CT图像边缘的问题,提出一种鲁棒性好、能有效保持细小边缘的边缘检测算法.用引导滤波取代高斯滤波作为边缘检测的预处理,避免Canny算法对边缘的损坏,得到初步检测结果.在此基础上采用非下采样Shearlet变换分解图像,提取包含图像边缘细节信息的各尺度不同方向的高频系数.对每个方向的系数进行模极大值检测,并结合不同分解程度下边缘像素处的系数关系进一步调整模极大值,低频置零并通过反变换得到高频边缘检测结果.将初步检测结果与高频检测结果进行融合,经数学形态学处理得到最终边缘检测图像.实验对比了Canny算子以及近年来提出的同类边缘检测算法的结果,所提算法表现出更好的边缘保持特性,检测的完整性和准确性更高,品质因数比实验中的其他算法平均高出12%,边缘检测效果优越,为工业CT无损检测系统提供了更好的边缘检测方案.     

基于MFCC与GFCC混合特征参数的说话人识别

针对说话人识别中单一参数表征不够全面的特点,将抗噪性能一般的传统MFCC参数与鲁棒性更强的GFCC参数相互融合,并结合它们的动态特性构成一种新的混合参数.针对特征参数维数过高造成的冗余,研究了每种特征参数各分量与识别结果的关系,舍弃其中贡献较低的分量以实现特征参数降维的目的,并将混合参数应用于基于高斯混合模型的说话人识别系统.仿真实验表明,该混合特征参数具有更好的识别性能和抗噪性.     

基于OSPA距离和特征点采样的路标识别算法

提出了一种基于最优次模式(OSPA)距离的路标识别算法.算法引入Markov随机场建立噪声的待检图像,然后采用条件迭代算法(ICM)恢复图像,进一步提取路标边缘点.这些边缘点作为特征点;该特征点看作为待检特征点集,计算其和标准路标库图像之间的OSPA的距离,以此来识别待检路标.分析表明,该算法对于路标的形态识别具有明显的优势,最后分析了图像尺寸大小、特征点数量对OSPA距离的影响.     

一种鲁棒的圆形标记点中心提取方法

圆形标记点中心识别是视觉测量的关键技术之一. 为满足工业现场精确标定和测量的需求,提出了一种鲁棒的标记点中心提取算法. 首先对图像进行预处理和Canny边缘提取;然后用增强的Snake方法对边缘进行全局最优搜索,并以具备积分性质的Zernike算子对图像边缘进行亚像素定位;最后采用鲁棒的椭圆拟合算法迭代定位椭圆中心. 仿真和实测表明,该算法在标记点破损或被污染情况下仍能给出精确的中心定位. 理想情况下定位误差小于0.02像素,在标记点破损或被污染情况下定位误差小于0.03像素.     

基于混合进化计算的GMM优化方法及其在说话人辨认中的应用

提出了基于进化高斯混合模型(EGMM)的说话人辨认系统建模方法.EGMM在进化算法的框架下,为改善模型的泛化性能对GMM模型的结构与参数共同进行了优化.同时,系统的优化目标中引入了其他用户的区分性信息以提高其分类精度.根据GMM的特点设计了专门的遗传算子并结合GA与EP提出了一种新的混合进化算法.初步实验结果表明,EGMM方法建立的说话人模型具有更强的泛化能力.在说话人辨认实验中,较之传统的GMM方法,基于EGMM的系统的正识率提高了近3%,并且模型具有更小的平均尺寸.     

一种基于星体特征值的全天星图识别法

为了解决全天三角形星图识别法运行时间较长的问题,提高星敏感器测量飞行器姿态的实时性,提出了一种基于星体特征值的全天星图识别法。该算法根据星敏感器捕获星体的原理,分析了星体附近区域的特征信息,采用星体特征值作为星体的匹配因素,并建立了基于星体特征值的全天星图识别法模型。仿真过程选择标准天文星表来提供星体数据,并从中抽取13332颗星体构成候选星表,来对算法进行仿真。仿真结果显示:与传统的全天三角形星图识别法相比,该算法具有更短的运行时间和更高的星图识别率。     

基于人工神经网络的条码定位与识别方法

针对大角度条码图像区域自动定位这一关键技术的具体应用,笔者提出一种适合大角度条码图像区域自动定位的算法。该算法以高斯滤波、边缘检测和霍夫变换做预处理,采用已经训练好的人工神经网络进行定位,运用全局与局部结合的二值化方法进行二值化、识别。实验证明,该算法图像定位准确率高,大角度条码图像定位效果较为理想,提升了图像识别的正确率。     

基于GMM-LSTM的车辆切入意图识别研究

【目的】为了能准确识别出他车的切入意图，同时解决由爆发性增长的无标签行车数据所引起的识别模型落地难的问题。【方法】本研究提出一种双层无监督的车辆切入意图识别模型，该模型由聚类模块及意图识别模块组成。聚类模块采用高斯混合模型对基于NGSIM构造的无标签数据集进行聚类分析，并挖掘其内在的数据关系，从而获取切入时不同驾驶行为对应的特征标签。意图识别模块用于识别车辆切入意图，该模块是基于LSTM搭建的。该模块先结合聚类模块来获取特征标签及无标签数据集，构造新的有标签训练集及测试集，然后将其输入到神经网络中进行训练与测试。【结果】该模型在基于真实路况的NGSIM数据集上表现较好，对驾驶意图的识别准确率达到97%，精度较高。【结论】该模型在无标签数据上具有较好的识别能力。     

结合Tetrolet与主动随机场模型的高斯噪声抑制

文中提出一种结合Tetrolet变换和主动随机场模型的去噪方法,用于抑制图像中的高斯噪声.对含有高斯噪声的图像进行Haar小波分解,在小波变换域利用主动随机场算法针对高斯噪声进行去噪,并利用小波逆变换重构去噪后的图像,最后用Tetrolet变换在变换域进一步抑制噪声.实验结果表明,与直接利用小波、Tetrolet、马尔科夫随机场模型以及主动随机场模型等方法相比,该方法对添加不同程度高斯噪声的图像有更好的去噪效果.     

铁路机车快速超视距障碍物识别算法

针对超视距情况下,铁路行车路障监控的实时性问题,提出了一种快速超视距障碍物识别方法.先利用纹理特征进行快速预处理与边缘检测;再利用铁轨的纵向延展特点,用搜索连通域投影最长的方法定位铁轨区域并建立检测窗;并行的用帧差法比较当前帧与检测窗识别出障碍物,最后利用IPM模型计算障碍物大小与距离.实验结果表明,在确保90.3%识别率的前提下,本算法识别障碍物平均耗时43ms.     

简化B类噪声模型的参数估计

通信接收机的前置窄带滤波器波改变了非高斯脉冲噪声的幅度统计特性,B类噪声模型可以很好地描述窄带非高斯噪声幅度概率分布. 该文提出一种基于特征函数谱的B类噪声模型参数估计算法,其特点是采用最小均方梯度法求非线性代价函数的解. 计算机仿真验证结果表明：该算法具有快速收敛和复杂度低的优点,并给出了算法的详细推导过程.     

一种边界梯度组合的图像识别技术与分割方法

提出了一种基于边界和梯度特征的图像识别与分割方法.图像识别就是在相差仿射变化的过程中,将图像边界和梯度特征进行组合,提高图像识别效率.图像分割就是利用高斯平滑对图像进行预处理,然后通过Krisch算法得出图像梯度信息,随后利用二维最大类空间方差法进行图像分割,最后采取依据目标和背景的空间关系来消除个别误提边缘.严格的数学推导和实验都表明了算法的有效性和算法的应用性.