基于分级轮廓分形特征的舰船目标识别方法

采用一种共线性检查算法去除舰船轮廓这，利用轮廓曲率的分级分形特征建立前视成像木制导过程中舰船目标的分级模型数据库，提出了一种基于分级分形特征的大型舰船目标识别方法，对舰船目标的实验结果表明了该识别方法的有效性和正确性。     

一种基于轮廓特征的运动目标识别方法

针对视频图像中形状匹配的局限性,即当待检测物体出现平移、旋转变化时识别目标需要很长的计算时间,提出了一种基于轮廓特征的运动目标识别方法.首先获取能自动更新的背景图像,采用背景减法提取运动目标的轮廓,然后运用其轮廓的边界不变矩特征和形态学特征,构建一个轮廓特征向量的模型,再分析比较待测运动目标轮廓特征向量与每类标准样本之间的欧氏距离,实现对运动目标的识别分类. 试验结果表明,该方法具有识别精度高、计算量小、实时性好的特点.     

基于小波变换及分形特征的目标检测与识别

提出在对图像进行小波变换的基础上提取图像的分形特征，即通过小波变换对图像进行频域上的分割，使得对图像的描述更丰富，对各频段上的细节图像分别求分形维数组成联合特征矢量，有利于迅速准确地将目标从复杂的自然背景中分离出来，实验结果表明，这种方法能够有效地区分人造物体和自然背景，但计算量较大。     

一种基于手指轮廓特征的目标识别与定位算法

为了提高从背景图像中提取目标的速度和精度,设计了一种基于手指轮廓特征的目标识别与定位算法;该算法利用肤色信息和手指轮廓特征进行目标识别,利用提出的9点快速定位算法进行目标定位。仿真结果表明,该算法能正确识别出手指的特征;并对其进行快速定位。在实物系统上对算法的实时性、识别准确率、定位精度等性能进行了测试,测试结果表明,算法运行时间不超过40 ms,能保证系统对实时性的要求;在无手指状干扰物存在的情况下,目标识别的准确率可达95%以上;定位精度误差小于8 mm,可满足系统对定位精度的要求。这种基于手指轮廓特征的目标识别与定位算法为增强人机交互系统的和谐性提供了一种新的技术途径。     

融合目标轮廓和阴影轮廓的SAR图像目标识别

针对合成孔径雷达图像目标识别问题,在基于图像成像模型分析基础上,提出了一种融合SAR目标轮廓和阴影轮廓的目标识别算法.首先提出了一种基于去控制标记符的SAR图像分割算法,得到SAR图像目标轮廓和阴影轮廓,然后用这2种轮廓融合,用傅立叶描述子将二维数据转为一维数据,最后用基于串接准则的融合算法得到识别结果,进行SAR目标识别.基于MSTAR的实验结果验证了本算法的有效性.实验结果证明:目标轮廓和阴影轮廓的结合,除反映本身包含的局部空间结构信息外,还能反映SAR目标的高度信息,较单一轮廓特征,是一种更为稳健的特征.     

基于关键帧轮廓特征提取的人体动作识别方法

为了在人体动作识别中获得更加准确的前景分割和防止关键信息的几何丢失,提出一种利用关键帧提取关键姿势特征的人体动作识别方法.由于背景建模和差分获得的前景不准确,利用基于纹理的灰度共生矩阵提取动作轮廓,并对原图像帧进行分割;然后计算人体Blob的能量,选取最大信息内容的帧作为关键帧,关键帧的获取使得特征提取对时间的变化具有一定鲁棒性;在特征分类识别阶段,为了提高分类的准确性,提出使用支持向量机-K最近邻(support vector machine-k nearest neighbor,SVM-KNN)混合分类器完成分类.在Weizmann,KTH,Ballet和TUM 4个公开数据集上实验验证了该方法的有效性.相比于局部特征方法、全局特征方法和关键点方法等,该方法获得了更高的识别率.此外,实验结果表明,该方法在KTH和Weizmann数据集上的早期识别效果优于Ballet数据集.     

基于轮廓形状分析的纱识别方法

提出了基于轮廓形状分析的图素识别方法，该方法克服了轮廓矢量匹配识别算法的缺陷，提高了纱识别的完整性。轮廓形状分析还被用于字符串与图线粘连下的字符串提取。     

基于颜色不变量和轮廓特征的地面多圆形目标检测

研究了一种室外环境旋翼无人机对地面多圆形目标检测的方法。考虑室外环境光照变化、阴影等自然因素以及无人机飞行高度、姿态变化等因素对目标检测带来的不利影响,首先引入颜色不变量特征;并采用改进K-means算法进行图像分割;其次根据目标轮廓特征,设置面积与圆形度阈值滤除干扰区域;最后,采用基于对称性的最小二乘法与残差度确定目标位置。实际实验及无人飞行器大赛验证了所研究方法的实时性和准确性。     

基于多特征的洞库类目标识别方法

针对洞库类目标自动识别研究较少、识别率较低、识别方法成本较高等问题,设计了基于多种特征的洞库类目标识别算法.探讨了典型洞库类目标的模型并总结其主要特征;其次利用HOG特征对输入图像进行初步筛选,筛选出包含有洞库类目标的图像;然后基于洞库类目标的灰度特征提出了一种图像局部自适应阈值生成算法Wiblack提取图像中的疑似目标;最后搭建了洞库类目标的数学模型,并提出了基于形状相似度的目标判别算法,采用圆形相似度与椭圆形状相似度二次相似度判别方法,最终得出识别结果并描述目标轮廓,完成目标识别.实验结果表明该方法在洞库类目标的识别应用中有效可行,基于本文实验数据的识别准确度为92.6%.     

利用轮廓分形区别人工目标与自然物体算法研究

根据人工目标和自然物体的固有差异，提出了一种在轮廓链码基础上提取轮廓粗糙性曲线的算法。在实际得到的水杯，车辆及岩石图像中，利用Ｖａｒｉａｔｉｏｎ算法进行了计算物体轮廓粗糙性曲线分维的实验。实验表明，水杯及车辆轮廓的分形维数较低，岩石则具有较高的分形维数，通过同二维结果的对比，从计算量的分形维数两证明用所提出的算法计算轮廓分形维数区别人工目标和自然物体是可行的。     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

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.     

基于分维特征的目标分割与检测

提出了一种改进的盒维数算法 .基于这种盒维数定义 ,对高通滤波后的图像逐点计算 ,所得的盒维数为该点的分形特征 .根据这种算法 ,背景中多种不同纹理的特征值非常接近 ,而目标所在位置的特征值高于背景所在位置的值 .并提出一种迭代的分割 聚类法检测各目标 .     

基于分维特征的肝脏CT图像识别

目前分形理论已被广泛应用于医学图像识别.本文利用了改进的差分盒计数法对肝脏CT图像进行了分形维数的分析,表征了肝脏图像的纹理特征,则可识别医学图像肿瘤信息.医学图像识别的结果可以直观的方式显示给临床医生,从而辅助医生提高医疗诊断的准确性和科学性.     

一种改进的Zernike矩的雷达图像目标识别方法

针对Zernike不变矩目标识别算法计算复杂,计算复杂度高的不足和雷达图像乘性噪声严重和识别率不高的问题,提出了一种快速计算Zernike矩目标识别算法.该算法通过利用Zernike矩对称性和反对称性对雷达图像进行快速计算求得不变矩,然后通过加权求得新的特征向量,最后通过支持向量机进行目标识别.实验结果表明,提出的算法不仅解决了计算过于复杂的问题,还降低了噪声且提高了目标识别率.     

一种复杂图像目标的分割与识别

研究受光照等因素影响的表面灰度随机变化的空中图像目标的分割与识别。提出了改进的多阈值八邻域像素比较边缘检测算法,对得到的边缘像素进行填充,并在跟踪过程中消除轮廓上的短枝及图像干扰,最后采用快速多边形近似算法,用多边形顶角及目标形状因子作为特征对目标进行识别。