基于级联卷积神经网络的人脸特征点识别算法实现

针对在有冗余图像信息干扰下进行人脸有效特征点提取时精度不高的问题,提出了基于级联卷积神经网络的人脸特征点检测算法.在该算法中:输入层读入规则化的原始图像,神经元提取图像的局部特征;池化层进行局部平均和降采样操作,对卷积结果降低维度;卷积层和池化层分布连接,迭代训练,输出特征点检测结果.该算法采用Python语言编程实现,在人脸数据集进行仿真实验,结果表明该算法对人脸特征点有较高的识别率.     

基于神经网络的纹理识别技术

作者通过一个实例叙述了图像识别技术中用神经网络进行纹理识别的基本思路，处理过程，以及具体实现，并对处理的结果进行分析，说明了运用神经网络作为分类器的准确性。     

基于BP神经网络的轨道基桩识别

运用BP神经网络对用CCD拍到的基桩图片进行识别,包括BP神经网络的输入、输出层的设计,隐层节点的选取等。实验结果表明,经大量基桩样本的训练后,BP神经网络能将拍到图片中的基桩有效地识别出来,且达到较高的正确率。     

基于组合矩不变量特征的BP神经网络分类器

本文通过研究特生的性质，在传统的７个矩不变量的基础上，提出了５个组合矩不变量一完成对目标特征的描述，为完成对三维物体的识别，这里采用三层的ＢＰ神经网作为分类器，其输入特征为上述组合矩不变量。文中对三类目标在各种姿态下的矩特征分布的情况进行了研究，并将神经网分类器和最小距离分类器的分类性能作了比较。     

基于模糊神经网络的刀具磨损识别

为了实现刀具磨损状态的自动识别，采用机床功率法进行了刀具自然磨损和不同切削参数（切削速度、进给量和切削深度）对功率信号影响的实验。在此基础上，建立了功率信号的时序AR模型。在提取作为刀具磨损特征量的AR模型参数时，考虑了切削用量对模型参数的影响，提出了特征量选取的准则，使所提取的特征量更加实用化，通过具体自学习和良好函数逼近能力的神经网络获得了特征量对刀具状态的隶属函数，并利用模糊神经网Fuzzy ART实现了刀具磨损状态的自动识别，识别正确率为95%，说明所提出的方法是有效可行的。     

基于神经网络的自动特征抽取

本文探讨了用神经网络从模式中自动抽取特征向量并确定特征向量是否已具有足够特征信息的方法,给出了计算机模拟的结果。     

基于微型计算机和神经网络的果蔬识别

在微型计算机上使用深度卷积神经网络实现果蔬自动识别的复杂图像识别任务,并构造了具有人工智能技术的电子秤系统.采用深度可分离卷积和反向残差网络设计构成的深度神经卷积网络,极大减少了模型的运算量并保持了较高的识别精度,适合硬件资源有限的微型计算机.神经网络经过训练、调参、剪枝优化后,图像识别准确率达到91.9%,推理延时小于1.5 s.这种人工智能系统可以代替人工操作让顾客进行自主购物,适合在无人超市或者避免聚集接触的环境下使用.     

基于模板自适应细胞神经网络的图像处理及识别

本文介绍了一种适合于并行计算机的模型——细胞神经网络,它是神经网络的一种特殊形式,具有神经网络的识别、智能和联想能力．具体介绍了利用细胞神经网络（ＣＮＮ）实现二值图像和灰度图像边缘检测,详细分析了ＣＮＮ设计过程并作改进,引入了模板权值自适应的ＣＮＮ及其设计方法,并给出了仿真结果．     

二维图像中交叉点的神经网络识别

提出一种识别灰度图像中交叉点的神经网络方法，用自组织特征映射网络和BP网络组成多分类器，识别图像中的二交叉点、三交叉点和四交叉点，在加入8%的干扰时，仍能达到85％左右的识别率。     

基于神经网络的工业图像识别

工业现场所采集的图像一般都会受到不同程度的污染，针对这种情况，将离散型Hopfield神经网络的联想记忆特点运用于有噪声污染的工业图像识别。所设计的网络具有并行处理、可训练性及容错性等特点，它能完成图像的识别与分类，在输入有噪声污染的图像时，仍可以识别与恢复图像。以监控系统采集到的有污染的数字图像为例，运用数值仿真技术，证明了该方法的有效性。     

基于自组织特征映射神经网络的数字模式识别

在分析自组织特征映射(SOFM)神经网络基本学习算法的基础上．从提高算法收敛速度和性能出发．提出了一种改进算法：随机选择样本输入次序；根据实际应用并结合专家经验确定初始连接权值；采用高斯函数作为拓扑邻域函数；将算法分成排序和收敛两个阶段。并分别采用不同的学习率和邻域函数．采用改进后的SOFM算法对输入样本进行自组织聚类，再利用学习矢量量化(LVQ)算法解决样本分类中的交迭问题。提高了分类精度．仿真实验结果表明．该网络能够识别常用的数字(0～9)和英字母．特别是在有噪声污染的情况下．可以获得较好的效果。     

基于代数方法的图像特征抽取和识别

该文对文献（３）中的相似度计算了改进,用低维矩阵替代高维矩阵进行计算,先证明没有改变原有图像矩阵的相似度,然后用新方法和原方法解决一组人脸图像识别问题,实验结果表明,新方法大大减少了计算量,又能保持稳定的识别率,具有较高的识别效果。     

基于数学形态学和神经元网络的货币识别

基于Ｇｒａｎｕｌｏｍ ｅｔｒｉｅｓ 定义的基础,给出了模式谱的定义．运用基于“开”运算的Ｇｒａｎｕｌｏｍ ｅｔｒｉｅｓ得到纹理的模式谱,并以此作为纹理的特征向量,通过双隐层的人工神经网络分类器进行分类,达到识别的目的．给出了该方法在货币识别上的应用实验结果．     

板材冲裁和翻口工艺特征识别及图形转换的研究

该文针对冲孔、翻孔两类板材冲压成形工艺方法的主要特点，设计了两类成形件的特征识别规则．根据形状特征与冲压加工特征间存在着单映射的关系，可以充分利用模型中的几何信息和拓扑关系来识别零件的特征．因板材零件的厚度与整个零件尺寸比较是小的，可以假设零件厚度为常数．在消除厚度边和厚度边组成的面后，其余边和面分成上、下两组．两组的几何边界和拓扑结构是相同的，上、下两面的法向矢量方向相反．通过对读入的IGES三维线框文件进行预处理，使之满足特征识别的需要，采用基于几何推理的特征识别技术实现了对冲压件主型面特征、冲孔特征、翻孔特征的识别与提取，从而为后期冲压工艺方案的制定做准备．     

基于神经网络的汽车牌照自动识别

介绍行驶车辆牌照自动识别系统基础上 ,对所获取的车辆正面车头图象 ,采用了多层次分割算法来定位车牌照 ,从图象背景中分离出牌照 ,再采用一种阴影掩膜技术对单个英文字母及阿拉伯数字进行编码 ,提取字符特征 ,并进而用BP网络进行识别。整个算法简单 ,识别率可达 96%。     

质心层次特征的无约束手写体数字识别

光学字符识别（ＯＣＲ）是模式识别最为成功的应用之一．目前,ＯＣＲ的研究重点是无约束手写体字符识别．采用了基于字符质心的层次特征对无约束手写体数字进行分类识别．基于字符质心的不均匀分块方法,在一定程度上可以克服无约束手写体数字字形千变万化所引起的不稳定性．层次特征将字符在空间的二维分布转化为一维,特征抽取过程简单,易于实现．将该算法应用于无约束手写体数字的信函分拣系统,单字的平均识别率达９７％以上．     

基于工程图形的特征识别方法

在零件几何特征分类的基础上 ,根据工程制图的特点 ,提出了零件视图的“顶点 +边+位置”信息矩阵表示模型 ,通过多视图间关系规则的探讨 ,给出了基于DXF文件格式的几何特征识别方法 为CAD/CAPP的无缝集成提供了实施方案     

基于多特征与卷积神经网络的人脸表情识别

提出一种多特征与卷积神经网络相结合的人脸表情识别方法。先对人脸表情图像进行预处理,根据人脸面部"三庭五眼"的特征和人脸的几何模型对图像进行裁剪,采用双三次插值法对图像进行缩放。然后提取样本的局部方向模式、二维离散小波变换、Sobel算子三种特征。将这三种特征以三通道图像的形式输入卷积神经网络中进行自适应融合,融合后的特征通过Softmax层进行分类。在CK+数据库的识别率为99.51%,在RAF-DB的识别率为72.1%,识别率都有所提升,验证了所提方法的有效性。