基于SIFT的车标识别算法

针对车标识别过程中匹配阈值难、识别速度慢的问题,提出一种基于尺度不变特征变换(SIFT)的特征匹配车标识别算法.利用SIFT算子对图像的视角、平移、放射、亮度、旋转等不变特性进行提取,并采用BP神经网络算法自主选取车标图像特征进行分类、匹配和识别.仿真实验结果表明,简单车标和复杂车标的识别率平均值均达90%以上,该算法识别速度较快、识别率较高,能满足实际应用的需要.     

基于两级BP神经网络的机动车车标识别

本文描述一种基于两级BP神经网络的机动车车标识别算法,该算法对车标识别中的多分类问题提出一种解决方案。根据车牌和车标在位置和尺寸之间的关联,文中利用车牌信息,确定车标的候选区域,然后利用形态学和连通域分析（CCA）定位车标。最后使用两级BP神经网络：预测网络和验证网络完成车标识别的目的。文中以两类车标为例,通过实验表明该算法具有较高的识别率和较低的错误率。     

基于萤火虫BP神经网络的车牌识别算法

为了提高车牌识别的精确度,提出一种萤火虫反向传播(back propagation, BP)神经网络车牌识别算法.首先,采用原始图像的色相饱和度(hue saturation value, HSV)模式定位车牌并切割出字符,再提取字符的局部二值特征和像素统计特征作为BP神经网络的输入;然后,利用萤火虫算法优化BP神经网络的初始权值和阈值训练BP神经网络;最后,对萤火虫BP神经网络与原始BP神经网络算法进行对比分析.结果表明,萤火虫BP神经网络算法对字符的识别精度高于原始BP神经网络,该算法可用于车牌识别.     

基于深度学习的车标识别算法的研究与实现

依据深度学习算法可以自主进行特征学习和识别的特点,提出一种基于Keras深度学习框架的车标识别算法。将该方法将ResNet50和Inception V3两模型相结合构建训练网络,以此建立分类器对车标图像进行识别。实验结果表明,该方法与传统的卷积神经网络分类进行比对,提高了车标识别的准确率。     

PCA+4点算法在手写体数字特征识别中的应用

提出一种改进手写字体特征的提取方法:将传统的PCA特征方法与13点特征方法进行综合,得到一种PCA+4点的特征提取算法,然后通过BP神经网络进行训练识别.实验仿真表明这种改进的方法比PCA特征提取及13点特征提取的识别率高,特别在手写变化大、手写速度快等方面优势更加明显.     

基于DCT的PCA及神经网络的人脸识别研究

PCA(Principal Component Analysis,也称为K-L变换)方法在许多人脸库的识别中取得了很好的效果,但运算量大;DCT(Discrete Cosine Transform)有较高的压缩性能并可通过快速算法来完成;集成的BP神经网络比单一BP网具有更好的泛化能力.针对上述特点,提出了一种新算法,首先用DCT处理原始人脸图像,然后用包含了原始图像大部分信息的少量DCT系数作PCA,最后用集成的BP神经网络进行识别.在ORL人脸库上的仿真试验结果表明,该方法是一种更为高效的识别方法.     

基于主元分析的人耳图像识别方法

人耳图像的自动识别是一种新的生物特征识别技术.将主元分析法(PCA)应用于人耳图像识别,分别应用BP神经网络和最近邻域法进行分类识别,给出了具体的网络设计与性能比较分析.实验结果表明,应用PCA方法提取人耳图像特征,选择合适的分类器和网络结构,可以取得满意的识别效果.     

基于小波变换和PCA分析的人脸识别方法及实现

针对传统的特征脸对光线、角度、尺寸等因素比较敏感的问题,在二次小波变换的基础上,对人脸库进行主成分分析（PCA）,提取特征脸和代数特征,并用BP神经网络对人脸进行识别,该算法充分利用小波变换和神经网络的自适应特性,得到较好的识别效果．     

基于Gabor小波及神经网络的掌纹识别研究

提出了基于自组织映射(Self Organization Map,SOM)、反向传播(Back propagation NctWork,简称BP网络)复合神经网络的掌纹识别算法,算法首先对预处理后的掌纹图提取Gabor小波特征,利用PCA降维后送入SOM网络进行粗分类,进一步利用Bp神经网络进行细分类.在Poly-U掌...     

基于小波变换和改进PCA的人脸特征提取算法

针对在人脸图像高维数据降维时单纯使用主成分分析(PCA)算法的提取精度和速度受限问题,  提出一种基于小波变换和改进PCA的混合特征提取算法. 该方法首先对人脸图像进行小波分解, 选取低频分量对人脸图像进行特征提取;然后利用改进的PCA算法进行主成分提取, 获得代表人脸特征的特征向量; 最后将该算法应用于Olivetti Faces人脸库数据集的图像分类. 实验结果表明, 经过该混合算法处理后的图像特征数据, 由卷积神经网络(CNN)算法分类识别时准确率提升10%, 识别速度提高约37%.