基于边界模板匹配算法的集装箱箱号识别

为了解决集装箱箱号识别精度差、速度慢的缺点,提出了一种新的识别方法.该方法从字符的边界信息中抽取出其特征向量并利用模板匹配法完成字符的初步识别.然后通过大量的实验确定易混淆的字符集,再利用这些字符的独有特征加以区分识别.实验结果表明此算法不但减少了运算量,而且提高了识别速度和精确度.     

基于卷积神经网络的掌纹识别方法

为避免在处理掌纹识别时人工提取掌纹特征,提出使用卷积神经网络(CNN)来处理掌纹识别问题。首先根据掌纹的几何形状特点进行预处理,切割出掌纹的感兴趣区域(ROI);然后将感兴趣区域进行归一化并组成一个二维矩阵作为卷积神经网络的输入;再使用批量随机梯度下降算法对网络进行训练,得到最优的网络参数;最后对测试掌纹进行分类识别,分类器使用Softmax。应用于香港理工大学掌纹数据库(v2)的掌纹识别率达到99.15%,单张掌纹的识别时间小于0.01 s,验证了方法的有效性。     

基于卷积神经网络的轿车车型精细识别方法

在复杂交通场景中,公安和交管部门对车型识别的实时性和精度提出了更高要求。针对当前假牌、套牌、无牌车辆处理占用大量警力、检索效率低下、非智能化等一系列问题,提出了一种基于GoogleNet深度卷积神经网络的车型精细识别方法,设计了合理的卷积神经网络滤波器大小和数目,优选了激活函数和车型识别分类器,构建了一个新的卷积神经网络轿车车型精细识别模型框架。实验结果表明,在车型精细识别测试中,所提出模型的识别率达到了97%,较原始GoogleNet模型有较大提升,而且,新模型有效地减少了训练参数的数量,降低了模型的存储空间。车型精细识别技术可应用于智能交通管理领域,具有重要的理论研究价值与实践意义。     

基于卷积神经网络的交通标志识别方法

针对卷积神经网络(CNN)在交通标志识别过程中出现的梯度弥散而引起的识别率低的问题,给出了基于改进CNN结构的交通标志识别方法.实验结果表明:该方法能够有效提高识别精度,防止梯度弥散.     

基于CNN的棉田杂草识别方法

针对杂草的精确喷洒问题提出一种基于卷积神经网络(Convolution Neural Network, CNN)的棉花植株和杂草的检测识别方法。首先采集不同环境下棉田中棉花植株和不同种类的杂草图像作为网络模型的数据集,对数据集进行数据增强来增加数据集的数量,将其分为训练集与测试集;然后构建CNN模型,在模型中添加Dropout层,以防止网络出现过拟合,将训练集数据输入网络模型,使模型学习棉花植株和杂草的特征信息;最后将测试集数据输入CNN模型,测试CNN模型对棉花植株和杂草的识别能力。研究结果表明CNN对于棉花植株和杂草的分类结果精度超过了99.95%,识别时间为197.2s,证明CNN可以快速高效的识别棉田中棉花植株和杂草,为农业智能精确除草装备的研发提供研究基础。     

基于深度学习的中文票据文本检测与识别方法

针对票据在识别时出现数据漏检率高、识别精度低的问题,提出文本检测模型ENCRAFT与识别模型DLCNN。在文本检测模型CRAFT的基础上,ENCRAFT修改其原始的特征提取网络的结构,利用未经池化的特征图进行融合,减少了细小特征的丢失,并增大监督特征图的分辨率,以提供更丰富的监督信息,从而提高模型检测率;DLCNN利用深层的卷积网络与浅层的循环网络实现对中文票据的高精度识别。实验结果表明,该方法在多个票据数据上的检测率与识别精度均有明显提升。     

基于深度神经网络的语音情感识别方法

语音情感识别是人机交互的重要方向,可广泛应用于人机交互和呼叫中心等领域,有很大应用价值。近年来,深度神经网络在识别情感方面取得了巨大成功,但现有方法对高层语音特征提取会丢失大量原始信息并且识别准确率不高,本文提出了一种新的语音情感识别方法,由卷积神经网络从原始信号中提取特征,并在其堆叠一个2层长短时记忆神经网络,最终识别准确率达到91.74%,本文方法显著优于基于EMO-DB数据集等其他方法。     

一种基于端对端深度卷积神经网络的验证码识别方法

传统验证码识别方法对不同类型的验证码泛化能力和鲁棒性较差。为此,提出一种基于深度卷积神经网络的端对端验证码识别方法。首先,通过并行级联的卷积层构建简易Inception模块,替代Google-net的卷积层,在降低调整参数数量的同时,提高网络对于不同感受野尺度的适应性。同时,采用全局平均池化层替换原全连接层以防止过拟合,提高网络学习效率。其次,在训练过程中,直接利用深度网络的学习能力自动提取和识别验证码图像的字符特征信息,无须对验证码图像进行预分割,可以有效避免因字符分割引起的误差累积问题。通过对谷歌验证码、正方教务系统验证码和京东验证码的测试,结果表明本方法具有更好的泛化能力和鲁棒性,对三类验证码的识别率分别达到96.3%、98.9%和99%,比经典卷积神经网络分别提高3.14%、2.75%和1.14%。     

一种基于深度卷积神经网络的车辆颜色识别方法

车辆颜色是车辆中显著而稳定的特征之一,在智能交通系统中具有重要的作用。针对人工设计的特征提取方法难以有效表达复杂环境下车辆颜色特征的问题,本文在AlexNet网络结构基础上,通过调整网络结构、优化网络参数,形成了基于卷积神经网络的车辆颜色识别网络模型。该方法不需要预处理过程,能够自适应地学习车辆颜色特征表示。对常见的车辆颜色进行训练测试的实验结果表明,本文提出的方法应用到车辆颜色识别问题上具有较好的优势。     

基于神经网络结构搜索的目标识别方法

针对目标识别需求,对基于神经网络的深度学习方法展开研究。由于深度学习模型中包含了对数据的先验假设,因此人工设计神经网络需要领域内专家丰富的先验知识,且具有劳动密集与时间成本高的缺点。为了获得超越专家个人经验、表现更好的网络,采用一种可微神经结构搜索的高效结构搜索方法,将搜索空间放宽为连续的空间,然后通过梯度下降来优化体系结构的验证集性能,从而找到面向目标识别的最优神经网络结构。仿真实验结果表明,将基于神经网络结构搜索的目标识别方法应用于"低慢小"类目标识别是可行的。     

矩阵码的自组织特征映射识别研究

基于Ｋｏｈｏｎｅｎ自组织特征映射网的自组织性、自适应性及对输入信号的高容错能力，运用无导师动态竞争学习方法对较模糊的矩阵码进行识别，取得了较好的效果．对网络的训练采用了带噪声的矩阵码数据，大大提高了系统的辨识能力．试验表明，该方法为矩阵码的识别提供了一条有效的途径．     

基于卷积神经网络的合成孔径雷达图像目标识别

为了解决现有合成孔径雷达(SAR)图像目标识别算法识别率不高、泛化能力不足的问题,提出一种基于卷积神经网络的SAR图像目标识别模型CMNet网络。通过设计针对SAR图像特点的特征提取网络,在损失函数中引入中心损失与Softmax损失联合监督训练过程,兼顾类内聚合和类间分离,提高算法精度和泛化能力。网络模型中所有卷积层后引入批量归一化层加快模型收敛速度、防止过拟合。实验使用美国运动和静止目标获取与识别数据库进行测试,10类目标平均识别率达到99. 30%。结果表明,提出的CMNet网络模型具有较高的识别率和泛化能力,在公开数据集上取得较好结果。     

基于贝叶斯网络和卷积神经网络的手绘草图识别方法

为实现笔画的分组和识别,现有的草图识别算法通常会采用限制用户的绘图习惯来达到目的.该文提出了利用贝叶斯网络和卷积神经网络(CNN)的草图识别方法解决此问题.首先,使用高斯低通滤波器处理输入草图,得到更平滑的图像.然后将连续输入的笔划分为两部分,分别使用贝叶斯网络和卷积神经网络对分割后的笔画进行识别,当笔画的可靠性大于阈值时,以贝叶斯网络的识别结果为准,反之采用CNN的识别结果.实验结果表明,该文算法在电路符号绘制过程中的识别率和绘制完成后的识别率均取得了较好的结果.该文算法具有良好的应用前景.     

基于级联卷积神经网络的番茄果实目标检测

为了使采摘机器人在收获番茄时更加精准地识别目标果实,采用改进后的Cascade RCNN网络对温室内的番茄果实进行目标检测.将Cascade RCNN网络中的非极大值抑制算法替换为Soft-NMS(soft non-maximum suppression)算法,采用适合番茄形状的锚框,增强网络对重叠果实的识别能力,与原...     

利用神经网络识别车辆牌照字符

由于受光照条件、牌照自身清洁程度等因素影响 ,车牌识别系统往往达不到满意的字符识别率 .结合神经网自适应的特点 ,本文利用基于自适应谐振理论 (AdaptiveResonanceTheory ,ART)构成的自组织神经网络进行字符识别 ,给出了算法和实验结果     

神经网络文字识别系统的研制

研究人工神经网络技术在文字识别上的应用．阐述了该系统的基本原理、模型，并运用反向传播（ＢＰ）模型进行文字识别系统的模型，以探求解决集合庞大、字形复杂并且存在大量相似结构的汉字的高速自动输入途径     

基于深度学习的白光-热成像双通道图像识别系统设计

为解决无人机图像自动识别系统对大视场角下小目标的识别准确率及实时性问题,利用深度学习卷积神经网络对热成像-白光联合图像进行目标识别。设计了一种针对具有温度特征的目标物识别系统以及双通道目标候选提名图像识别算法。充分利用热成像图中目标热源特征的HSV值,将目标物从热成像图中进行筛选、分割。通过Canny算子勾勒目标物轮廓,并标记出目标物大致区域,导入白光图像提取含有目标物的有效图像信息。利用YOLO V2算法对候选图像内目标物进行识别。通过实验表明,提出的双通道目标候选提名图像识别算法具有可行性与实用性,能够在大视场环境下对小目标进行精准快速识别,满足无人机机载系统简易、实时和准确性要求。     

Gender Recognition with Face Images Based on Partially Connected Neural Evolutionary

In this paper,a new type of neural network model - Partially Connected Neural Evolutionary (PARCONE) was introduced to recognize a face gender. The neural network has a mesh structure in which each neuron didn't connect to all other neurons but maintain a fixed number of connections with other neurons. In training,the evolutionary computation method was used to improve the neural network performance by change the connection neurons and its connection weights. With this new model,no feature extraction is needed and all of the pixels of a sample image can be used as the inputs of the neural network. The gender recognition experiment was made on 490 face images (245 females and 245 males from Color FERET database),which include not only frontal faces but also the faces rotated from-40°-40° in the direction of horizontal. After 300-600 generations' evolution,the gender recognition rate,rejection rate and error rate of the positive examples respectively are 96.2%,1.1%,and 2.7%. Furthermore,a large-scale GPU parallel computing method was used to accelerate neural network training. The experimental results show that the new neural model has a better pattern recognition ability and may be applied to many other pattern recognitions which need a large amount of input information.