基于边缘和颜色的视频文本图像分割方法

视频中的文本如果直接送入OCR软件,识别率较低,因为文本往往叠加在复杂背景中,所以需要先将文本从背景中分割出来。背景像素可能具有和文本像素相似的颜色,并且由于解压缩的影响,文本像素颜色分布可能具有渐变性,给分割带来一定的困难。针对这些问题,提出一种基于文本边缘和颜色特征的文本分割方法,该方法首先利用文本边缘的高频特性沿文本轮廓对图像的颜色分布进行采样;其次使用K-均值空间聚类方法从采样点集合得到图像分割的种子点和分割半径,从而分割文本图像得到不同的分割结果;最后,利用文本笔画的连通域特征挑选出正确的分割结果。实验表明,该方法较好的解决了视频文本和背景的分离问题,分割结果具有较高的OCR识别率。     

一种基于主分量特征的快速SAR目标识别方法

实时性和识别率是评估SAR图像目标识别系统性能的两个主要指标.分析了影响这两个指标的关键因素,并以此为基础,提出了一种快速的SAR图像目标识别方法.该方法采用基于Hebb学习规则的自组织神经网络提取主分量特征,使用多层感知器神经网络(MLP NN)进行目标分类.实验对比分析表明,在识别率较高的同时,该方法具有内存需求少、运行速度快的特点,能用于实时处理.     

SVM和HMM相结合的合成孔径雷达图像目标识别

提出了一种支持向量机和隐马尔可夫模型相结合的合成孔径雷达图像目标识别方法。该方法用小波分解和主成分分析提取图像特征,生成特征向量。利用图像在方位角上的关系由特征向量生成图像的特征序列以及隐马尔可夫模型的训练序列。用支持向量机进行目标预识别,确定目标最有可能所属的两个类别,用隐马尔可夫模型在这两个类别中确定目标最终所属类别,完成目标识别。使用MSTAR数据库中的图像数据对该方法进行验证和分析,结果表明,该方法可以明显提高目标的正确识别率,是一种有效的合成孔径雷达图像目标识别方法。     

基于热核特征的SAR图像地物识别方法

采用了一种空间敏感度特征包(spatially sensitive bags of feature, SS BOF)来实现合成孔径雷达（synthetic aperture radar,SAR）图像的地物识别。首先采用推广的核模糊C 均值方法分割SAR图像,提取SAR图像目标图形;采用Harris角点检测子提取角点,接着对目标图形进行Delaunay三角剖分;采用cotangent weight方法对三角剖分图赋值,进而求得离散化Laplace Beltrami算子的特征值、特征向量,并计算SS BOF,进而对地物目标进行识别,其识别方法采用比L1相似准则效果更好的相关系数法;最后与热核迹等热核不变量特征以及Hu不变矩特征进行对比。实验表明：空间敏感度热核特征的识别率高于热核不变量的识别率,并与经典的Hu不变矩特征比较,识别率有所提高。     

面向SAR图像目标识别的鲁棒处理算法

现有合成孔径雷达图像的目标识别方法通常要进行预处理,预处理对于识别率影响较大。但是,针对不同的合成孔径雷达目标图像,预处理算法的自适应性很难得到保证。将基于核的主成分分析与稀疏表示相结合,只需很少的观测数据就能得到高识别率的目标识别结果,节省了数据存储量和计算量。首先,阐述了压缩感知的基本理论;其次,提出了基于核主成分分析和稀疏表示的合成孔径雷达图像目标识别算法;最后,选取MSTAR数据库中的5类目标进行实验。仿真结果表明,在没有方位角预测的情况下,该算法仍能有效地识别目标,与其他识别算法相比,在同等噪声污染的图像下,具有较高的识别率。     

基于分形和背景知识挖掘的红外图像水上桥梁目标识别

针对复杂背景下远距离航拍红外图像中水上桥梁识别的难题,提出一种新的基于分形理论和背景知识挖掘的目标识别方法。根据红外图像水上桥梁上下文描述,利用红外图像的直方图动态阈值法和分形特征检测出图像中的感兴趣区水域,同时基于先假设后检验的桥梁潜在目标被分割出来;然后利用形态学滤波完成目标图像的进一步分割;最后,利用目标特征匹配完成桥梁目标识别。基于TMS320C6416图像跟踪器的实验结果证明:该方法有较高的自动目标识别率和计算实时性。     

一种军事图像目标识别神经网络系统

在军事图像目标识别中,目标通常发生比例、平移、旋转变化,有时还处于复杂背景之中或部分被障碍物遮挡,而识别往往要求是实时的。这使得传统的图像目标识别方法不能获得较好的效果。本文提出了一种神经网络目标识别系统,该系统能直接识别图像目标,而无需提取图像中的目标特征,具有目标识别的比例、平移、旋转不变性,具有良好的复杂背景下的目标识别性能,是一种高速、实用、识别率高的军事图像目标识别神经网络系统。文中给出了改进的神经网络模型并针对不同军事目标的识别需要进行了仿真实验。     

模糊相关性文本无关矢量量化说话人辨认研究

文本无关说话人识别的一个关键问题是寻求一种有效的说话人个性特征量.利用模糊向量内积理论,提出了一种新的物理量:连续特征矢量模糊相关度(CFVFC),以反映相邻特征矢量问的相关性,进而突出说话人的个性特征,并在此基础上研究了新的矢量量化(VQ)说话人识别方法.实验表明CFVFC是一种有效的识别信息,对于干净语音的说话人辨认,可以提高识别系统的识别率;在加噪声情况下,能增强识别系统的鲁棒性.     

基于支持向量机的空中目标大类别分类

针对已有空中目标识别方法存在的经验风险大、识别率低等不足,依据空中目标的分类原则和纠错码设计原则,设计了针对该问题的纠错码,并训练了码位分类器,最后给出了基于支持向量机的空中目标大类别分类算法。该方法采用纠错编码支持向量机的多类分类技术,降低了经验风险,能对误差进行自动修正,有效地提高了识别率和识别速度。最后给出了一个算例,结果证实了该算法的有效性,并给出了与同类算法的比较结果。     

多分类器融合的人脸识别与身份认证

人脸识别是生物特征识别技术中一个活跃的研究领域,取得了很多实践成果,但是单一分类器一般不能取得满意的识别率与身份认证效果。本文采用贝叶斯决策理论分析了常见的积、和、中值以及投票多分类器融合方法,并根据实际的选举情形,对投票法进行了2种改进。然后对协同人脸识别、特征脸法以及复合方法等人脸识别分类器进行决策层的融合,对ORL库中人脸识别仿真实验表明文中的多分类器融合的人脸识别方法具有较好的分类性能,对污损、低分辨率人脸图像具有可靠的识别率、鲁棒性强,而且应用于人脸身份认证中取得了较好的认证效果。     

基于级联卷积神经网络的港口多方向舰船检测与分类

港口舰船目标自动检测的定位和类型分类是一个重要而具有挑战性的问题。针对高分辨率光学遥感影像中多方向性排列密集的近岸舰船目标定位和识别困难的问题,提出基于级联区域卷积神经网络和手工提取特征相结合的近岸舰船检测识别框架。首先,使用级联的区域卷积神经网络对舰船位置进行粗定位并对类别进行估计，得到一系列粗定位的垂直预测框。然后,设计一个可以准确定位舰船的斜框旋转回归器,其将第一阶段所得粗定位垂直矩形框转变为带方向的斜矩形框。最后,使用非极大值抑制的方法去除冗余的预测框。实验采用谷歌地球上采集的数据集进行训练和预测,实验结果表明所提算法在精准率和召回率上均具有较大优势。     

基于级联卷积神经网络的港口多方向舰船检测与分类

港口舰船目标自动检测的定位和类型分类是一个重要而具有挑战性的问题。针对高分辨率光学遥感影像中多方向性排列密集的近岸舰船目标定位和识别困难的问题,提出基于级联区域卷积神经网络和手工提取特征相结合的近岸舰船检测识别框架。首先,使用级联的区域卷积神经网络对舰船位置进行粗定位并对类别进行估计，得到一系列粗定位的垂直预测框。然后,设计一个可以准确定位舰船的斜框旋转回归器,其将第一阶段所得粗定位垂直矩形框转变为带方向的斜矩形框。最后,使用非极大值抑制的方法去除冗余的预测框。实验采用谷歌地球上采集的数据集进行训练和预测,实验结果表明所提算法在精准率和召回率上均具有较大优势。     

基于语言变量的不完全文本评语的评价模型

研究了项目评审中考虑专家文本评语和专家评分综合值的决策模型。将文本评语提炼成若干评价指标测评点,构建了含有评语信息和评分值信息的决策矩阵;建立了不完全文本评语下群体和个体指标测评点权重估测模型;提出了不完全文本评语残缺数值的估算模型;建立了考虑专家评审熟悉程度和评语接近程度的评分修正模型。最后的算例说明了方法的可行性和应用步骤。     

基于改进R-FCN的SAR图像识别

由于深度学习在目标识别方面取得了显著的成绩,为提高合成孔径雷达(synthetic aperture radar, SAR)图像目标识别的精度与速度提供了新的思路。本文将区域全卷积网络(region-based fully convolutional networks, R-FCN)结构应用于SAR图像目标识别中,取得了良好的效果。对于数据集较小和数据相似度较高的问题,提出了基于迁移学习的R-FCN模型用于SAR图像目标识别。对更快的区域卷积神经网络(faster region convolutional neural networks, Faster R-CNN)和R-FCN进行模型训练及优化,并与所提出的基于迁移学习的改进R-FCN模型实验结果进行对比。结果表明,所提方法对SAR图像具有更好的识别效果和更快的识别速度。     

基于灰关联分析的雷达辐射源识别方法研究

针对雷达辐射源识别的特点，本文深入研究了灰关联分析方法在辐射源识别中的应用。给出了对雷达侦察设备上报的辐射源参数数据进行灰关联分析的方法和步骤，同时给出了数据列确定的具体方法以及两种求取权系数的方法，探讨了判据阈值的选取，并在此基础上进行了雷达型号和工作模式的识别。仿真结果表明了该方法的可行性和有效性，可用于每类雷达有多个模式以及侦测参数不全的场合，为工程应用提供了参考。     

基于小波变换的二维独立元在人脸识别中应用

针对二维主元分析（Two-Dimensional Principal Component Analysis，2DPCA）和独立元分析（Independent Component Analysis，ICA）的特点，给出了二维独立元分析（Two-Dimensional Independent Component Analysis，2DICA）的概念。在2DICA算法的基础上，提出了基于小波变换（Wavelet-Transform，W1r）的2DICA（Wavelet-Transform and Two-Dimensional Independent Component Analysis，WT-2DICA）人睑识别算法。首先，利用小波变换将原始图像的高频分量和低频分量进行不同程度的分离，并忽略高频分量，获得原始图像的基本特征；然后，利用2DICA算法术得投影特征；最后依据曩近郐法则完成人脸识别，基于ORL（Olivetti Research Laboratory）与Yale人脸数据库的实验结果表明，WT-2DICA算法正确识别率高于2DPCA算法与2DICA算法，是一种有效的人脸识别方法。     

基于DCNN的弹道中段目标HRRP图像识别

针对弹道中段目标识别问题,现有的基于高分辨距离像(high resolution range profile, HRRP)的识别方法直接提取一维HRRP(1-dimension HRRP, 1D-HRRP)的整体特征,对局部特征提取能力较弱,且由1D-HRRP数据提取的特征的表达能力有限,为此提出了一种基于深度卷积神经网络(deep convolutional neural network, DCNN)的弹道中段目标HRRP图像识别方法。首先,将1D-HRRP转化为0-1二值图像,从而把数值变化特征转化为图像结构特征;然后,构建DCNN逐层提取图像的局部特征和共性特征并进行识别;最后,结合Dropout和L2正则化双重机制缓解DCNN过拟合问题,利用AdaBound算法提高DCNN训练收敛速度和识别正确率。实验结果表明,所提出的基于HRRP图像的弹道中段目标识别方法比其他12种基于1D-HRRP或二维HRRP(2-dimension HRRP, 2D-HRRP)的识别方法正确率更高,在测试数据集上达到了96.28%,实验结果验证了该方法的有效性。     

基于DCNN的弹道中段目标HRRP图像识别

针对弹道中段目标识别问题,现有的基于高分辨距离像(high resolution range profile, HRRP)的识别方法直接提取一维HRRP(1-dimension HRRP, 1D-HRRP)的整体特征,对局部特征提取能力较弱,且由1D-HRRP数据提取的特征的表达能力有限,为此提出了一种基于深度卷积神经网络(deep convolutional neural network, DCNN)的弹道中段目标HRRP图像识别方法。首先,将1D-HRRP转化为0-1二值图像,从而把数值变化特征转化为图像结构特征;然后,构建DCNN逐层提取图像的局部特征和共性特征并进行识别;最后,结合Dropout和L2正则化双重机制缓解DCNN过拟合问题,利用AdaBound算法提高DCNN训练收敛速度和识别正确率。实验结果表明,所提出的基于HRRP图像的弹道中段目标识别方法比其他12种基于1D-HRRP或二维HRRP(2-dimension HRRP, 2D-HRRP)的识别方法正确率更高,在测试数据集上达到了96.28%,实验结果验证了该方法的有效性。     

ISAR像自动识别中的预处理算法

目标逆合成孔径雷达（inverse synthetic aperture radar, ISAR）像通常表现为随视角变化的稀疏散射中心分布,这严重影响了ISAR像特征提取和目标识别的性能。以获得清晰且稳定的ISAR像为目的,研究了一种新的预处理算法:首先根据斑点噪声和横条纹干扰特点,对图像使用全局迭代阈值抑制斑点噪声,局部散射点强度削减抑制横条纹干扰,然后分别利用形态学处理和邻域平均法填充和平滑图像,最后对图像做质心、尺度和视角的归一化。仿真结果表明,该算法有效地提高了ISAR像的稳定性,有利于后续的目标特征提取与识别。