基于增强SVM算法的红外舰船图像识别研究

红外偏振成像技术是针对复杂环境中识别目标的重要技术手段,是近年来国内外红外成像技术研究的重点.针对近岸复杂背景下的军用舰船红外偏振图像目标识别问题,提出了一种基于机器学习的分类算法.首先提取图像HOG特征,结合SVM分类器正确检测出舰船目标和渔船目标;然后运用基于灰度的归一化模板匹配算法实现舰船目标的识别.仿真结果表明,该算法具有良好的性能,能够有效地识别红外舰船目标.     

基于改进Census变换的双目立体匹配算法

针对传统Census变换窗口中心点灰度值易受噪声影响而导致全局匹配精度低等问题，设计了一种基于改进Census变换的双目立体匹配算法.首先采用双边滤波的模板值替代传统Census变换窗口中心点的灰度值，为了增强初始代价计算的可靠性，加入Sobel算子，将其与灰度绝对误差和算法的匹配代价进行代价融合；然后选择动态十字交叉域建立相邻视差的联系；最后运用赢家通吃策略选择最佳的视差，并采用左右一致性检测和引导滤波优化视差图.实验结果表明，在无噪声情况下，改进算法的平均误匹配率比传统Census变换的降低了约46%,含噪声情况下降低了约53%,说明改进算法有较好的匹配精度和抗噪能力.     

基于不变矩的前视红外图像机场目标识别

根据远距离前视红外图像中机场跑道的成像特点,提出了一种基于仿射不变矩的红外序列图像机场目标识别方法.该方法对图像进行多次双阈值分割,搜索分割图像中各潜在目标区域轮廓链,计算其仿射不变矩和目标背景梯度特征,并利用前后帧目标大小的约束关系等先验知识,对各候选目标区域进行识别,最终获取机场目标.试验结果表明:该算法对复杂背景下的远距离前视机场目标的正确识别率优于96%,误识率低于2%.     

基于C-V方法改进的红外图像自动分割

基于简化的Mumford-Shah水平集图像分割模型,Chan-Vese提出了不依赖于图像边缘的水平集图像分割算法(C-V方法).但是该方法分割参数难以确定,对于具有非均匀灰度背景的红外目标图像常常分割失败.针对这一问题给出了改进的拟合能量模型,新模型兼顾到了目标的同质性信息与其所占面积比例的关系.基于该模型的水平集图像分割方法自适应于灰度起伏的背景,可以较为理想地分割出与背景灰度差异不太明显的目标,对小目标也具有很强的适应性.实验结果表明,在固定水平集分割参数的情况下,新方法对于不同类型、不同背景的红外图像具有了良好的适应性.     

基于虚警识别与空-频域显著性映射的红外弱小目标检测算法

为了提高复杂背景与低信杂比率环境下的弱小目标检测准确度,有效控制虚警的干扰,考虑真实目标与背景的差异,设计了虚警识别耦合空-频域显著性映射的红外弱小目标检测算法。首先,根据红外中心像素在不同方向的强度,基于中值滤波器,构建了新的噪声滤波方法,充分抑制红外背景中的噪声干扰。随后,考虑中心像素与其邻域像素间的强度差别,设计背景抑制滤波机制,消除背景信息。根据初始红外图像与背景抑制结果,在空域内计算灰度映射。基于Fourier变换的相位谱,在频域内提取红外目标的显著性映射。利用背景的均值与方差,通过一个滑动窗口,建立候选目标检测方法,从灰度映射与显著性映射中确定候选目标。最后,利用真实目标位置的相关性,建立虚警识别方法,从候选目标中消除虚警,以保留真实弱小目标。实验数据表明:较已有的弱小目标识别技术而言,在复杂干扰背景下,所提方案可准确定位出真实目标,拥有更大的信杂比增益值与背景抑制因子,以及更好的ROC(receiver operating characteristic curve)特性曲线。     

模板匹配方法在高速目标跟踪中的应用

提出了一种用于高速目标跟踪的快速识别算法.根据图像目标与背景的特点,摒弃传统的逐点扫描方法,设计了一种"十字"匹配模板,根据待识别区域与"十字"模板的灰度差进行目标识别;为了提高识别速度,对目标图像进行二值化处理,采用逻辑运算获得模板与目标的相似性测度,通过相似性测度与阈值的比较,进行遍历点的跳跃.仿真结果表明,该算法大大提高了识别速度,实现了对高速摄像机拍摄角度的控制,进而对目标进行实时跟踪.     

基于PCNN的高斯混合模型运动检测改进方法

针对同定摄像机的视频监控系统,提出了一种改进的基于混合高斯模型的运动目标检测方法.改进方法引入PCNN算法,针对模型匹配问题,提出自适应局部阈值算法并结合区域增长思想,利用PCNN的迭代计算,逐步检测出运动目标.实验表明,改进的方法与传统方法相比具有更好的运动目标检测能力,在运动目标和背景的灰度值差别比较小的情况下,能改善其运动目标检测的效果.     

一种动态融合的目标识别与跟踪算法

针对红外图像序列的特点,提出一种动态融合的目标识别与跟踪算法。由图像序列中的运动信息对目标进行提取,得到自适应波门所需的起始波门和灰度双阈值,以及匹配算法所需的基准模板,其后的跟踪, 融各算法为一体,分时机、分场合地给予灵活运用。最后,以实测的红外图像序列对文中提出的算法进行仿真实验,结果表明该融合算法的可行性与有效性。     

一种自适应红外图像增强算法

针对红外图像普遍存在的目标与背景对比度差的特点,提出一种自适应红外图像增强算法.该算法首先采用峰值与局部最大值估算法相结合的方法自适应地计算出两个阈值,由此将图像分为背景段、目标段和过渡段三部分;然后对不同的灰度段采用不同的变换系数分段进行灰度拉伸和压缩变换,实现图像的自适应增强;最后对得到的图像进行灰度间距的均衡化处理,把灰度等级在整个显示范围内等间距排列.实验结果表明,该算法能够实现自适应阈值选择,获得灰度更加连续的红外图像,有效地增加了图像的细节和清晰度.     

基于双目立体视觉的目标识别与定位

为从不同角度识别目标物体以及解决左右两幅图像中目标轮廓中心不匹配的问题, 将SURF(Speeded Up Robust Features)算法与GrabCut 算法相结合, 离线采集目标物体不同角度的图像, 生成目标模板图片库。利用SURF 算法完成目标物体的识别; 利用SURF 算法自动初始化GrabCut 算法, 实现目标轮廓的提取; 利用基于灰度相关的区域匹配算法完成目标轮廓中心点的匹配, 结合三维重建原理实现目标定位。实验结果表明, 该方法可以成功识别目标物体并对目标物体进行准确定位。     

基于模型的FLIR图像的多分辨率分割方法

针对低对比度前视红外（ＦＬＩＲ）图像分割问题的特点，将多分辨率图像处理技术与基于模型的前视红外图像分割方法结合起来，提出了基于模型的ＦＬＩＲ图像的多分辨率分割方法．首先建立一金字塔结构的多分辨率图像集，然后在每一固定分辨率级别上使用基于模型的ＦＬＩＲ图像分割方法，并用低分辨率上的分割结果修正高分辨率上迭代的初始概率，最后在原ＦＬＩＲ图像中得到分割结果．该方法能得到更为精确的目标分割结果，并大大减小背景对分割图像的干扰，同时还加快了选代的收敛速度．对实际红外目标图像的分割结果证实了本算法的有效性．     

字符图像识别的分布加权模板匹配方法研究

使用标准模板匹配识别算法对图像中的字符进行识别时,图像中的背景噪声会导致识别准确率较低.为了提高识别准确率,提出一种基于分布加权的模板匹配识别算法,在获取图像与模板在对应的各个像素点上的匹配情况后,根据点间距分别对匹配点和不匹配点进行聚类,将聚集在一起的点划分到同一个分组中,根据聚类结果对不同组内的点设置不同的权重值,再计算图像与各个模板的匹配度,将匹配度最高的模板代表的字符作为识别的结果.实验结果证明,此算法提高了对有背景噪声的字符图像进行识别的准确率.     

基于十字模板匹配的靶场目标检测方法

针对现代靶场所面临的测量目标小、 距离远、 目标与背景对比度低以及匹配算法计算量大、 时间复杂度高等问题, 提出一种基于数字图像处理的靶标检测方法。该方法以十字特征直线代替模板进行粗匹配, 仅对搜索图中像素点数目较少的一段灰度区域进行匹配, 从而大大减小了计算量, 使匹配速度得到极大提高。通过CCD（Charge Coupled Device）相机采集的靶场目标序列图像进行仿真实验, 实验结果表明, 该算法匹配速度快、 较传统的灰度相关算法具有较强的鲁棒性。     

基于DTW改进算法的在线签名鉴别方法

 在线手写签名认证是一种基于生物特征的身份认证技术,识别正确率和防伪性能是签名识别的研究重点,识别响应速度也是决定系统实用化的关键。为了提高签名认证效率,提出了一种改进的在线签名鉴别算法。改进了传统的动态时间弯折算法结构,对最佳匹配路径的动态规划方法进行改进并将其应用于在线签名鉴别系统。讨论了实际应用中训练样本不足、字体随时间变化等因素带来的系统识别率下降的解决方法。避免了动态特征点提取、时序段匹配等方法由于书写环境和人物即时的生理特性所带来的问题,同时针对签名的稳定性提出了加权距离计算公式,保证高识别率的同时降低了误拒率。在模板较多时对匹配距离进行限制,节约了系统运算量,提高了模板匹配速率。随着待识别模板数目的增多,该算法效率优势更加明显。     

纸币号码图像预处理及识别技术

在不去除纸币号码图像背景的前提下,为了进一步提高纸币号码图像识别的工作效率和准确度,本文对纸币号码图像的识别技术做了相应研究。运用图像增强、图像灰度形态学平滑去噪、图像二值化和识别区域的定位等方法对图像进行预处理。以实验分析为基础,应用模板匹配算法和特征结构识别算法相结合来实现纸币号码识别。实验结果表明,该方法针对印度币和人民币号码图像的识别率、识别时间均达到实际使用要求,是能够满足实际需要的综合识别算法。     

基于Mean Shift的视频图像检测与跟踪

在复杂背景的视频图像中,实时、准确、连续、长距离的跟踪以人为对象的目标,是一件很困难的任务。人体对象在跟踪目标图像位置的变化时,一直随着姿态的变化而改变,因此这是一个非常典型的非刚体目标,对这类目标采用简单的模板匹配的方法进行目标跟踪,无法达到准确的跟踪。均值漂移（Mean Shift）是现今最受欢迎的对象跟踪方法之一,广泛的运用于人脸的跟踪,文章提出了一种基于均值漂移算法的复杂背景视频图像检测与跟踪算法。在运动目标跟踪中,提出了以直方图为模式特征,以均值漂移算法为核心算法的目标跟踪算法,通过实验表明该跟踪算法能对候选目标进行运动检测,完成实时跟踪,同时有效抑制了局部遮挡、背景混乱等,过滤了伪目标,保证了跟踪的可靠性。     

采取阶段性改进的全新ViBe目标检测算法

针对ViBe (Visual Background extractor)算法在目标检测过程中易产生鬼影问题和检测目标不完整问题,从ViBe算法处理过程的主要阶段出发,提出一种全新的ViBe目标检测算法.首先,在模型初始化阶段,利用前m帧视频序列对应像素点的均值构建背景模型,同时将原算法的8邻域改为24邻域进行样本选取以及动态调整匹配半径;然后,在目标检测阶段,引入最大类间方差法来计算当前图像帧的最佳分割阈值,进而对前景像素进行二次判别;其次,在背景模型更新阶段,根据背景变化快慢程度动态地调整更新因子;最后,对获得的前景图像进行形态学处理得到最终的前景目标.实验结果表明,改进后的ViBe算法使鬼影问题得到有效解决,目标检测的准确度和完整度也有大幅提高.     

用于实时跟踪的模板匹配神经网络算法

研究复杂背景下运动目标的识别和跟踪.提出了一种新的基于模板匹配的神经网络结构,将模板与跟踪窗内待匹配区域的像素按环形排列,分别作为神经网络的阈值和输入,选择跟踪窗内与模板相对应的各环差值均较小的区域作为识别结果.由于模板匹配过程中像素按环形排列,因此对于目标的平移和旋转均具有不变性,同时,算法计算量比最小绝对差累加和算法略小.将该算法应用到实时跟踪系统中,实验结果表明该算法可满足跟踪系统实时性要求,验证了算法的有效性.     

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.