基于头肩矩特征的人体识别研究

本文针对传统监控系统的不足,研究了智能监控系统中活动人体目标的自动检测与识别算法。通过建立人体头肩二维模型,将头肩轮廓矩特征向量输入BP神经网络完成人体目标的鉴别。采用人体局部轮廓形状特征而非整体特征,对解决实际应用场合中人体易受遮挡而产生属性丢失问题有较好的分类效果;采用误差反向传播（Back-Propagation,BP）神经网络分类器建立＂特征—类别＂映射关系以完成人体识别。实验结果表明了本方法的有效性和较强的鲁棒性。     

基于不变矩特征及BP神经网络的图像模式识别

根据图像的不变矩特征,应用BP神经网络实现了图像的模式识别.由于神经网络本身具有很强的学习能力及容错能力,且采用并行工作方式,因此,此识别方法与传统的模式识别方法相比,具有较强的抗干扰能力及较快的识别速度.本文通过实验验证了此方法的有效性.     

基于Zernike矩的图像不变性识别研究

本文提出一种基于Zernike矩的图像不变性识别方法,用于图像的平移、缩放和旋转不变性识别。理论分析和实验结果表明,Zernike矩做为一种经典的正交矩分析方法,具有良好的抗噪能力、图像识别能力。     

基于小波矩特征的小波神经网络目标识别

提出一种具有尺度、平移与旋转不变性的目标识别方法.该方法首先提取目标图像的小波矩特征,然后与小波神经网相结合,构成一套目标识别系统.小波矩不变量不仅可以表示图像的全局特征,而且还能表示局部特征;而小波神经网络结合了小波分析和传统神经网络的优点,具有很强的学习能力和推广能力.因此基于小波矩的小波神经网络目标识别系统在进行目标识别时具有很大的优势.实验中使用该方法对4类飞机目标进行识别,实验结果证明其识别率高于其它的目标识别方法.     

基于不变性矩的3D目标识别

提出一种直接使用３Ｄ信息的目标识别方法。３Ｄ不变性矩可作为任意３Ｄ形状的表示特征且具有平移、旋转和尺度变化的不变性，人工神经网络的训练过程对应于主动式机器视觉的内部建模过程，该方法适应于３Ｄ主动式机器视觉的目标识别。     

基于直方图和颜色矩的胃癌细胞颜色特征表达与识别

探讨RGB和HSL彩色空间转换技术,提出利用HSL空间中H分量的颜色直方图对几种胃癌细胞的颜色特征进行提取和表达,并结合切片图像的颜色矩等参数综合表达其颜色特征,还探讨了BP网络分类方法中的参数的调整技术,实验显示该方法能较好地将不同种类的胃癌细胞区分开,达到了应用要求的识别率。     

用二维阶次规正不变矩识别三维目标

论述了用二维投影图像的矩不变量来识别三维目标的方法。该方法有效地降低了目标识别的维数，简化了目标匹配和识别的算法。通过考察阶次规正不变矩ＯＮＭＩ的性能，证明了ＯＮＭＩ有效地减小特征量的动态范围并提高了其抗噪性。分类结果表明，该特征平衡方法比如加权因子法更有利于目标的识别分类。     

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。     

基于矩特征的目标识别

对图像中的目标进行自动识别,既节省了人力,又提高了信息的时效,是模式识别发展的一个重要方向.文中用矩不变量表示目标的形状特征,并对其在离散时不具有尺寸不变性进行改进,构造了新的矩不变量.根据提取的矩特征设计了支持向量机分类器,用于对不同类型的目标进行分类识别,利用VC＋＋和Libsvm工具开发了自动识别软件.     

一种有效的图像目标识别算法

通过提取图像7个不变矩,结合神经网络(BP)对图像目标进行识别计算.结果表明,该算法具有很好的识别效果,可以应用于图像小目标的识别.     

基于不变矩和支持向量机理论的船舰目标识别

基于支持向量机(Support Vector Machine,SVM)理论和不变矩(Invariant Moments)理论,提出一种船舰目标识别方法。首先,对图像进行预处理,将彩色图像转化为灰度图像;然后利用Hu不变矩来提取图像的七个不变矩特征;最后,选用支持向量机作为分类器,并将计算出的图像的七个矩特征作为支持向量机的输入对支持向量机进行训练和测试。实验证明,将不变矩特征提取方法与SVM相结合用于模式识别,可以得到很高的分类效率和准确率。     

基于Hu不变矩扩展的交通标志识别

交通标志的识别是智能交通系统(ITS)的组成部分之一，具有十分重要的意义，对Hu提出的区域不变矩和Chen提出的区域不变矩快速算法进行了扩展，得到一组新的描述形状特征的参数，这些参数具有平移、缩放和旋转不变性，并且具有较低的计算复杂性，具有Hu和Chen方法的综合优点．     

基于线矩特征的破损目标识别

论述了用曲线的矩特征作为局部不变量来识别二维破损目标的方法。该方法对目标的轮廓进行分割后，利用阶次规正后的轮廓线矩特征，通过粗、细两级的基于Ｈｏｕｇｈ变换的投票匹配法来识别目标。分类实验表明，该方法有利于提高目标局部特征的抗噪性，并简化了破损目标的匹配和识别算法。     

基于图像不变矩特征和BP神经网络的车型分类方法

文中提出了一种基于图像分析的车型分类方法。首先,根据视频序列图像建立路面背景,利用背景差分将图象中的车辆区域分割出来,计算车辆区域的不变矩特征量。为了加快特征的提取,利用Canny算子检测车辆区域的边缘,提取出车辆轮廓,直接计算车辆轮廓的矩不变量作为车型分类的特征量。然后建立具有3层结构的BP神经网络,将不变矩特征量作为神经网络的输入,根据神经网络的输出实现车型的分类。试验证实了该方法的有效性。     

基于灰度和梯度不变矩的人脸识别

提出一种新的人脸识别方法———灰度-梯度共轭不变矩法,克服了传统方法的缺点,在不增加复杂度的前提下,将灰度信息和梯度信息有效地结合起来,并将其共轭分布反映的纹理特征作为对灰度特征的补充参与特征分类.同时,对经典不变矩组进行分析并改进,消除了离散状态下比例因子的影响.以BP网络作为分类器进行试验,结果表明,与传统方法相比,该方法具有更高的识别率.     

基于不变性矩特征的人工神经网络2—D形状识别

在２－Ｄ不变性矩快速计算的基础上，利用人工神经网络，使用不变性矩完成２－Ｄ形状的识别。实验结果与现有文献的结果比较，本文采用的方法具有特征数目少、意义统一、识别快速、准确的特点。     

不变矩构造方法的研究

在7个经典不变矩基础上，总结出基不变矩的一般构造规律，提出了一种新的推导不变矩的重要方法——三角函数分解法，导出了多个新的不变矩表达式，提出了不变矩空间的概念，讨论了不变矩在图像反转变换下的特性．利用扩充后的基不变矩特征序列就可以更准确地对图像进行分类和识别．     

基于不变矩特征和神经网络的图像模式模糊分类

提出了一种基于不变矩特征和神经网络的医学图像识别模型·所设计的识别模型包括不变矩特征提取、不变矩矢量标准化、模糊化预处理、BP网络与竞争选择·利用不变矩方法提取医学图像的特征矢量,能有效检测出具有平移、旋转和比例变化的图像,利用神经网络作为分类器对提取的特征矢量分类,使用模糊化的方法先对输入特征数据做预处理再进行识别,每一个图像模式归属于某一类是以0到1的数字代表其归属程度·实验结果验证了模型的有效性,训练好的网络有很好的分类能力·     

不变伪线矩算法在运动船只目标识别中的应用

为准确得到港口运动船只的特征、且在节约系统资源的同时快速高效地跟踪目标,结合传统不变矩和不变线矩的特点,提出了一种基于不变伪线矩的目标识别算法.进行计算复杂性分析,验证了算法的快速性;同时分析了不变伪线矩的稳定性.使用新算法得到图像中各目标的计算区域,并对计算区域进行边缘检测预处理,通过二值图像计算得到不变伪线矩.评估了新算法的不变伪线矩性能,并进行了仿真测试与分析.结果表明,该算法在准确得到运动目标所在区域特征的同时提高了运算速度,并成功应用于运动船只智能监测系统.     

基于不变矩和SVM的步态识别

步态识别是生物识别领域的研究热点之一,文章首先提取步态序列图像的不变矩,并利用主成分分析法（PcA）进行特征处理,最后使用支持向量机（SVM）进行分类。通过在步态数据库上进行实验,达到了较高的识别率。