基于复杂网络和图像轮廓的形状识别方法

基于轮廓的图像识别方法具有过程简单、识别效率高等特点.但随着人脸表情变化、光照强度以及遮挡等因素的改变,提取图像轮廓形状的难度增大,从而使方法的有效性受到影响.本文提出一种基于复杂网络和图像轮廓的形状识别方法,通过提取形状图像的轮廓点,建立相应的复杂网络模型,计算相关参数来识别图像.实验表明,该方法具有对轮廓图精确度依赖性低、复杂网络规模小、阈值参数少、能有效适应边界形状改变等优点.     

改进的主动形状模型方法在人脸特征点定位中的应用

针对主动形状模型(ASM)已成功应用于人脸特征点定位提出了两点改进方法.其一,首先用Adaboost方法在图像中检测到人脸区域,然后在人脸区域中检测到瞳孔的位置,为ASM中的点分布模型粗略地定位好初始位置;其二,将原始ASM方法中的关键点的1D纹理模型改进为基于核概率密度估计模型的2D纹理模型.改进的方法在SJTU人脸数据库中进行验证,结果表明,改进的ASM方法提高了特征点定位的精度.     

基于改进纹理表示的主动形状模型

主动形状模型(Active shape model,ASM)是一种基于参数化的统计模型,它主要应用于图像处理中的特征定位和提取.本文在分析传统ASM方法不足的基础上,提出一种基于改进纹理表示的ASM方法.改进的纹理表示方法是直接用联合Gabor相位特征和局部二元模式(local binary patterns,LBP)特征代替传统的灰度值.改进的方法提供多尺度多方向的Gabor纹理信息,而且基于LBP的纹理编码能对光照更加鲁棒,而且可以去除大量冗余信息.实验结果表明改进的ASM能有效提高特征点的匹配精度.     

改进的主动形状模型在植物叶形分类中的应用

针对植物叶形识别的特点,采用改进的主动形状模型实现叶片图像的批量识别和分类.在模型中以地标点序列表示对象形状轮廓,分别应用覆盖面积半径和生物学参照点进行伸缩变换和旋转变换,归一化地标点序列间的统计关系,进而研究形状间的相似性和差异性;在分类时通过设置相似度阈值,强化了同类叶片的标准,从而减少了一些非同类的误归入事件的发生.实验表明改进的主动形状模型在叶形识别中得到稳健的识别率.     

一种改进的基于主动形状模型的人脸特征定位方法

主动形状模型是目前一种常用的人脸特征定位方法.针对传统的主动形状模型过度依赖模型初始参数的设置问题,提出了一种改进的基于主动形状模型的人脸特征定位方法.首先,通过样本学习得到输入新图像的灰度重构系数,并将这组系数用于人脸形状的重构,再由重构出的人脸形状得到主动形状模型的初始参数,然后通过不断调整模型参数减少模型与目标轮廓的距离误差,最后在数次迭代后达到模型与实际人脸特征轮廓的匹配.与基于传统主动形状模型的特征定位相比,改进的主动形状模型具有较高的准确性,能快速定位出各目标特征.     

基于MDL形状模型的医学图像分割

主动形状模型是一种有效的图像分割方法,但在建立模型的过程中需要从训练集中建立满足对应关系的轮廓采样点集合.传统采用手动标定的方法工作耗时,且充满主观性,不能向三维空间拓展.文章使用了一种自动的方法,通过构造基于最小描述长度准则的目标函数,获得最优化意义上的点分布模型,然后建立主动形状模型,该方法提高了建模的效率并具有客...     

改进的主动形状模型在植物叶形分类上的应用

本文在继承主动形状模型以地标点序列表示对象形状轮廓,通过归一化序列间的统计关系来研究形状间的相似性和差异性,以及用识别率来体现识别效果这三个基本特征的同时,针对植物叶片识别的特点,对模型进行了改进：增加了独立参数和粗分类步骤,使叶片识别免受非形状分类因素的干扰;在归一化进程中分别应用覆盖面积半径和生物学参照点进行伸缩变换和旋转变换,使归一化更符合生物学特征;在分类时通过设置相似度阈值,强化了同类叶片的标准,从而减少了一些非同类的误归入事件的发生;最后设计了三组实验来研究各影响因素独立变化时对识别率的影响,同时引入了误差矩阵和相似度矩阵,分别来体现错分的事件的分布情况并揭示了产生错分的原因。经过这些改进,本文实现植物叶片图像的批量识别和分类,提供了一种查询错分分布的方法并指出提高识别率的研究方向。     

基于可见光遥感图像的船只目标检测识别方法

 基于光学遥感图像提取船只目标是海洋信息感知中的重要应用方向,主要任务包括在广域大视场图像中快速检测定位船只目标,并在检测船只目标的基础上对目标信息进行进一步的提取与分类,该研究无论在民用及军事方面都具有重要意义。本文围绕船只检测识别方法中预处理及目标检测、分类等主要环节,阐述了各环节面临的难点问题及主要解决方法,指出了目前存在的问题,展望了基于光学遥感图像技术的发展趋势。     

基于形态骨架变换的形状识别方法

形状的识别是现代图象处理与计算机视觉中的一个重要问题．根据形态变换原理，提出了一种新的形状的拟合方法，并建立了相应的形状识别方法，最后还给出了部分计算结果，验证了该算法的有效性     

一种改进的Zernike矩的雷达图像目标识别方法

针对Zernike不变矩目标识别算法计算复杂,计算复杂度高的不足和雷达图像乘性噪声严重和识别率不高的问题,提出了一种快速计算Zernike矩目标识别算法.该算法通过利用Zernike矩对称性和反对称性对雷达图像进行快速计算求得不变矩,然后通过加权求得新的特征向量,最后通过支持向量机进行目标识别.实验结果表明,提出的算法不仅解决了计算过于复杂的问题,还降低了噪声且提高了目标识别率.     

kPCA特征提取算法的自动目标识别

分析了主成分分析（PCA）与核主成分分析（kPCA）的基本原理,比较了两者在处理数据方面的性能,得出了kPCA比PCA在处理非线性可分数据方面具有优势的结论．依据几何绕射理论（GTD）,通过Matlab仿真方法得到HRRP（高分辨距离像）数据,并以这些数据作为训练和测试样本,结合SVM分类方法,分别测试比较了基于4种不同核函数的分类识别性能,得出基于高斯核函数主成分分析的自动目标识别系统性能明显好于其他3种核函数的结论．     

基于假设检验的SAR图像机场跑道自动识别

针对复杂条件下合成孔径雷达图像中机场目标自动检测识别问题,提出了一种基于假设检验的机场跑道自动识别算法,利用雷达图像中跑道灰度特性和结构知识,通过迭代分割和形态学滤波提取感兴趣区域,抑制具有类似灰度特性的水域对跑道线检测的影响,并结合Hough变换和线段跟踪连接提取候选跑道,最后采用假设检验方法对机场跑道进行识别.试验结果表明该方法可快速有效地检测识别复杂背景下低分辨率、低信噪比合成孔径雷达(SAR)图像中的机场跑道.     

基于ESS模型的云状自动识别方法

为了提高云图自动识别的准确率,提出了一种新的云状自动识别方法。基于湍流标度理论,将湍流的标度特征应用于云图的自动识别和分类中,对云图的灰度数据进行扩展自相似(ESS)模型标度分析,提取云图的标度指数特征,利用不同云系的标度特征识别云图。选用支持向量机作为分类器,对波状云、层状云、积状云、卷云和晴空5种云图进行识别。研究结果表明,通过提取ESS模型标度特征进行典型云状识别的准确率接近或超过90%。由于具有较强的显著性,基于湍流标度理论提取云图特征对云状识别方法是一个很好的补充。     

基于B-CFAR预处理的自动匹配目标识别法

针对传统模板匹配识别算法中 ,受目标旋转带来的识别率与运算速度难以两全的问题 ,文章采用了一种改进算法。首先在匹配之前用双参数恒虚警检测 (B-CFAR)提取感兴趣的区域 (ROI) ,这样排除了一些干扰 ,不仅能提高识别率 ,而且对于数据量很大的合成孔径雷达 (SAR)图像匹配速度也有所提高 ,然后对图像上每点窗口内计算方向性并依此选取相应方向的模板 ,最后用相应模板对图像进行匹配。将此算法运用在复杂二维 SAR图像飞机识别中 ,结果表明得到了良好的识别效果     

基于径向基函数神经网络的飞机目标识别法

通过将自适应小波神经网络 (AWNN)中的小波基函数直接替换为 Gauss径向基函数 ,提出了一种适于对目标一维距离像信号直接进行分类的径向基函数神经网络(RBFNN)。对用于信号分类的 RBFNN网络结构的确定、RBFNN的训练以及最终判决规则的确定等问题 ,进行了深入的讨论。对 6个目标不同信噪比下的分类结果表明 ,提出的 RBFNN对距离像信号具有很强的分类能力 ,对于开发更加实用化的目标识别算法显示了很大的潜力     

基于改进的隐马尔科夫模型的语音识别方法

针对隐马尔可夫（HMM）语音识别模型状态输出独立同分布等与语音实际特性不够协调的假设以及在使用段长信息时存在的缺陷,对隐马尔可夫模型进行改进,提出马尔可夫族模型。马尔可夫族模型可看作一个数学上由多个马尔可夫链构成的多重随机过程,HMM模型则是双重随机过程,因而,HMM模型可视为马尔可夫族模型的特例。马尔可夫族模型用条件独立性假设取代了HMM模型的独立性假设。相对条件独立性假设,独立性假设是过强假设,因而,基于马尔可夫族模型的语音模型更符合语音实际物理过程。在马尔可夫族语音识别模型中引入状态段长信息,能自动根据语速对语音单元段长进行调整。非特定人连续语音实验结果表明,利用状态段长信息的改进语音识别模型比经典HMM模型的性能明显提高。     

基于证据数据分类算法的水声目标识别研究

证据分类算法已被广泛应用于模式识别中。针对传统证据近邻算法在证据权重和组合规则上的局限,研究了一种新的基于DSmT的证据K近邻识别算法(DSmT-KNN)。首先在水声目标的各类别训练模板库中,利用目标数据与各近邻的特征相似度来分别构造基本置信指派,并根据K个近邻数据的距离大小对构造的置信指派进行加权。然后利用DSmT规则对加权证据进行融合。最后根据每个类别下融合结果的算术平均值来判断目标的类别属性。通过水声目标实测数据实验,将DSmT-KNN与其他几种常见的方法进行了对比分析,结果表明新算法能有效提高系统的识别准确率。     

基于径向基神经网络的目标识别研究

本文讨论了传统的径向基(RBF)神经网络聚类算法的基本原理,针对其选取初始中心矢量的不足,提出了一种新的选择初始中心矢量的方法,给出了新的学习算法,并将其应用于目标识别.仿真结果表明,新算法比传统的RBF算法具有更强的聚类能力,使目标识别更加准确.     

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.     

SAR图像的特征提取与目标识别

针对已有的SAR图像自动目标识别方法效果不太好的问题，提出了SAR图像的自动目标识别三种方法，即采用灰度特征的目标识别，采用栅格特征的目标识别，和采用模版特征的目标识别.理论和实验表明，采用模版特征的目标识别效果比较好.