基于贝叶斯分类器的实时图像目标识别实验研究

基于对不完全朴素贝叶斯分类器的分析,提出一种离线训练在线识别的目标图像识别与跟踪实验方法。实验将模板图像与目标实时图像之间的特征匹配问题转换为特征分类问题,并在成像自寻的导引系统上运行。实验结果表明,该方法在保持很高鲁棒性的同时,大幅减少在线目标识别的计算量,具有较强的实时性。     

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.     

基于多特征的洞库类目标识别方法

针对洞库类目标自动识别研究较少、识别率较低、识别方法成本较高等问题,设计了基于多种特征的洞库类目标识别算法.探讨了典型洞库类目标的模型并总结其主要特征;其次利用HOG特征对输入图像进行初步筛选,筛选出包含有洞库类目标的图像;然后基于洞库类目标的灰度特征提出了一种图像局部自适应阈值生成算法Wiblack提取图像中的疑似目标;最后搭建了洞库类目标的数学模型,并提出了基于形状相似度的目标判别算法,采用圆形相似度与椭圆形状相似度二次相似度判别方法,最终得出识别结果并描述目标轮廓,完成目标识别.实验结果表明该方法在洞库类目标的识别应用中有效可行,基于本文实验数据的识别准确度为92.6%.      

一种基于视觉的库区可疑目标识别算法研究

针对库区巡检图像采集设备对图像目标智能识别需求,进行基于视觉的远距离可疑目标识别算法设计与实现. 采用目标检测算法对图像进行目标识别并采集,通过基于卷积神经网络的深度学习模型卷积层对目标图像提取特征,采用基于机器学习传统方法的浅层网络对特征进行可疑目标分类. 根据算法设计实验,实验结果表明本算法模型识别效果良好,可有效减少人工识别工作量,能满足实际应用需要要求.      

机器视觉油炸鱼豆腐外观缺陷识别与剔除系统

设计了外观缺陷识别与剔除试验系统,利用产品图像的颜色特征和形状特征,可实现油炸鱼豆腐外观质量的在线检测、识别与自动剔除.在产品外观颜色检测中利用RGB颜色空间中的B分量阈值作为特征;在产品外形缺陷检测中采用目标面积和边缘形状矩形度实现特征识别.经排序机构将产品有序排列后,根据各列缺陷识别结果,由单片机控制剔除装置完成相应动作,剔除不合格品.实验表明:该试验系统可有效完成油炸鱼豆腐产品的在线外观检测及残次品的剔除,提升生产线成套装备的技术水平.     

基于机器视觉的动态多目标识别

提出了一种基于机器视觉的实时动态多目标识别的方法.该方法首先根据前后帧之间像素的变化,分割出运动目标和样本图像,然后使用Gabor滤波器提取图像的特征,得到特征向量.最后使用Fisher判别准则分类识别,将得到的分类识别结果自动标注在输出图像中,并且将其连续输出,便能获得已经识别完成的输出视频.实验结果表明,在多个动态目标的情况下,综合运用Gabor特征与帧间差分法的动态目标识别方法能准确检测到动态目标区域,并能准确分类、识别和标注.     

侧扫声纳目标自动探测研究

为了解决水声图像因受到噪声、多途、混响的影响,使水声图像特征难以提取的问题,针对海底目标的识别,通过对图像处理算法的研究以及大量的实验分析,给出了侧扫声纳图像目标自动识别的有效方法.其中包括图像的增强、二值化、二值开闭操作、特征提取、特征计算及目标识别等内容.通过对面积特征的提取和计算实现了对水下目标的自动探测.     

基于小波变换的模糊目标识别

针对图像处理问题中的模糊性问题,在不确定因素分类与影响分析的基础上实施去模糊处理,并与其他图像的降噪处理作比较.利用仿真实验系统地分析模型与算法的有效性;然后,利用小波变换对图像进行分解,提取小波系数和图像的能量特征,给出匹配与识别方法,通过实验与现有主要的目标识别方法作比较.结果表明,该识别法的识别精度高、速度快,比现有的目标识别方法的识别率平均提高了5.16%.     

基于多尺寸特征叠加的SAR舰船目标检测方法

针对SAR图像中舰船目标的检测问题,单纯基于深度学习的图像处理技术难以达到检测准确性和实时性要求.SAR图像中目标尺寸较小,且易受噪声、光斑干扰,传统方法难以提取精细特征并克服复杂条件下的背景干扰.针对以上问题,设计基于YOLOv3检测框架的端到端检测模型,借鉴了残差模块结构来避免网络退化问题.同时结合深层与浅层的不同尺寸特征图检测,使用目标基础特征提取网络参数来避免重复训练初始化过程.针对SAR图像中海上舰船成像小目标的特点改进优化了神经网络结构,实现SAR海面广域舰船目标识别分类算法,并对检测模型进行轻量化压缩处理.构建SAR图像舰船目标数据集并进行了多次目标检测识别分类实验,体现了提出的检测方法在复杂场景下有可靠的抗干扰能力和准确的目标检测识别性能.     

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.     

自主移动机器人走廊视觉识别与跟踪方法研究

在基于图像的道路识别技术实现的自主驾驶问题研究中,图像识别和跟踪的速度是自主驾驶效果的关键。采用基于模型的走廊识别技术,通过模仿人类视觉过程,使用遗传算法,对实时图像进行目标识别和跟踪,实现了一套自主移动机器人系统;同时通过对识别模型匹配值的变化率分析,实现了对走廊拐角的识别。实验结果表明,该方法的走廊图像识别和跟踪速度能够满足系统实时性的要求,并具有较高的可靠性。     

基于小波变换的低光照对比度或强噪声背景下图像增强与目标提取方法

提出了一种基于小波变换的低光照对比度或强噪声背景下图像增强与目标提取方法.低光照对比度情况下成像获得的图像进行处理分析、目标定位识别与跟踪都有一定困难,必须对其进行增强处理.根据图像的纹理统计特性,设计了专用于保护纹理特征的巴特沃思滤波器,对低光照对比度图像或强噪声背景下图像进行增强,可有效地克服低光照对比度图像或强噪声背景条件下进行处理分析、目标定位识别与跟踪造成的影响.实验结果表明:应用小波变换的多尺度分析方法和专门设计的巴特沃思滤波器,可较好地消除低光照对比度或强噪声背景下图像的干扰.     

指纹图像预处理算法研究

在指纹识别系统中，指纹图像预处理是指纹特征提取与识别的前提．对指纹图像预处理技术进行了研究。提出了一种指纹图像预处理算法．实验结果显示，该算法能够去除指纹噪声，得到较高质量的指纹图像．     

基于最大池化稀疏编码的煤岩识别方法

针对现今煤岩图像识别方法的缺乏与不足,为了挖掘新的煤岩图像识别方法以及更好地处理高维煤岩图像数据,提出了基于最大池化稀疏编码的煤岩识别方法.本方法在提取煤岩图像特征时加入了池化操作,在分类识别时采用了集成分类器,即多个弱分类器组成一个强分类器.实验结果表明:最大池化稀疏编码的特征提取方式能简单有效表达煤岩图像的纹理特征,大大增强煤岩图像的可区分性,获得较高的识别率,并且具有良好的识别稳定性.研究结果可为煤岩界面的自动识别提供新的思路和方法.     

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.     

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.     

基于多任务学习及Faster R-CNN的SAR目标图像识别分类

针对合成孔径雷达(SAR)目标图像识别分类中分类特征利用率低、精度差及图像特征提取时运算复杂、效率差的问题,利用非下采样剪切波变换(NSST)方向敏感性和平移不变性提取SAR目标图像的光谱纹理特征,构建基于Faster R-CNN(region-based convolutional neural network)的可同时完成目标图像识别、鉴别及分类的多任务网络模型。实验结果表明,该方法在有限的SAR图像数据支持下仍有较好的识别率,且算法优于传统的神经网络(NN)、支持向量机(SVM)及基于稀疏表示(Sc SPM)等分类方法。在MSTAR公开数据库上,平均识别率达到98.13%。     

基于灰度图像二维Gabor滤波的目标识别

提出了一种基于灰度图像的Gabor滤波器识别方法.该方法首先采用Gabor小波滤波器组处理灰度目标图像,并在此基础上采用主元分析法(PCA)提取图像特征,然后结合支持向量(SVM)方法将区域内图像匹配问题转化为分类问题来识别目标物体.仿真实验结果表明,该算法能使移动机器人达到92%以上的识别率,并可满足约8 fps的实时图像处理要求.