Hu不变矩特征在道路交通标志识别系统中的应用

在道路交通标志识别系统设计中,交通标志的检测技术是非常关键的部分之一。针对交通标志检测过程中,提出Hu不变矩特征在交通标志检测中的应用,通过Matlab和C＋＋仿真得出结果,根据交通标志Hu不变矩的特点,能够较好地检测出交通标志的特征。     

基于改进Hu不变矩的路面交通标识识别

复杂环境下路面交通标识识别是车辆安全辅助驾驶、车辆自主导航等领域的重要研究内容.针对路面交通标识特征,采用一种控制点快速获取方法得到场景透视投影中的变换矩阵,进而在场景重建基础上利用Hough直线检测方法建立当前车道线的区域模型,在该区域内采用最大化一维信息熵方法分割出交通标识,利用Canny边缘检测算子检测其边缘特征,最后通过改进的Hu不变矩特征实现了路面交通标识的有效识别.实验结果表明,所提的方法对于复杂环境下的路面交通标识识别具有良好的可靠性和鲁棒性.     

一种基于改进Hu矩的图像检索方法

提出了一个在形状轮廓的基础上,进行改进的Hu矩的形状特征提取与检索方法。首先,对图像进行预处理,利用多阈值颜色分割法提取出图像的前景对象,再采用轮廓跟踪法得到该对象的形状轮廓特征;然后,计算7个不变矩,再转化为10个改进的Hu矩,组成图像的特征向量;最后,用欧氏距离度量图像间的相似度。实验结果表明,该方法具有较好的检索效果。     

基于Hu不变矩和BP神经网络的木材缺陷检测

采用X射线作为检测手段,对木材进行无损检测,通过检测透过木材的射线强度来断定检测木材是否存在缺陷.对得到的木材缺陷进行图像处理,将木材缺陷图像转化为灰度图像,再把灰度图像转换为二值图像.根据经验选择相应的阈值,提取出清晰的木材缺陷边缘,把木材缺陷部位从背景中分离出来,完成木材缺陷图像分割.对Hu提出的区域不变矩进行扩展,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.将这些特征参数预处理后输入BP神经网络,对木材缺陷进行检测,检测准确率达到86%以上,试验结果表明此方法的可行性,为实现木材缺陷的自动检测提供了新的途径.     

一种基于Hu不变矩的匹配演化算法

提出了一种基于Hu不变矩的匹配演化算法.该算法利用一种新的演化搜索策略取代传统的遍历搜索策略,将Hu不变矩特征融入演化适应函数.首先通过演化策略,产生多个搜索子图;然后计算待识别搜索子图与模板图像的不变矩特征值,用欧氏距离衡量两者的相似度;最后通过演化策略产生新的搜索子图,用该搜索子图淘汰种群中适应函数值最大的搜索子图.实验结果表明该算法具有较高的效率和鲁棒性.     

Hu不变矩在图像识别中的应用与实现

Hu不变矩是图像的一种统计特征,因其具有平移、旋转与比例不变性而被广泛应用于图像识别领域。该文以MATLAB作为技术实现平台,以Hu不变矩作为判断依据,配合数字形态学、欧氏判据等数学方法,通过基于MATLAB的算法进行程序设计,实现区域图像特征数据获取,并与库内图像特征数据进行对比,选出与最接近的一组数据,实现图像识别的目的。计算机模拟结果表明该方法的有效性和可行性。     

基于Hu不变矩的加权矩方法及应用

为了有效地利用不变矩理论和技术对数字图像的特征进行分析,在研究几何不变矩的基础之上,提出了具有平移、旋转和尺度不变性的加权矩方法,可以应用于图像特征分析、特征识别和图像分类等应用领域。     

基于彩色图像不变矩的交通标志特征提取方法

本文提出了一种利用RGB颜色差分矩阵对Hu不变矩进行加权的新方法．并将该方法和Hu不变矩投影变换快速算法相结合,对彩色交通标志的特征值进行提取．实验表明,该方法可以在Hu不变矩不受目标图像大小、位置、旋转等因素影响的基础上,进一步减小光照条件及天气因素对彩色目标图像的影响,快速、准确地提取出目标特征值,为目标识别提供依据．     

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Hu矩和Zernike矩的文字识别

在研究Hu矩和Zernike矩的基础之上,提出一种基于Hu矩和Zemike矩的文字识别方法,在采集的文字图像中提取Hu矩和Zernike矩特征,利用K近邻的分类方法进行分类,理论和实验表明,该识别方法具有很强的抗图像平移、拉伸和旋转识别能力,其中Zemike正交矩由于其正交性在具有较高的识别能力的同时,还具有很强的冗噪能力。     

挖掘机器人铲斗不变矩及改进BP网络识别方法

在利用视觉信息跟踪、识别挖掘机器人铲斗目标时,实时采集的铲斗图像存在旋转、平移、缩放等情况.为提高对铲斗目标的识别能力,提出了基于不变矩和神经网络相结合的铲斗目标识别方法.提取铲斗图像对于平移、旋转、缩放具有不变性能的7个不变矩特征向量,归一化后作为改进BP神经网络的训练样本及测试样本.应用训练后的神经网络对铲斗目标进行识别,仿真表明该方法具有较好的识别能力.     

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.     

基于不变角度轮廓线的三维目标识别

三维物体的快速准确识别是研究的热点.根据局部特征变换的特点,提出了不变角度轮廓线的识别方法.算法通过点云矢量特征对物体进行局部分割,利用欧式距离、测地距离以及角度三个变量,建立其不变角度轮廓特征描述,进一步提取不变矩特征,构建特征向量数据库集.被识别物体的特征描述和数据库中特征进行夹角余弦匹配,可完成物体的识别.通过识别实验以及识别算法性能分析,结果表明算法具有较高的识别率和识别效率,可以用于复杂点云物体识别.     

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.     

基于加权主元分析(WPCA)的人脸识别

将特征加权和主元分析相结合,提出了一种新的加权主元分析方法;这种方法先根据加权重建误差最小化,计算出各类训练样本的加权子空间,然后计算测试样本点到各加权子空间的距离,并根据该距离进行分类识别.最后,通过对剑桥ORL数据库进行的试验证明,该方法与传统的主元分析相比可以在不增加运算量的情况下大大提高识别率.     

利用独立成分分析和小波矩对车牌字符特征的识别

车牌识别技术作为智能交通系统的核心,起着举足轻重的作用.通过将独立成分分析和小波矩方法引入到车牌字符识别研究中来,提出了一种对车牌字符按照汉字组、数字与字母组进行分组,然后对不同组提取不同的特征进行识别的新方案.实验结果证明,所提方案可以达到很高的识别率.