Hu矩和Zernike矩在表情识别应用中的比较

首次将Zernike矩运用于同一个人的表情识别问题，分别计算了同一个人面部图像的Hu矩和Zernike矩，以模式识别中常用的类间距作为依据，提取了面部图像的各种矩的最好特征和次好特征，并对Hu矩和Zernike矩的识别能力和抗噪性进行了比较，试验结果证明Zernike矩更适合识别细微变化的面部表情．     

基于伪Zernike矩模糊不变量的图像识别算法

为了提高模糊图像的识别率,提出了一种新的基于正交伪Zernike矩模糊不变量的图像识别算法.该算法首先推导出模糊图像的伪Zernike矩和原始图像的伪Zernike矩之间的线性关系,然后利用该关系构造出伪Zernike矩的模糊不变量,最后将该不变量作为描述算子对模糊图像进行识别.实验表明,与Zernike矩模糊不变量相比,伪Zernike矩不变量具有更好的模糊不变性,并且基于伪Zernike矩模糊不变量的图像识别算法能获得更高的识别率,特别是当图像含有较大噪声时.     

一种改进的伪Zernike矩快速计算方法

为了有效地利用伪Zernike矩进行图像分析和模式识别,针对传统伪Zernike矩快速计算方法在计算伪Zernike矩时复杂度大的问题,提出一种改进的伪Zernike矩快速计算方法.该方法利用Clenshaw递推公式实现了伪Zernike矩多项式求和的快速计算.初步实验结果表明:在计算指定阶伪Zernike矩时,文中方法比传统伪Zernike矩快速计算方法需要更少的CPU时间;在人脸特征的提取及识别方面,文中方法的识别率比传统的主成分分析方法约高5%,而特征提取需要的平均时间为1.2 s.     

SVM与组合矩在工件识别中的应用研究

针对工件识别问题,提出了一种应用支持向量机(Support Vector Machine,SVM)与组合矩对工件进行识别的方法;通过对提取图像的Hu不变矩进行处理,形成利用组合矩进行工件识别的新方法;改进后的算法降低了特征维数,缩减了识别时间,提高了识别准确率;结合试验比较了两种方法的分类效果,其中提取Hu不变矩作为特征的识别率为82.3%,而采用组合矩作为特征的识别率高达94.1%,高于Hu不变矩作为特征的识别率.     

不变矩算法的改进与人耳识别技术

由于人耳识别具有不受表情、化妆等影响的独特优势,研究了人耳识别特征技术,对不变矩算法进行了改进,获得6个改进的高阶不变矩特征向量.分别用两种算法对人耳图像进行识别处理,比较两种识别结果.改进后不变矩算法的高阶不变矩具有平移、旋转不变和尺度缩放不变的特性.采用BP人工神经网络对60只人耳图像进行识别验证,正确识别率达到91.8%.     

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.     

一种结合稀疏表示和切比雪夫矩的人脸识别算法

在基于稀疏表示的人脸识别算法的基础上,利用切比雪夫矩在图像重建及抗噪声方面的良好性能,提出了一种结合稀疏表示和切比雪夫矩的人脸识别算法,对有无加性噪声干扰的人脸图像进行识别.给出了详细的数学推导过程和算法实现步骤,并通过实验对算法进行了验证.针对扩展的Yale B人脸库和AR人脸库的识别结果表明,当特征空间维数为496时,该算法在不同光照条件和不同表情条件下的识别率分别为98.33%和88.72%,在添加椒盐噪声后像素破坏比例小于60%的条件下识别率为100%.与基于随机脸的最近邻分类法、最近子空间分类法及传统SRC算法相比,该算法在抵抗图像的细节信息变化方面具有更好的鲁棒性.     

基于局部特征和集成学习的鲁棒彩色人脸识别算法

为了充分利用人脸图像的局部信息、改善现有基于整体特征的彩色人脸识别算法的识别率,提出了一种基于局部特征和集成学习分类器的鲁棒彩色人脸识别算法.在特征提取阶段,使用自适应四元数pseudo-Zernike矩(AQPZMs)来描述图像子块的特征.对于具有较大熵的图像子块使用较高阶次的四元数pseudo-Zernike矩(QPZMs)提取特征,反之则使用较低阶次的QPZM s.在匹配识别阶段,使用集成学习分类器进行判别.针对不同彩色人脸图像库的测试结果表明,当人脸图像受到光照、表情等因素影响时,与采用QPZMs或者四元数二维主成分分析(Q2DPCA)进行整体特征提取的识别算法相比,所提算法的识别率更高.     

基于Zernike矩和双谱特征的新型干扰识别算法

为了有效应对频谱弥散干扰(SMSP)和切片组合干扰(CI),提出了一种利用Zernike矩和双谱分析的干扰识别方法。首先对雷达接收信号进行双谱分析,经过降维和归一化处理后,将三维双谱信息转化为二维特征信息,然后将得到的二维特征谱变为灰度图,运用数字图像处理技术对灰度图进行一系列的预处理后,利用Zernike矩特征提取图像的形状特征进行识别。仿真实验证明该方法具有较好的识别率,特别是受信噪比影响较少,且在低信噪比下识别率仍能达到90%。通过与文献[4~6]比较表明,该算法识别效果最好,进一步说明了采用该算法在雷达干扰信号识别领域中的可行性。     

改进后的Zernike矩在离线签名识别中的应用

介绍了基于Zernike矩标准的图像归一化标准,并对Zernike矩算法提出了改进,使其具有较好的比例不变性,试验结果显示改进的Zernike矩在离线汉字签名识别中有较高的识别率,并能有效的抑制噪声的影响。     

完备的Zernike矩不变量集的构造及应用

为了解决模式识别应用中传统的不变量特征之间的相关性问题,基于Zernike矩提出一种构造其完备的相似变换不变量集的新方法.首先,根据图像的Zernike矩与径向矩之间的关系,以径向矩为中间桥梁,建立原图像的Zernike矩和旋转缩放后图像的Zernike矩之间的关系,然后由原图像的同阶和低阶Zernike矩线性组合即可...     

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。     

低阶不变矩人耳识别方法

介绍了不变矩原理及特点,由于高阶矩对噪声敏感,提出一种低阶不变矩分子区域人耳识别方法.对分子区域的人耳图像,提取各个区的低阶不变矩首尾相连组成一组特征矢量,作为耳识别模型.在北京科技大学建立的图像库遍历实验后,结果表明,低阶矩识别效果好于高阶矩,分区好于整体.划分32区低阶不变矩达到100%的识别率.     

基于正交矩模糊和仿射混合不变量的图像识别算法

为了识别含有模糊和仿射混合形变的图像,提出了一种新的基于正交矩模糊和仿射混合不变量的图像识别算法.该算法首先使用归一化方法构造了基于Legendre正交矩的仿射不变量,并结合Legendre正交矩的模糊不变量提出了Legendre正交矩的模糊和仿射混合不变量;然后将该混合不变量作为描述算子,将欧几里德范数作为分类尺度,以最近邻法则作为分类器,对图像进行识别.实验结果表明,与其他基于非正交矩的混合不变量相比,基于Legendre正交矩的模糊和仿射混合不变量在混合形变下能够获得更好的不变性,不会带来信息冗余问题,并且对噪声鲁棒性较好;此外,该图像识别算法比其他算法具有更高的识别率,特别是在图像含有较大噪声的情况下.     

不变矩在图像重建中的应用

为解决图像重建过程中的可视效果问题,利用Zernike矩和pseudo-Zernike矩进行图像重建,通过NHS对图像的相似度进行度量.实验证明Zernike矩和pseudo-Zernike矩进行图像重建的效果有明显的差异,且高阶矩的重构效果并不理想,仅当重构阶数在20～48之间才能保证图像重建具有很好的相似度.     

基于伪Zernike矩不变量分析的视觉测力

提出了一种基于伪Zernike矩不变量分析的视觉测力方法.该方法利用伪Zernike矩不变量所构成的特征向量来描述微装配过程中微夹爪变形之后的形状,并由此建立了矩不变量特征向量与受力之间的函数关系;建立训练集,输入为矩不变量特征向量,输出为已知受力;通过支持向量机比较测试集与训练集中的特征向量,对测试集的输入进行多类分类,从而估计未知受力.对4种不同规格的微悬臂梁进行了实验,结果验证了该方法的有效性.     

基于图像饱和度分量Zernike矩的元件封装识别

针对电子元件的自动检测识别问题,给出一种图像饱和度分量的Zernike矩识别电子元件的新方法。根据电子元件的图像颜色特征,分层提取原始图像的饱和度分量,通过遗传算法对饱和度图像分量进行二值化分割并计算改进的Zernike矩作为元件图像的识别特征,利用切比雪夫与曼哈顿距离加权线性来取代传统的欧氏距离判断相似性,降低相似性判定时的运算时间,从而达到识别元器件外观的目的。实验表明,该方法能够准确地识别待测的元器件封装,可应用于电子元件生产和检测中。     

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Zernike矩和BP神经网络的纹理分割

提出了一种基于Zernike矩和BP神经网络的纹理分割方法.对图像的每个像素,选择一个窗口,计算该窗口内的Zernkie矩,然后通过非线性变换器将得到的矩值转换成纹理特征;选择BP神经网络作为分类器,将图像的每个像素得到的n维特征向量输入BP神经网络进行分类,最后将结果标注在原图像上.和基于Legendre矩的纹理分割结果相比,基于Zernike矩的纹理分割可以降低分割错误率.