基于多特征融合的停车场行人异常行为识别

视频异常行为检测对保障公共安全至关重要。针对停车场视频监控中行人异常行为识别准确率低的问题,提出一种基于轨迹-骨架多特征融合的异常目标识别方法。首先根据停车场的环境要求定义异常行为类型;然后对停车场区域进行行人识别,对行人进行图像跟踪,得到其运动轨迹,并对人体姿态进行分析,计算相应关节点的图像坐标;最后融合轨迹特征和骨架特征,对正常行为和异常行为进行分类,实现对目标异常行为的识别。在行为分析数据库上的试验结果表明,本算法的准确率达到87.08%,与单一特征识别方法相比,提高了异常行为的检测效率。本方法能够有效地识别停车场行人的异常行为,在实际工程中具有参考价值。     

基于改进Retinex与光照补偿的人脸身份识别

为解决不均匀的光照分布影响人脸身份识别的准确率问题,提出了一种无约束光照条件下的人脸身份识别方法.该方法首先基于改进的Retinex理论对人脸灰度图像进行光照预处理;然后对处理后人脸图像中鼻子周围的遮挡阴影区域进行光照补偿;最后利用主动外观模型定位人脸特征点,并选取关键特征点计算人脸身份特征,进而实现人脸身份识别.基于扩展Yale人脸数据库和CMU-PIE数据库进行实验,结果表明所提方法能有效改善人脸图像的光照情况,提高人脸身份识别率.     

基于深度学习的隧道裂缝识别方法

为提高隧道衬砌裂缝的识别精度和速度,提出一种基于深度学习的隧道衬砌裂缝自动识别算法。该算法使用两个深度卷积神经网络分别实现隧道衬砌图像分类和裂缝识别。首先使用图像分类网络对隧道衬砌图像进行分类,筛选出含有裂缝的图像;然后使用裂缝识别网络,结合滑动窗口扫描的方式对含有裂缝的图像进行裂缝识别,得到初步的裂缝定位结果;最后根据初步的裂缝定位结果进行图像分割,并计算出裂缝的长度值和宽度值。实验结果表明:图像分类和裂缝识别的准确率均达到98%;处理单张不包含裂缝的大尺度图像耗时0. 008 s,处理单张包含裂缝的图像耗时0. 688 s;施工缝、线缆、字迹等对裂缝识别的影响减弱。     

基于改进谷形检测增强和Canny边缘修正的手指静脉识别方法

手指静脉识别作为新型的生物特征识别技术,未来可广泛应用于身份识别领域。针对当前手指静脉图像质量差导致特征识别准确率较低的问题,提出一种基于改进谷形检测增强和Canny边缘修正的手指静脉识别方法。该方法首先改进用于局部静脉特征增强的方向谷形检测算子,增强静脉特征区域,然后利用Canny边缘检测算法对图像分割后的特征区域进行二次修正,在保证手指静脉特征区域完整性的同时降低伪静脉对识别率的干扰。在手指静脉数据库上进行实验,结果表明该方法对增强算法的泛用性较好,对4种不同的全局图像增强算法的识别准确率分别提升了8.66%,3.7%,1.78%,1.2%,能明显提高特征识别的准确率。     

改进分水岭算法在成像测井图砾石识别中的应用

砾岩在成像图上显示的不规则性,导致其自动识别难度大、准确率低,而现行人工识别方法效率较低。为此,引入分水岭算法对成像测井图像砾岩中砾石识别进行探究,并通过添加滤波器、梯度处理以及感兴趣区域标记对算法进行改进,解决了基于拓扑理论和模拟地形学的分水岭算法所存在的过度分割问题。基于matlab软件将改进的分水岭算法应用到成像测井图像中,对W断陷A井成像测井资料进行处理,结果表明,该方法可识别出成像测井图像砾岩的大多数砾石,是一种成像测井中具有较高识别效率和准确率的砾岩自动识别方法。     

二次定位车牌分割及识别方法

智慧城市建设中,需对重点街道和路口采集到的交通视频文件进行智能分析.为此,提出一种二次定位车牌分割、识别方法.首先,利用垂直投影区域特征并结合Hough变换得到车牌的粗略定位分割结果;然后,基于该车牌图像的粗略定位分割结果,采用支持向量机的方法,进行车牌的精细定位分割并对车牌号码进行自动提取、识别.通过对多源车流量视频实验数据中的1680帧车牌图像进行自动车牌提取分析,在5°和10°两个倾斜角度,二次定位车牌识别方法的准确率分别达到96.7%和96.2%,优于相关算法.     

基于综合特征的花卉种类识别方法研究

提出了1种基于综合特征的花卉识别方法﹒该方法首先利用图像显著性进行分割,以实现前景背景分离;然后分别提取花卉的颜色特征、形状特征和纹理特征,在提取纹理特征时,为了提高特征对花卉的表述能力,对图像进行边缘增强和压缩处理;最后使用SVM分类器进行分类识别﹒实验分别与BP神经网络、KNN最近邻分类这2种分类方法进行了对比分析,相对于BP神经网络的分类识别率(85.81%)和KNN最近邻分类的识别率(84.09%),基于综合特征的识别方法具有更高的准确率,识别率可以达到93.7%﹒     

基于改进LeNet-5模型的手写体中文识别

手写体中文的自动识别是中文文档数字化的前提和基础,由于中文字符数目繁多、相似性强、字体种类繁多、书写随意、缺乏统一规范等原因,一直是计算机视觉领域中一个具有挑战性的问题.为解决这一难题,提出了一种基于卷积神经网络的手写体中文识别方法.在经典LeNet-5网络模型的基础上进行改进,提出了一种LeNet-Ⅱ模型.利用改进的Inception模块和空洞卷积,设计了一种并行的双路卷积神经网络结构;两路分支可分别提取手写中文图像中不同尺度的特征,获得多个尺度的特征图像;通过对其进行特征融合,可以达到丰富特征图像多样性、提升识别准确率的目的;最后经过全连接层进行分类.利用经典手写体中文数据集进行训练,利用该模型实现了3 755类手写体中文字符及相关文本的自动识别.实验结果表明,基于改进LeNet-5模型的手写体中文识别方法,在同一训练数据集上的收敛速度和识别准确率明显优于经典LeNet-5模型,对经典数据集的识别准确率可以达到95.21%,也高于其他传统算法;此外,对4幅手写体中文文本的平均识别准确率达到97.30%,超出了人类表现,取得了理想的实际效果.     

基于多源特征增强的交通标志识别方法

针对现实场景中交通标志识别在照明不佳环境下和应对扭曲、旋转、平移等空间变化时准确率较低的问题,在优化亮度、对比度特征的基础上结合图像的空间位置信息,提出一个新颖的基于多源特征增强的交通标志识别方法 .首先设计亮度与对比度增强模块以凸显低照度图像的特征信息,降低低照度图像识别难度.然后结合空间转换单元构建轻量化特征处理网络,通过弱化图像携带的无关信息聚焦数据中的感兴趣区域,有效分离背景噪声的同时也改善了输入数据的空间不变性.最后主分类网络对图像特征图进行细粒度的识别并输出预测的类别标签.实验结果表明：本文提出的模型在公开基准数据集GTSRB上的准确率达到99.52%,能有效解决交通标志现实场景下识别率较低的问题.     

基于显著性区域的红外行为识别

视频特征的提取是行为识别方法中一个关键步骤,当视频场景中存在无关行人或者背景干扰时,提取的特征往往会包含较多的干扰信息,这将严重影响分类器的分类效果,进而影响行为识别准确率。针对这类问题,提出了一种基于显著性区域的红外行为识别方法。该方法对视频序列提取光流运动历史图(optical flow motion history image, OF-MHI)特征,获取视频序列的运动信息,此步骤旨在消除图像背景及静止目标干扰。利用类别激活映射(class activation map, CAM)方法进一步消除运动目标干扰,获得兴趣目标显著性区域,进而获得显著性区域特征图。输入卷积神经网络(convolutional neural network, CNN)提取最终特征,并采用支持向量机(support vector machine, SVM)获得识别结果。与传统方法相比,实验结果表明,该方法有效地提升了识别准确率。     

基于改进核判别算法的视频运动人脸图像相似表情识别研究

传统的视频运动人脸图像相似表情识别方法,利用小波变换提取人脸特征,后续特征分解效果不理想,导致表情识别准确度较低。为此,提出基于改进核判别算法的视频运动人脸图像相似表情识别研究。采用积分图法提取视频中的人脸表情,得到特征矩形区域。结合核判别算法对特征矩形区域进行分解得出表情特征矢量。结合弹性模板匹配法,计算和匹配表情特征矢量,得出匹配最优的表情,完成人脸图像相似表情识别。为验证所提方法的应用性能,设计仿真实验。实验结果表明,与传统方法相比,所提方法的表情识别准确度更高。本文设计识别方法具有应用有效性,为相关领域提供可靠依据。     

基于改进随机森林分类器在RGBD面部表情上的应用研究

面部表情识别是机器感知人类情绪变化的重要途径.利用面部RGB图像可以进行表情识别,但是容易受到光照变化影响,而且较难刻画细微表情变化.对采用RGBD面部图像识别6种基本面部表情(高兴、悲伤、愤怒、沮丧、恐惧以及惊讶)进行研究.首先利用深度图像鲁棒地检测面部;然后在面部灰度图像中检测并跟踪二维面部标记点,并添加对应的深度信息构造深度面部几何特征,从而有效识别细微表情变化;最后利用基于特征选择的随机森林分类器对不同面部表情进行识别.基准数据库上的对比实验结果表明本文算法的表情识别准确率高于主流基于手动提取特征的面部表情识别方法,接近基于卷积神经网络的识别算法性能.     

基于改进凸分解的手势识别

提出了一种新的基于Kinect的实时静态手势识别方法,主要贡献包括:提出了一种简易可行的、结合图像深度信息与肤色信息的手势区域检测与分割方法;提出了一种改进的凸分解算法,对手势区域进行近似凸形状分解,以得到表征手势特征的骨架信息;采用基于路径相似性的骨架图匹配算法对手势进行匹配以实现识别.针对特定手势集进行了对比实验,实验结果表明,本文方法在识别结果的准确率以及算法的效率上都有着良好的表现.      

基于局部特征的部分遮挡人耳识别

通过对人耳受到部分遮挡时识别的研究,提出了一种基于局部特征的部分遮挡人耳识别方法,即首先利用Gabor小波对人耳图像进行特征提取,由于该特征维数较高,再使用核Fisher判别分析(KFDA)方法进行有效降维后用于人耳识别.在逐步分析人耳各个子区域的鉴别能力的基础上,提出了基于分块图像和概率模型的识别方法.在北京科技大学(USTB)人耳图像库上的实验结果表明:基于Gabor滤波后图像所提取的特征比基于原始图像直接提取的特征具有更高的识别率,基于分块图像的识别率高于基于整体图像的识别率.     

基于骨骼线约束的随机蕨抗干扰三维体态识别

针对复杂环境下体态识别易受他人遮挡干扰,识别准确率低等问题,提出了一种基于骨骼线几何特征约束的随机蕨抗干扰三维体态识别方法。首先检测目标运动区域,融合运动目标多尺度深度信息和梯度特征;再采用kinect提取人体骨骼,获得骨骼几何特征,建立骨骼特征约束项,排除他人遮挡干扰;最后采用随机蕨进行三维体态分类识别。实验结果表明,该方法识别准确率可达80%以上,抗他人遮挡干扰性强。     

基于边缘特征和霍夫变换的斑马线识别方法

现有斑马线识别方法普遍存在实时性差或准确率低等问题,对此提出基于边缘特征和霍夫变换的斑马线识别方法。首先利用逆透视变换(inverse perspective mapping,IPM)原理将单摄像机采集到的道路图像转换为俯视图像,然后采用Sobel_x边缘检测模板提取斑马线的边缘信息;基于此,采用霍夫(Hough)变换对斑马线在水平夹角、直线长度、间隔宽度、数量统计等约束条件下进行曲线拟合,最后实现斑马线的识别。试验研究中,选择600张在不同场景下采集到的道路图像对斑马线进行识别,算法在白天光线较好情况下准确率为97.56%,在夜晚情况下为88.67%,算法平均耗时约33 ms。结果表明该算法可以在多种环境下快速准确地识别出斑马线,满足实际工程应用的需求。     

基于骨骼线约束的随机蕨抗干扰三维体态识别方法

针对复杂环境下体态识别易受他人遮挡干扰,识别准确率低等问题,提出了一种基于骨骼线几何特征约束的随机蕨抗干扰三维体态识别方法。首先检测目标运动区域,融合运动目标多尺度深度信息和梯度特征;再采用kinect提取人体骨骼,获得骨骼几何特征,建立骨骼特征约束项,排除他人遮挡干扰;最后采用随机蕨进行三维体态分类识别。实验结果表明,该方法识别准确率可达80%以上,抗他人遮挡干扰性强。     

基于改进SURF的遥感图像目标识别

针对目前遥感图像背景复杂信息量大,导致目标识别过程中特征检测准确率低,特征匹配识别时间长等问题,提出一种基于改进SURF(speeded-up robust features)算法的目标识别方法.该方法采用Grab Cut算法对目标模板进行分割,通过高斯混合模型(Gaussian mixture model,GMM)进行初始化以达到能量最小化分割,并通过快速Hessian矩阵进行特征检测,采用欧式距离完成匹配识别.实验结果表明:使用改进算法进行遥感图像目标识别,能有效去除冗余特征点,提高算法的识别精度和运算速度.     

使用Kinect深度图像的静态人体动作识别

为解决传统的使用视频彩色图像序列的智能监控容易受光照、颜色等因素影响的问题,提出结合Kinect深度图像和支持向量机的人体动作识别方法.利用Kinect在监控区域获得实时深度图像,并进行背景擦除,滤波处理和提取Haar特征.通过使用支持向量机的分类算法生成分类器,并对一组特定的静态动作识别结果进行分析.研究结果表明:使用深度图像对于静态动作有较好的识别率,并且与传统的基于彩色图像的智能监控相比,该方法不仅对于光照、颜色等因素不敏感,而且在识别的准确率和效率上均有提升.     

荧光磁粉探伤自动缺陷识别方法研究

针对荧光磁粉探伤的人工观察识别过程中工作量大、效率低、准确性低及健康危害严重等问题,提出一种新的自动化图像处理与缺陷识别方法。通过分析磁痕图像,设计了一种基于Photoshop中"色彩范围"选择功能的彩色图像分割算法;基于图像形态学提出图像去噪与还原算法;在区域生长理论的基础上进行相关优化,实现单个连通区域的高效提取;基于真伪信号的特征差异设计了缺陷识别方法。以样本图片为例,在集成了OpenCV的VC环境下进行了算法调试,结果显示:彩色图像分割模块滤除了原始图像中由于紫外灯光照射形成的蓝紫色区域和附着磁粉形成的暗绿色区域等干扰信号;开运算后图像中的斑点噪声已经完全被去除,部分细小区域在开运算过程中被断开,导致图像失真;通过闭运算图像得到了还原,图像特征指标保持良好;在识别效率显著改善的同时,识别方法的通用性与准确性也都得到了明显提高。