基于组合不变矩的空间目标识别

本文针对Hu提出的不变矩和Jan Flusser提出的仿射不变矩的不同特点和适用条件，提出在不增加特征向量维数的条件下，将不变矩的部分分量和仿射不变矩组合成一个新的特征向量即组合不变矩，以用于空间目标的识别，并通过仿真实验进行了比较验证，结果表明组合不变矩对于空间目标的识别是有效的，且在一定程度上提高了识别率。     

基于组合不变矩和神经网络的三维物体识别

在三维物体识别系统中,提出将三维物体的Hu不变矩和仿射不变矩两者的低阶矩组合作为三维物体的特征,结合改进的BP神经网络应用于三维物体的分类识别。理论分析和仿真实验表明组合这两种矩特征进行物体识别,性能优于单独使用Hu不变矩,如果进一步对这两种组合的矩特征进行主成分分析处理,可显著提高系统识别性能,并减少网络的训练时间。     

基于PCA和不变矩的三维物体识别算法研究

在计算机视觉问题的研究中,针对基于矩的目标识别算法实时性不高的问题,本文分析主分量分析法(PCA)在目标快速识别算法中的应用,提出基于Jan Flusser仿射不变矩和PCA融合的快速识别方法,即利用PCA在Jan Flusser仿射不变矩的特征空间中进行优化降维,减少了计算量,然后利用一些主流的识别算法对该方法的实时性和准确性进行验证研究。在MatLab平台下的仿真结果表明:本文方法的实时性在欧式距离上提高了23.68%,在概率神经网络上提高了8.7%,在支持向量机上提高了21.01%,准确性只有少量的降低,不改变识别算法的过程,且适合三维物体小角度变化下的识别。     

空间目标融合识别算法及实验研究

提出了基于红外与可见光图像的空间目标融合识别算法。算法针对空间目标的物理特征,利用红外和可见光图像提供的互补信息进行空间目标融合识别。方法以空间卫星为识别目标,采用不变矩和仿射不变矩来描述目标特征,提出了基于红外和可见光的特征级和决策级融合识别方案,并进行了半物理仿真实验和分析。实验证明这两种基于红外和可见光的融合识别算法可明显改善目标识别的精度和可靠性。     

退化交通标志图像的RBPNN分类算法研究

为了识别退化的交通标志图像,采用模糊-仿射联合不变矩直接提取图像的特征,并针对各阶模糊-仿射联合不变矩数量级差异较大问题,提出一种数量级标准化算法,避免了需要较大计算量的图像复原处理过程。同时在深入研究径向基概率神经网络的基础上,采用全局K-均值算法优化其网络结构,并将其用于交通标志图像的分类识别。仿真结果表明,模糊-仿射联合不变矩是一种有效的处理退化交通标志图像的方法,所设计的径向基概率神经网络分类器不仅具有精简的结构而且有较好分类精度和推广性能。     

不变矩在车牌字符识别中的应用

为了克服车牌字符的倾斜和相似字符间的误识别对字符识别带来的影响,提出了一种基于不变矩的匹配算法.利用不变矩的旋转不变性克服字符倾斜带来的影响.对不变矩算法进行改进,增加了5个新的不变矩量,包含了更多的细节特征,并用原点矩代替中心矩,减少平移不变性带来的误差,解决了相似字符间的误识别.实验证明了方法的正确性和可行性.     

基于区域检测算法与不变矩特征的飞机特征提取方法研究

为了克服现有算法处理结果易受影像获取时光照、视角变化的影响,提出一种结合Harris-Laplace特征区域检测算法与梯度仿射不变矩特征描述子的飞机自动识别方法。首先,采用Harris-Laplace算子检测图像中飞机目标特征区域,在此基础上,采用梯度仿射不变矩,更形象地描述目标特征区域内的仿射变换特性,利用特征区域内的梯度仿射不变子作为飞机目标识别的特征向量用于目标识别。实验结果验证了该算法的稳健性及高效性。     

空中回转体目标识别算法的研究

为加强空中回转体目标识别的智能化程度,提高目标识别率,对目标图像的不变矩特征与BP神经网络相结合的空中回转体日标识别方法进行了研究.以给出权值的方式引入Relief算法对目标图像的7个Hu氏不变矩、3个仿射不变矩的识别性能进行科学的评估.选出权值较大的特征量作为BP神经网络的输入特征来训练网络,识别样本.模拟实验表明:引入Relief算法对空中回转体目标不变矩选择的目标识别方案是有效的,应用Relief算法选择出的特征项作为神经网络的输入特征不但减少了特征量提取的采集次数,降低了算法的计算量,而且,可使网络更易于收敛.且提高了目标物的识别率.     

图像不变矩的推广

该文提出了一种快速有效的推导不变矩的方法——三角函数生成法，建立了一种不变矩空间，总结出不变矩的一般构造规律，导出了5个新的不变矩表达式C8～C12其它高阶不变矩表达形式也可采用类似的构造方案．在此基础上还得出多种高阶不变矩的表达通式，讨论了不变矩的反射变换特性．并在实验中给出了离散情况下一些图像不变矩的稳定性比较．利用扩充后的不变矩特征集能更准确地对图像进行分类和识别．     

基于视觉的无人机自主着陆地标识别方法

在无人机自主着陆过程中,传统地标识别方法的相似阈值确定需大量实验估计。为解决此问题,采用一种基于仿射不变矩和支持向量机的识别方法,首先设计了六圆组合的图标作为无人机自主着陆地标;由于无人机会拍摄到发生扭曲的地标图像,因此提取地标的仿射不变矩作为输入特征;最后将其输入支持向量机分类模型,完成地标的识别。与传统的几何不变矩和BP神经网络相比较,该方法提高了地标的识别精度并降低了识别测试时间,因此对地标识别具有一定的实用性。