超视距雷达中距离-多普勒图的瞬态干扰自动识别方法

为提高瞬态干扰处理的稳健性,超视距雷达可采用先识别后抑制的思路.本文研究基于距离-多普勒(Range?Doppler,RD)图的瞬态干扰自动识别方法,将RD图转化为灰度图,提取其纹理特征,再基于机器学习设计分类算法.首先,提出新的瞬态干扰模型,仿真产生干扰数据,避免训练依赖实测数据;其次,建立RD灰度图图库,分强干扰、弱干扰和无干扰三类情况;然后,提取局部二值模式(Local Binary Pattern,LBP)纹理特征,基于支持向量机设计二分类器,结合纠错输出编码设计三分类器.最后,通过实测数据和文献RD图,验证本文所提识别方法的准确性,并比较分析不同图像特征及参数的影响.     

基于改进GMM和多特征融合的视频火焰检测算法

针对现有视频图像火焰检测算法前景提取不完整、准确率低和误检率高等问题,提出一种基于改进混合高斯模型(GMM)和多特征融合的视频火焰检测算法。首先针对背景建模,提出了自适应高斯分布数和学习率的改进GMM方法,以提高前景提取效果和算法实时性;然后利用火焰颜色特征筛选出疑似火焰区域,再通过融合改进局部二值模式纹理和边缘相似度特征用于火焰检测。基于支持向量机设计火焰融合特征分类器并进行对比实验,在公开数据集上的实验结果表明,所提算法有效提高了背景建模效果,火焰检测准确率可达到92.26%,误检率低至2.43%。     

基于机器视觉的印刷套准识别方法研究*

针对印刷套准检测存在的精度低、速度慢的问题,提取了印刷标志图像的Tamura纹理特征：粗糙度、对比度和方向度,以描述其印刷标志套准或套不准特征;设计了支持向量机的分类器对印刷标志图像进行套准识别,并采用高斯径向基核函数用于非线性数据的分类。实验结果证明,采用建议的印刷标志图像特征提取和分类方法,识别准确率达到90%,识别时间为0.032751秒。本文建议的方法在识别准确率和识别速度上都优于人工检测和文献8的方法。     

复杂彩色图像中的文本定位

针对复杂彩色图像中文本的特征,提出了利用一组级联弱分类器甄别文本区域的算法。首先根据文本块的边缘特征遴选出备选图像块,而后将其送入设计好的级联弱分类器,依次利用文本块特征、颜色信息、区域特征和字符笔画特征准则判断备选图像块是否包含文本。采用专用的文本定位比赛用图进行实验的结果表明,该方法运算简单,定位时间短,定位准确率可达到94.1%,召回率为85.9%。     

基于Gabor滤波和K-medoid聚类分析的人眼检测和瞳孔定位

针对人眼检测过程中存在的表情、光照和眼镜遮挡 等干扰因素的影响,提出一种基于Gabor滤波和 K-medoid聚类分析的人眼检测和瞳孔定位方法。首先采用鲁棒性较好的眼部横向特征作为 检测对象来设计了Gabor 滤波器,以突出眼部的横向特征;然后根据Gabor滤波后的眼部特征,并结合K-medoid算法 设计了聚类算法检测人眼;在人眼检测基础上,结合灰度分布特征和熵函数设计了瞳孔定 位方法。在BioID人脸库和FERET彩色人脸 库上进行了实验,结果表明,本文方法在两个图库的3470幅人脸图像 上能够达到97.8%的检 测率,并且在设置误差阈值较小(0.15)情况下仍能达到95.5%的瞳孔定位准确率。     

视频图像中人脸自动检测与统计算法

针对视频中人脸检测由于成像角度、天气状况、遮挡等因素造成检测准确率偏低以及深度学习模型计算复杂度高的问题,文中提出了一种基于椭圆肤色模型与AdaBoost的人脸检测算法。算法通过选取Haar-like特征作为弱分类器,以裁剪过的CAS_PEAL数据集中的人脸图像作为训练集,利用AdaBoost算法将多个弱分类器组合成一个强分类器,最后将若干强分类器以级联的结构组成最终的分类器模型。为解决将非人脸区域检测为人脸的问题,引入椭圆肤色模型,利用椭圆肤色模型对视频帧进行处理使得图像中与肤色相似的区域进入后续的人脸检测过程以降低误检率。实验结果表明,算法能以平均26 ms(单人脸视频)和平均34 ms(多人脸视频)的检测速度进行实时的人脸检测,且达到了87.2%的检测准确率,具有较大的应用推广价值。     

基于改进局部纹理特征的隐写检测算法

图像隐写是一种将信息隐藏于数字图像中的技术,而隐写检测算法试图分辨出藏有信息的图像。文中分析了现有隐写检测算法的优势,结合HUGO隐写算法的特点,提出了一种改进的基于局部纹理特征的隐写检测算法。该算法由LOCP和LPQ这两种局部纹理特征组成。由于提取到的特征维度很大,因此选用了Ensemble分类器进行训练与检测。在HUGOBOSS 1.0图像库上的实验显示,提出的隐写检测算法比原有算法更准确地区分出原始图像和隐写图像,并获得了83.65%的检测准确率。     

图像语义多特征的融合提取方法

针对传统的多融合特征方法对图像特征提取准确率不高的缺点,本文运用了串行特征融合和并行特征融合的结合的思想提出本文的M特征提取方法,它是一个非常有效的基于核函数组合的多特征融合分类模型。对图像颜色、纹理及形状特征中的显著特征提取出来并采取本文融合方法获得了本文需要的融合特征即M特征。基于以上的思想基础,本文设计了对比试验,实验结果证明本文的算法效果达到提取较高准确率的语义。     

一种基于Night-YOLOX的低照度目标检测方法

由于在低照度场景下获取的图像具有亮度弱、对比度低、噪声多和细节丢失等特点，使用现有的检测模型对低照度图像进行目标检测会出现定位不准确和分类错误，从而导致最终的检测精度偏低.针对以上现象，本文提出了一种基于Night-YOLOX的低照度目标检测方法 .该方法首先设计了一个低级特征聚集模块（Low-level Feature Gathering Module,LFGM）与主干网络合并.在低照度场景下捕获更多有效的低级特征有利于定位目标，该模块通过聚集浅层特征图中具有判别性的低级特征并送入高级特征图和深层卷积阶段中，以补偿在对低照度图像进行特征提取过程中边缘、轮廓和纹理等低级特征的缺失.然后，设计了一种注意力引导块（Attention Guidance Block,AGB）嵌入检测模型的颈部结构，从而减少低照度图像中噪声干扰的影响，引导检测模型推断出特征图中完整的对象区域范围并提取更多有用的对象特征信息，以提高目标分类的准确性.最后，在真实低照度图像数据集ExDark上进行实验，结果表明所提出的Night-YOLOX相比于其它主流的目标检测方法，在低照度场景下具有更好的检测性能.     

基于Gabor和灰度共生矩阵混合特征叶片泵装配质量检测

本文提出一种Gabor和灰度共生矩阵相结合的特征来检测叶片泵中叶片装配质量的方法。首先构建叶片图像数据集,用5种尺度的和4种方向的Gabor滤波器对图像滤波,根据滤波后的图像计算得到幅值特征图,然后提取幅值特征图的灰度共生矩阵特征,最后融合归一化各个幅值特征图提取到的特征,利用主成分分析法降维,并用这些特征向量训练支持向量机(SVM)分类器,实现对叶片装配质量的评估。将本文提出的混合特征与LBP特征、灰度共生矩阵分别进行了比较得到的分类效果约提高了约10%。基于Gabor和灰度共生矩阵混合特征的叶片装配质量检测准确率提升到了93%。实验结果表明Gabor特征和灰度共生矩阵结合后能够很好从多尺度、多方向上提取图像的纹理特征,并应用于图像分类取得了良好的效果,在一些图像识别上有很宽广的应用前景。     

融合多特征的人脸检测方法

针对复杂环境下基于肤色模型的人脸检测误检率较高以及Adaboost算法对高分辨率图像时间效率低,提出了一种新的结合肤色模型和皮肤纹理特征以及Adaboost级联分类器的人脸检测方法,并改进了基于纹理刷色阶偏差法的皮肤纹理特征提取方法。该算法充分融合了肤色模型简单快捷、皮肤纹理突出的特性以及Adaboost级联分类器检测率高等优点。实验表明,该方法检测率高且有较好的鲁棒性。     

基于ELM理论的昆虫分类

机器视觉技术应用在昆虫分类领域,取代传统人眼观察识别过程、提高了工作效率。自动识别技术包含昆虫特征提取和分类器设计两个主要步骤。根据整个识别过程,文中提出了一种基于混合特征的ELM理论昆虫识别方法。在特征提取阶段,提取混合特征包括颜色特征、形态特征、空域纹理特征和频谱纹理特征。在分类器设计阶段采用具有学习速度快且泛化性能好的极限学习机。实验结果表明,该方法使昆虫识别的正确率达到97%,且分类器训练时间短,优于传统的自动识别方法。     

超视距雷达海杂波与干扰信号的多域特征与海杂波检测

针对超视距(OTH)雷达接收信号成分复杂的问题,该文提出基于多域组图的信号分析方法,讨论海杂波、瞬态干扰和射频干扰的多域特征.运用时域、频域、距离域、重复周期和多普勒5域,组合为6种2维矩阵图,提出雷达接收数据的"五域六图"(5D6M)方法.通过五域六图,各种接收信号成分在多个域得以分离,海杂波和干扰在不同域的特征得以体现,清晰展示海杂波的频谱和多普勒谱特性、瞬态干扰的大功率和短时性以及射频干扰的窄带与多普勒特性.基于五域六图的信号特性分析,能够为雷达信号分析与处理提供很好的帮助.该文以海杂波为例,设计了基于频域-多普勒域的海杂波多普勒单元检测的新方法.     

超视距雷达海杂波与干扰信号的多域特征与海杂波检测

针对超视距(OTH)雷达接收信号成分复杂的问题,该文提出基于多域组图的信号分析方法,讨论海杂波、瞬态干扰和射频干扰的多域特征。运用时域、频域、距离域、重复周期和多普勒5域,组合为6种2维矩阵图,提出雷达接收数据的“五域六图”(5D6M)方法。通过五域六图,各种接收信号成分在多个域得以分离,海杂波和干扰在不同域的特征得以体现,清晰展示海杂波的频谱和多普勒谱特性、瞬态干扰的大功率和短时性以及射频干扰的窄带与多普勒特性。基于五域六图的信号特性分析,能够为雷达信号分析与处理提供很好的帮助。该文以海杂波为例,设计了基于频域-多普勒域的海杂波多普勒单元检测的新方法。     

基于Adaboost算法的人脸检测技术的研究与实现

人脸检测是人脸识别技术的基础,首先提出人脸检测系统的构成,分析Adaboost算法对图像进行人脸检测的基本原理。根据Adaboost算法形成了简单的矩形特征作为人脸特征,即Haar-like特征,然后由多个Haar-like特征相当于一个弱分类器,由多个弱分类器级联成为一个强的分类器,并将级联分类器用于动态人脸检测中,从截取的每一帧图像中进行检测。经过实验验证,采用这种方法和步骤进行人脸检测达到了比较好的精度和速度,N-I~T来的人脸识别提供了前提条件。     

基于支持向量机的脑部MR图像细分类

本文提出了基于支持向量机的脑部MR图像细分类器,采用纹理与形状特征相结合方式表达图像,应用StARMiner算法对特征进行选择和计算特征加权系数,最后用支持向量机理论设计分类器对脑部图像进行精细分类。经反复实验优化各参数,粗略分类率可以达到92.10%。细分类可应用于特定人体部位图像的检索系统,以检索出更精确的图像,并且缩减检索空间,提高检索效率。     

多色彩通道特征融合的GAN合成图像检测方法

当前,生成对抗网络（Generative Adversarial Networks, GAN）合成的逼真图像难以识别,严重危害国家网络安全及社会稳定.与此同时,多数基于深度神经网络模型设计的检测器需要大规模训练样本,且存在模型可解释度不高、泛化性能差等问题.为了克服上述亟待解决的关键性难题,本文提出一种多色彩通道特征融合的GAN合成图像检测方法.首先,探索分析真实自然图像和GAN合成图像在不同色彩空间相邻像素之间的差异,并设计差异度量算法,完成色彩通道选择.其次,利用图像像素间的高度相关性,在八个方向上通过二阶马尔可夫链对相邻像素之间的差分数组进行建模,提取差分像素邻接矩阵特征.最后,利用上述特征,设计一种简单且高效的集成分类器完成GAN合成图像的检测任务.在基于StyleGAN模型合成的伪造人脸数据集中,所提出方法的检测准确率高达100.00%;在小样本训练约束条件下,正负样本对数仅仅为2时,检测准确率高达99.65%;在单类样本训练约束条件下,正样本数仅仅为50时,检测准确率高达92.84%.在基于更先进的StyleGAN2和PGGAN模型合成的伪造场景数据集中,所提出方法的检测准...     

深度图像的目标潜在区域提取算法

目标检测和识别算法通常使用复杂特征以多尺度滑动窗的方式进行分析,运算效率往往非常低。因此,目标性被引入进行目标潜在区域的快速预判断,减少复杂特征需要分析的窗数,从而达到加速算法效率的目的。针对逐步普及的Kinect深度像机,该文提出了一种基于深度图像的目标性分析算法,以提升深度图像的目标检测识别算法的效率。首先基于深度图像的法向量,提出能够有效描述深度图像边缘信息的特征,然后通过支撑向量机学习目标性的分类器,以得分的形式给出候选区域中存在目标的概率,最后基于人眼的视觉机理对不同尺度的目标进行加权。通过深度图公共数据库的实验对比,该算法给定1000个候选区域时达到94.1%的召回率,保证了准确率的同时大大减少了区域数量,能有效的提升目标检测识别算法的效率。      

融合LBP和卷积神经网络的摩尔纹检测

摩尔纹是一种由数字网格重叠引起的不规则混叠干扰条纹。屏摄类图像中摩尔纹的出现不仅降低了图像质量，并会对后续的图像处理任务产生不良的影响。为了有效、快速、准确地检测这种摩尔纹，文中提出一种利用局部二值模式（LBP）和多输入卷积神经网络（CNN）结合的检测模型。LBP特征计算速度快且能很好地描述摩尔纹纹理，该方法首先使用LBP提取特征，并将提取特征后的图像与原始图像一起送入设计好的多输入卷积神经网络。实验结果证明，将经过LBP特征提取的图像作为摩尔纹纹理的强化信息与原始图像一起送入网络，比单独将原始图像送入网络的网络收敛速度更快、准确率更高，可以达到99.6%，比经典的Inception V3分类模型准确率提高了4%。     

基于NSCT和SVM的脑MRI医学图像识别

利用NSCT变换具有多尺度和平移不变性,能够稀疏地表示纹理图像的特点,将具有丰富纹理信息的人体脑部核磁共振(MR)图像,从空间域变换到频率域表示。提取变换后表征图像特性的低频子带均值、方差及高频16个方向子带能量作为特征向量,输入SVM分类器进行分类识别。实验结果表明该方法对非病变脑部MR图像识别准确率达到100%,病变脑部MR图像的识别率达到90.90%,综合识别率达到95.45%。且该方法提取的特征维数少,识别速度快,识别率高,能够快速区分病变与非病变脑部MR图像。