一种新的证据组合规则应用于序列图像目标识别*

提出了一种新的证据理论组合规则,并结合BP神经网络和证据推理对序列图像目标识别问题进行应用.以修正的Hu不变矩为图像特征,利用数据融合的思想对来自目标的序列图像进行时间域融合处理.由BP神经网络对目标的初步识别结果构造基本置信指派函数,用该组合规则进行决策级数据融合,完成了三维飞机图像目标的识别仿真.仿真结果表明,新的组合规则结合BP神经网络的融合方法提高了三维飞机目标识别的准确性.     

一种飞机图像目标多特征信息融合识别方法

提出了一种基于概率神经网络(Probabilistic neural networks, PNN)和DSmT推理 (Dezert-Smarandache theory)的飞机图像目标多特征融合识别算法. 针对提取的多个图像特征量,利用数据融合的思想对来自图像目标各个特征量提供的信息进行融合处理.首先,对图像进行二值化预处理,并提取Hu矩、归一化转动惯量、 仿射不变矩、轮廓离散化参数和奇异值特征5个特征量;其次, 针对DSmT理论中信度赋值构造困难的问题,利用PNN网络,构造目标识别率矩阵,通过目标识别率矩阵对证据源进行信度赋值;然后,用DSmT组合规则在决策级层进行融合,从而完成对飞机目标的识别;最后,在目标图像小畸变情形下, 将本文提出的图像多特征信息融合方法和单一特征方法进行了对比测试实验,结果表明本文方法在同等条件下正确识别率得到了很大提高,同时达到实时性要求,而且具有有效拒判能力和目标图像尺寸不敏感性. 即使在大畸变情况下,识别率也能达到89.3%.     

基于DSmT的序列图像智能融合目标识别方法

提出了一种基于BP神经网络和DSmT推理的序列图像目标识别算法。以修正的Hu不变矩为图像特征，利用数据融合的思想对来自目标的序列图像进行时间域融合处理。由BP神经网络对目标的初步识别结果构造基本置信指派函数，用DSmT组合规则进行决策级数据融合，完成了三维飞机图像目标的识别仿真。仿真结果表明，融合方法提高了三维飞机目标识别的准确性。     

特征点和不变矩结合的遥感图像飞机目标识别

传统的飞机目标识别算法一般是通过目标分割,然后提取不变特征进行训练来完成目标的识别。但是,对于实际情况比较复杂的遥感图像飞机目标,至今没有一种适合多种机型的分割和识别算法。针对现有识别算法的不足,本研究提出一种基于特征点空间分布、颜色不变矩和Zernike不变矩相结合的遥感图像飞机目标识别算法。方法：首先,对预处理后的遥感图像和模板图像进行小波变换,在低分辨率图像下采用圆投影特征进行粗匹配,确定候选目标;粗匹配结束后,提取高分辨率图像的多尺度Harris-laplace角点,并画出Delaunay三角网,同时提取出颜色不变矩和Zernike不变矩;然后使用欧氏距离作为这三种特征的相似性度量,并和样本图像进行加权匹配;最后选取欧式距离最小的图像作为最终的识别目标。结果：实验表明,本文算法飞机检测精度比现有算法高2.2%,飞机识别精度比现有算法高1.4%-10.4%。该算法能从遥感图像中精确识别出十大飞机目标,并对背景、噪声、视角变化等多种干扰具有良好的鲁棒性。结论：提出了一种基于特征点空间分布、颜色不变矩和Zernike不变矩相结合的飞机识别算法,该算法使用了图像的多种信息,包括特征点和不变矩,有效地克服了使用单一特征无法描述多种信息的不足。实验结果表明,本文采用基于特征点和不变矩的飞机识别算法比其他算法具有更强的抗干扰能力和识别精度。     

基于神经网络和证据理论的图像目标识别研究

提出了一种基于BP神经网络和D-S证据推理的多传感器数据融合图像目标识别算法,利用数据融合的思想对来自目标的多幅图像进行空间域融合处理.首先提取图像的Hu不变矩作为待识别目标图像的特征,尔后针对DS证据理论基本概率指派函数构造困难的问题,用BP神经网络对目标的初步识别结果构造基本概率指派函数,最后用Dempster组合规则对BP网络的初步识别结果进行决策级数据融合,完成了三维飞机图像目标的识别仿真.仿真结果表明了融合识别方法的有效性和鲁棒性,识别率达到100%.     

一种基于DSmT和HMM的序列飞机目标识别算法

针对姿态多变化的飞机自动目标识别中的低识别率问题, 提出了一种基于DSmT (Dezert-Smarandache theory)与隐马尔可夫模型(Hidden Markov model, HMM)的飞机多特征序列信息融合识别算法(Multiple features and sequential information fusion, MFSIF). 其创新性在于将单幅图像的多特征信息融合识别和序列图像信息融合识别进行有机结合.首先, 对图像进行二值化预处理, 并提取目标的Hu矩和轮廓局部奇异值特征; 然后, 利用概率神经网络(Probabilistic neural networks, PNN)构造基本信度赋值(Basic belief assignment, BBA); 接着, 利用DSmT对该图像的不同特征进行融合,从而获得HMM的观察值序列;再接着, 利用隐马尔可夫模型对飞机序列信息融合, 计算观察值序列与各隐马尔可夫模型之间的相似度, 从而实现姿态多变化的飞机目标自动识别;最后, 通过仿真实验, 验证了该算法在飞机姿态发生较大变化时, 依然可以获得较高的正确识别率,同时在实时性方面也可以满足飞机目标识别的要求. 另外, 在飞机序列发生连续遮挡帧数τ ≤ 6的情况下, 也具有较高的飞机目标正确识别率.     

基于D-S证据理论的特征融合车标识别方法

在针对现有的智能交通对车辆多维信息识别存在识别精度不高的情况,特别是对于车标识别,很大程度上识别结果依赖于高分辨和高质量的图像.提出了一种新的车标识别方法,用于识别卡口捕获的低质量车标图像,该方法是基于D-S证据理论的特征融合方法,提取Hu不变矩和HOG特征,采用不同的分类器构造基本概率分配（BPA）,采用改进D-S证据理论进行融合,根据判别规则给出最终的识别结果.通过实验证明在低分辨的情况下仍能保持较高的准确率,分类准确率达94.29%,相比单一的特征识别,具有更强的鲁棒性.     

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。     

基于隶属度和D-S理论的雷达目标识别方法

研究了D—S证据理论在雷达目标识别中的应用。D—S推理的关键问题是基本概率赋值函数的构造。针对目标识别中的不确定信息，本文引入了观测样本的模糊隶属度函数，求得单个传感器对目标的相关系数，进而给出该传感器对于识别框架的基本概率赋值．再在融合中心用D—S证据理论对多个传感器的识别结果进行融合。仿真试验结果证明了该方法的正确性和有效性。     

采用不变矩傅氏级数表示的步态识别

步态作为唯一具备远距离识别能力的生物测量特征已经受到广泛的关注。步态序列包含人行走的静态和动态信息,综合利用这两方面信息是提高识别性能的关键。为了综合利用人行走的静态和动态信息来提高识别能力,提出了一种用步态的不变矩傅氏级数系数的幅值作为识别特征的步态识别方法。因为不变矩描述了人运动的静态信息,其在整个步态周期提取的特征则蕴含了人运动的动态信息,所以将不变矩作为识别特征用于步态识别。该方法首先计算每帧图像的不变矩;然后采用傅里叶级数来拟合整个不变矩系数序列,并用遗传算法搜索傅里叶级数系数;接着将这些系数的幅值表示为用于分类的特征向量;最后再用k近邻分类器对特征向量进行分类。通过对CMU步态数据库中的4种步态分别进行的实验结果表明,该方法对单独的矩可取得80%以上的识别率,而对级联的矩识别率则可达到90%以上。另外,该方法对部分遮挡也具有鲁棒性。实验结果和性能分析表明,这种结合静态和动态信息的识别方法是有效的。     

基于归一化投影直方图不变矩的图像特征提取

提出归一化投影直方图和在平移缩放变换下保持不变的归一化投影直方图不变矩概念,由此构造归一化投影直方图不变矩,用于提取图像特征。实验结果证明,与经典不变矩理论相比,该方法能有效反映图像的结构特征,识别细微差异和区分相似图形的能力更强,应用于图像识别时具有较好的鲁棒性。     

基于D-S证据理论的车辆视频检测的研究

车辆视频检测系统作为智能交通系统的重要组成部分,为交通控制与交通规划提供必要的数据来源.考虑到外界环境的影响以及数据传输过程中的干扰,对所拍摄的单一图像的分析难以获得准确信息.因此,在简要介绍D-S证据理论的基础上,在对由摄像机拍摄的交通现场画面做了图像处理后,提取出车辆特征,并最终运用D-S证据理论来进行数据融合,从而来提高交通视频检测系统中车辆类型的识别率.实验证明采用此方法将使得车辆识别率大为提高.     

Projective invariants of co-moments of 2D images

Functions of moments of 2D images that are invariant under some changes are important in image analysis and pattern recognition. One of the most basic changes to a 2D image is geometric change. Two images of the same plane taken from different viewpoints are related by a projective transformation. Unfortunately, it is well known that geometric moment invariants for projective transformations do not exist in general. Yet if we generalize the standard definition of the geometric moments and utilize some additional information from the images, certain type of projective invariants of 2D images can be derived. This paper first defines co-moment as a moment-like function of image that contains two reference points. Then a set of functions of co-moments that is invariant under general projective transformations is derived. The invariants are simple and in explicit form. Experimental results validated the mathematical derivations.     

机载光电传感器图像融合识别的D-S证据理论方法

针对机载光电传感器获得的图像信息的不确定性与模糊性,提出利用D-S证据理论对多图像传感器信息进行融合处理的方法.首先对各图像传感器获得的同一场景图像分别进行预处理,然后对预处理后的图像提取其矩特征,通过与目标图像数据库中图像特征的对比分析,利用灰色系统理论方法获取各传感器的基本概率赋值,最后根据D-S证据理论的组合规则与决策规则获得多图像传感器的融合识别结果.仿真结果表明该方法能提高目标识别的准确度,降低传感器获取的信息的不确定性.     

基于步态能量图和不变矩的身份识别算法

分析步态能量图即具有作为静态的外观特征,又包含了识别的动力学有用信息,同时证明了步态能量图对噪声的不敏感性。文章提出了一种基于步态能量图和不变矩的身份识别算法,介绍了不变矩的基本理论以及Hu提出的七个不变矩,利用图像不变矩的平移、尺度和旋转不变特性,从原始的步态能量图中提取不变矩特征作为步态能量图的输入特征向量,运用不变矩的最小距离分类器的模式匹配进行步态特征分类。最后在CASIA步态数据库上对所提出的算法和其他新的步态识别方法相比较。实验结果表明,提出的算法是一种有效的步态识别方法。     

D-S证据理论在指纹图像分割中的应用研究

有效的指纹分割能够提高特征提取精度和减少后续处理时间,针对这种情况,提出一种基于D-S证据理论的指纹图像分割算法。该算法首先用改进的灰度方差和均值进行初级分割,然后进行平滑;其次使用方向性和对比度两个信息分别作为两个分类器的特征,并利用模糊规则对各分类器的基本概率分配判断,最后利用D-S证据理论的合成法则将两个分类器的结果进行融合判决,实验结果验证了算法的有效性。     

基于图像质量加权的D-S证据理论多生物特征融合识别

对人脸和指静脉在决策层的融合识别,给出一种新的组合图像质量评价方法,并采用一种改进的基于图像质量加权的D-S证据理论融合这两种生物特征。首先,组合图像质量评价法采用清晰度和对比度、相关系数的组合方法来评价生物特征图像质量;其次,应用改进的基于图像质量的匹配值增强方法和D-S证据理论,减少了极大值图像质量指标的影响,使图像质量加权与实际情况更趋一致。实验结果表明,与没有考虑图像质量因素相比,考虑了图像质量信息的D-S证据理论融合方法提高了识别效果。     

基于边缘信息的快速配准算法

为了实现快速、高精度的图像配准,首先利用LOG算子提取图像边缘信息,然后利用Freeman码,并定义了一种边缘轮廓间的相似性度量,找到两幅图像中对应的边缘轮廓,最后在矩不变量思想的基础上定义了一种矩中心点,利用矩中心点之间的对应关系实现了高效率、高精度的图像配准。通过实验,证实了该算法的快速性和准确性。     

基于D-S证据理论的车辆视频检测方法

提出一种基于D-S证据理论的车辆视频检测方法，通过一部或多部CCD摄像机采集多源图像，由边缘检测算法获取图像中的车辆特征数据，然后采用D-S证据理论对车辆类型进行判决，从而为交通量的准确检测提供依据。实验表明该方法是可靠而有效的。