轮胎印痕磨损特征的归一化双阈值分割应用

轮胎印痕磨损特征分割是计算机辅助轮胎印痕识别系统确定事故车辆的前提条件。根据现场采集的轮胎印痕图像的特点,提出了一种结合灰色理论和粒子群算法的归一化图像分割。该方法使用灰色关联分析来衡量像素点间的相似性,将归一化准则推导为双阈值分割准则。实验表明：该算法能对轮胎印痕图像进行有效的分割,突显出轮胎的磨损特征信息,计算速度快,为下一步特征提取和识别奠定了基础。     

基于视频和SVM的储粮害虫检测与识别

研究基于视频的储粮害虫检测与基于支持向量机的储粮害虫图像识别技术.针对视频图像序列中运动目标的检测和分割问题,提出了一种新的基于图像块和HVS彩色图像差值相结合的运动目标检测算法,用于提取静态储粮害虫图像;针对储粮害虫图像的识别问题,提出了一种基于支持向量机(SVM)组的淘汰算法.这种方法考虑到了各判别函数的VC置信范围的差异,同时利用判别函数间的冗余来降低识别误差.针对100幅害虫图像的识别结果表明,基于SVM的识别方法在识别效果、识别时间等方面都有显著的优越性.     

多尺度Retinex方法在车辆胎痕图像增强方面的应用

轮胎印痕图像增强是进行车辆胎痕图像特征点提取及匹配最为关键的预处理阶段。以一次事故中现场拍摄衣物上的轮胎痕迹为研究对象,针对一些传统的图像增强方法的不足,提出了基于多尺度Retinex轮胎痕迹增强方法。为了进行对比,实验中还引入单尺度Retinex算法。实验结果表明：算法能提高胎痕图像对比度且能显著增强图像细节,且较单尺度的Retinex算法,在实现压缩动态范围的同时具有较高的色彩保真度,得到了期望的图像效果。     

基于支持向量机的轮胎标识点形状识别

轮胎标识点在轮胎分类中发挥着重要的作用,为了解决人工识别标识点 工作强度大、误差较高等问题,提出了一种基于支持向量机的轮胎标识点形状识别算法。首 先利用中值滤波对标识点图像进行降噪处理,根据标识点图像的灰度直方图对图像进行分割 以去除背景,并利用Canny 边缘检测算子提取标识点边缘轮廓。然后,提取标识点轮廓的 傅立叶描述子系数,最后利用支持向量机对标识点的傅立叶描述子系数进行分类以识别标识 点的形状。实验结果表明,该算法能准确地识别出轮胎标识点的形状,提高了标识点识别效 率。     

基于图像切片的移动端输电线路鸟类检测算法研究

输电线路作为电网的基础组件,其故障是影响电网稳定运行的主因,其中鸟类是输电线路的主要安全隐患.为了实现低耗能、高精度的驱鸟,论文提出一种基于图像切片的移动端鸟类检测算法,同时为减少图片传输的网络时延及避免因网络中断造成的数据丢失,鸟类检测在移动终端实现.但是移动终端的计算性能和存储性能较低,无法直接运行基于深度学习的目标检测算法,因此论文将图像进行切片把目标检测问题转换为图像分类问题,采用ResNet18对切片进行鸟类识别.此外,为进一步减少无鸟图像的识别时间,在对每一个切片进行识别之前,先计算实时采集图像和不包含鸟的模板图像的差值,只有差值较大时才进行识别.实验证明,论文提出的模型在精度和速度上都可以在移动端上满足输电线路鸟类检测任务的要求,具有推广意义.     

基于组合特征提取与多级SVM的轮胎花纹识别

基于轮胎花纹分类识别在交通与刑事部门的重要作用,提出了一种新的基于组合特征提取与多级SVM的轮胎花纹识别方法。分别采用非下采样Contourlet变换和灰度共生矩阵方法提取轮胎花纹特征;组合两种方法所提取的特征作为图像特征,并从中提取5个有效特征作为最终识别特征;运用提取的5个特征和多级支持向量机分类器完成轮胎花纹的分类识别。新的特征提取方法所得轮胎花纹特征分离度高,用决策树SVM分类器预测分类效果理想,对轮胎花纹的正确分类识别有着重要意义。     

油液在线监测系统中的磨粒图像处理

为了提高油液污染度分析和磨粒识别的准确率,在对油液在线监测系统中的磨粒图像特点深入分析的基础上,给出了磨粒图像处理和目标提取的主要流程;分析了磨粒图像模糊退化模型,研究了基于微分图像自相关的磨粒图像模糊尺度计算方法;提出了基于差值图像粗分割和Otsu算法相结合的磨粒图像分割方法.实例分析结果表明:提出的方法对磨粒图像处...     

雷达图像动目标提取的一种实现方案

文章在分析雷达图像统计特性的基础上,提出了基于计算机处理的雷达图像动目标提取的FFT实现方案.     

一种改进的低对比度灰度图像边缘识别方法

低对比度图像的边缘比较模糊,传统的基于微分算子边缘检测方法通过梯度算子虽增强了边缘信息,但同时也强化了噪声影响.针对以上问题,首先考虑对低对比度图像进行预处理,用直方图均衡化方法提高对比度,以便准确完整地定位图像边缘;其次考虑用计算灰度比值而不是传统的计算灰度差值来检测图像对象的边缘,以最大限度地降低噪声的影响.测试结果表明,基于灰度比值的边缘检测方法弱化了噪声影响,更有利于清晰准确地识别低对比度图像的边缘.     

两种改进的模板匹配识别算法

在开发在线轮胎编码图像自动识别系统时，通过对现有常用的几种识别算法分析与研究，提出了两种改进的标准模板匹配识别算法，分别是基于特征加权的模板匹配算法和基于特征块的模板匹配算法，两种改进的算法都以抽取字符特征为基础，结合模糊原理进行识别，经过理论分析与实际测试，两种改进的识别算法都进一步提高了图像字符的识别率。     

印鉴自动识别算法研究

印鉴在许多东方国家被广泛使用了多年.印鉴自动识别是模式识别中的一项非常困难 的课题.文中对计算机印鉴自动识别的各个阶段进行了仔细研究,并给出一系列相关算法.为了 把"伪造印鉴多出的笔划部分"与"由于印泥渗出而多出的部分"区别开来以及将"伪造印鉴少出 的笔划部分"与"由于印泥少而盖印不清晰的部分"区别开来,文中提出了全差图、内差图、多差 图、少差图等一系列差图的概念,并对这些差图进行了处理.在此基础上,完成了一套完整的计算 机印鉴自动识别方法.实验结果表明,该方法可能在实际应用中是可行的.     

基于改进Faster R-CNN的轮胎缺陷检测方法

轮胎生产过程中出现的胎侧异物、胎冠异物、气泡、胎冠开根以及胎侧开根等缺陷会影响轮胎出厂后的使用,所以出厂使用前需要对每条轮胎进行无损检测。为了实现在工业中对于轮胎缺陷进行自动检测,提出了一种基于改进Faster R-CNN的轮胎缺陷自动检测方法。首先,在预处理阶段,用直方图均衡化方法对轮胎图象的灰度进行拉伸,提高数据集的对比度,使图像目标和背景的灰度值产生明显差异;其次,为提高轮胎缺陷位置检测和识别的准确率,对Faster R-CNN结构进行改进,即把ZF卷积神经网络中第三层的卷积特征和第五层的卷积特征结合后输出,并将其作为区域建议网络层的输入;然后,在RoI pooling层之后引入在线难例挖掘（OHEM）算法,使轮胎缺陷检测的准确率得到进一步的提高。实验结果表明,改进后的Faster R-CNN的轮胎缺陷检测方法可以准确地分类和定位轮胎X射线图像缺陷,平均测试准确率可以达到95.7％。此外,还可以通过对网络进行微调来获得新的检测模型以检测其他类型的缺陷。     

基于卷积神经网络的交通标志模糊影像识别

当前方法不能有效的识别交通标志模糊影像,且识别交通标志所用的时间较长,存在识别效果差和识别效率低的问题。提出基于卷积神经网络的交通标志模糊影像识别方法,首先对交通标志模糊图像做亮度均衡化处理,消除交通标志自身因素和天气因素对交通标志识别过程产生的影响。对均衡化处理后的图像进行分割,计算各个图像块的显著度,挑选显著度最高的图像块作为交通标志图像的感兴趣区域。提取感兴区域中存在的HOG特征向量和LBP特征向量,对HOG特征向量和LBP特征向量进行融合,得到交通标志图像的HOG-LBP特征。将HOG-LBP特征输入卷积神经网络中,在卷积神经网络中进行前向计算和反向计算,根据计算结果调整偏差和权值,输出交通标志模糊影像的识别结果,实现交通标志模糊影像的识别。仿真结果表明,所提方法的识别效果好、识别效率高。     

基于视觉图像与激光点云融合的交通标志快速识别方法

交通标志对车辆交通起到重要作用和意义,而智能交通中交通标志识别由于标志特征提取效果差,导致识别率低、识别时间长,因此,提出一种新的基于视觉图像与激光点云融合的交通标志快速识别方法。采用双边滤波方法预处理原始激光点云数据;通过归一化处理得到视觉图像激光点云融合的目标空间激光点云位置测距数值。通过测距值获取目标图像位置,归一化处理交通标志视觉图像,引入k均值聚类算法(k-means clustering algorithm)二聚类处理图像,采用制作的切割模板切割图像感兴趣区域(ROI),提取交通标志图像的深度特征,结合卷积神经网络二次过滤特征,重新标定二次过滤后的特征,最终利用卷积神经网络模型实现交通标志快速识别。经实验对比证明,采用所提方法的提取各个类型交通标志特征的提取效果较好,并且识别率达到89.74%,识别时间仅为13.1s,干扰下识别时间最高仅为15.1s,验证了该方法可以快速且准确识别各个类型的交通标志。     

基于灰度跳变的车牌定位算法及其实现

研究车牌识别定位算法问题。传统的车牌设识别定位算法的识别精确度难以满足现实在交通管理和流量监测中的应用,存在车牌图像定位的精度的不高等问题。为解决上述问题,在对车辆图像预处理基础上,提出了一种基于图像灰度跳变特性的车辆牌照定位算法。主要给出了粗定位和细定位两种定位算法,并用VC++设计实现定位算法。通过实验对实际交通中多幅车牌图像进行处理,对不同的车牌图像进行定位。实验结果表明,新算法能够对车牌图像进行高精度定位,并且具有较强的鲁棒性,为车牌字符的识别与分割奠定了一定的基础。     

基于谱域特征提取与线性回归分类的智能人脸识别算法

针对人脸识别中由于光线、表情变化和遮挡导致人脸图像变化的问题,提出了一种谱域特征提取与线性回归分类算法相结合的智能人脸识别方法。为了实现特征提取的目的,首先使用Viola-Jones算法从原始图像中提取初始人脸部分,并将其转换为120×120像素大小的灰度图像;然后提出了一种计算极坐标傅里叶变换（FFT）以获得预处理人脸图像主要幅度谱特征的新框架,进一步在预处理的图像上执行2D-DFT,并表示为1D P-FFT。特征值是1D P-FFT幅值中的最大值,提取的特征值用于构造表示人脸图像的符号对象。最后利用快速有效的线性回归分类算法实现分类。在AR和GT数据库上进行了各种实验,分别取得了97.51％和98.02％的准确率,与最近报道的一些人脸识别技术相比,提出的方法识别准确率更高。     

基于图像聚类的交通标志CNN快速识别算法

为了提高交通标志图像识别的准确性和实时性,提出一种基于图像聚类的交通标志CNN快速识别算法。利用图像聚类算法对原始数据集进行样本优化;采用多种图像预处理操作使样本整体质量进一步提升;构造了深度为9的CNN结构,通过多次训练得到最终的网络模型,将待识别的图像输入到CNN模型来实现自动识别。在德国交通标志数据集（German traffic sign recognition benchmark, GTSRB）和比利时交通标志数据集（Belgium traffic sign dataset, BTSD）上证明了算法的有效性,单张图片的识别速度只需0.2 s,识别精度高达98.5%以上。本算法具有识别速度快、准确率高的特点,可为智能驾驶的可靠性和安全性提供理论依据和技术支持。     

基于二维主成分分析的交通标志牌识别

提出了将二维主成分分析方法应用于交通标志牌识别的特征提取,并在已建立的两个标志牌的数据库上利用最近部分类器与欧氏距离度量进行了相应的实验。一个数据库是将标志牌图像二值化后经过一系列的仿真变换得到的,另外一个数据库是选取不同位置场景经过实地拍摄得到的标志牌图像。本方法对两个图像库的识别都得到了良好的效果。     

基于区域特征和连接成分的地图规范化算法

地图图像规范化算法是使地图图像同类型对象的某种属性具有相同的表现形式的一种方法或过程,它是地理信息识别的一个重要步骤。根据彩色栅格城市交通地图图像中各类地理要素的特征,提出一种基于区域特征和连接成分的地图图像规范化算法。首先对地图图像中的区域特征进行分析,并建立区域识别测度,实现了区域颜色规范化;再通过对非区域对象的连接成分进行分析,并建立道路识别测度,在区域颜色规范化的基础上,实现了道路颜色规范化。实验结果表明,对于彩色城市交通地图图像,该算法取得了良好的效果。