LVQ神经网络在三维物体识别中的应用

三维物体识别已经广泛应用于工业、医疗及军事等领域,是近年来的研究热点之一.传统的识别方法是根据二维图像来识别三维物体.但摄像机从不同角度拍摄三维物体,引起三维物体的图像变化,使图像特征发生改变,这会严重影响三维物体识别的准确性.针对这个问题,本文采用矩不变量作为图像的特征向量,并且应用LVQ神经网络进行训练,实现识别三...     

基于不变矩算法的行人识别方法研究

行人识别对于智能辅助驾驶和智能车辆至关重要.采用一种基于不变矩算法的行人特征提取和识别方法,通过利用不变矩在目标平移、旋转和缩放的不变性,在HU不变矩基础上添加3个表达式,使不变矩包含更多的细节特征,将其作为行人目标的识别特征,利用支持向量机分类器作为主要手段对不变矩进行分类识别,并分析影响识别效果的影响因素.试验结果表明,选择改进的不变矩作为行人特征具有较好的行人识别效果,较高的识别率使行人和非行人能得到有效的识别.     

不变矩算法的改进与人耳识别技术

由于人耳识别具有不受表情、化妆等影响的独特优势,研究了人耳识别特征技术,对不变矩算法进行了改进,获得6个改进的高阶不变矩特征向量。分别用两种算法对人耳图像进行识别处理,比较两种识别结果。改进后不变矩算法的高阶不变矩具有平移、旋转不变和尺度缩放不变的特性。采用BP人工神经网络对60只人耳图像进行识别验证,正确识别率达到91．8％。     

小波和仿射不变矩的目标特征提取方法研究

不变矩是目标识别中重要而有效的特征提取方法。利用小波矩具有的多尺度、平移和旋转不变性进行特征提取,有较高的识别率。但当拍摄角度不同,图像发生形变,识别效果降低。针对这一问题,提出了一种将小波矩和仿射不变矩相结合用于目标特征新的提取方法,并验证本方法的鲁棒性更高,识别效果更好。     

基于多视点不变量的三维物体识别

给出了利用多视点不变量进行物体识别的２种方法．一种是通过检索多视点结构不变量进行三维物体识别,另一种方法是利用基于复杂特征的多视点不变量进行三维物体识别．     

一种基于小波矩的图像识别方法

研究了一种基于小波矩的图像目标平移、缩放和旋转不变特征提取算法,将不变特征提取算法与BP神经网络结合,组成一个图像识别系统.目的在于提高图像处理的质量,这种方法有更好的实用性.在这个系统中,利用小波矩不变量不仅可以得到图像的局部特征,还增加了对图像结构精细特征的把握能力强的优点,把提取的图像目标平移、缩放和旋转不变特征馈人BP神经网络,完成有监督的不变性模式识别.在实验中,利用该方法对无噪、有噪图像,特别是相似物体图像进行识别,可获得98％的正确识别率;并且将其与一般不变矩特征的算法获得的实验数据进行了对比分析.实验结果表明,该方法在图像识别准确率和抗噪性能上都有较大的提高.     

基于遗传算法的动态目标特征选择方法研究

机器人在进行动态目标识别过程中,由于同一物体在运动中会引起多种目标图像参数的改变,对特征选择与提取造成困难.介绍一种新的基于遗传算法的机器人动态目标特征选择方法.用遗传算法对目标的不变矩特征进行选择.通过对特征进行二进制编码,采用类内类间距离作为适应度函数,对其进行选择和优化,获得最优特征子集.实验结果表明与其他方法相比,提高了目标的识别率.     

基于特征提取的电气设备红外图像识别算法

针对变电站设备的红外图像特征提取和识别问题,提出了基于不变矩的图像特征提取和识别算法.基于统计学中矩函数的概念,提出了用于表征图像全局特征的图像矩函数,并以二维几何矩为基础,提出了用于图像识别的6个矩不变量参数.通过对中心矩计算方法进行改进,消除了图像变换过程中的计算误差,实现了图像不变矩参数的准确计算.结果表明,所提出算法的综合识别率可达94%,能够满足实际应用需求.     

基于Zernike矩和BP网络的道路交通标志识别方法研究

道路交通标志的背景相当复杂,颜色失真严重并存在不同程度的几何失真现象。不变矩是图像的一种统计特征,具有平移不变性、旋转不变性和比例缩放不变性,被广泛的应用于图像识别中。在研究了Hu矩和Zerni—ke矩基础上,提出基于Zernike矩与BP网络相结合的道路交通标志识别方法。识别过程分别对图像进行了Hu矩和Zernike矩特征提取、BP网络训练与测试、对形变图像进行分类识别。结果表明：基于Zernike矩和BP网络的交通标志识别方法具有很强的抗图像平移、缩放和旋转识别能力,实现简单、训练速度快、识别率高等特点,且识别准确率优于Hu不变矩目标自动识别。     

用谱矩进行不变特征识别

介绍的是一种基于矩不变特征进行识别的新方法。该方法首先消除部分数据的损失对矩的计算的影响，然后利用矩抽取出图象的不变特征，再利用该不变特征进行识别。最后给出了用该方法的对ＩＳＡＲ图象进行识别的模拟结果。     

Research of the ATR system based on the 3-D models and L-M BP neural network

Automatic target recognition （ATR） is an important issue for military applications, the topic of the ATR system belongs to the field of pattern recognition and classification. In the paper, we present an approach for building an ATR system with improved artificial neural network to recog- nize and classify the typical targets in the battle field. The invariant features of Hu invariant moments and roundness were selected to be the inputs of the neural network because they have the invari- ances of rotation, translation and scaling. The pictures of the targets are generated by the 3-D mod- els to improve the recognition rate because it is necessary to provide enough pictures for training the artificial neural network. The simulations prove that the approach can be implement ed in the ATR system and it has a high recognition rate and can be applied in real time.     

基于多视图循环神经网络的三维物体识别

对于三维物体的识别任务,基于多视图卷积神经网络的方法（MVCNN）在准确性和训练速度等方面都优于基于三维数据表示的方法。但MVCNN依赖于三维模型,且采用了固定视角的视图,不符合实际的应用场景;此外,其视图特征融合采用了最大值池化操作,会损失部分原始特征信息。针对这一问题,该文提出了一种基于多视图循环神经网络（MVRNN）的三维物体识别方法,从3个方面对MVCNN进行改进。首先,在交叉熵损失函数中引入特征辨识度指标,以提高不同物体特征之间的辨识度;其次,使用循环神经网络代替MVCNN的最大值池化操作来融合多个自由视觉视图特征,得到一个更加紧凑且物体外观信息完备的融合特征;最后,利用二分类网络对自由视角单视图特征和融合特征进行匹配,实现三维物体的细粒度识别。为了验证MVRNN的性能,分别在公开数据集ModelNet和自建数据集MV3D上进行对比实验。实验结果表明,与MVCNN相比,MVRNN提取的多视图特征具有更高的辨识度,在两个数据集上的识别准确率均较有明显提升。     

目标识别的极指数栅格方法

在极对数坐标下常常通过傅立叶变换得到目标的轮廓不变量来识别目标,提取的特征量多且花费的时间长,因此提出了一种新的目标识别的极指数栅格方法,该方法首先将直角坐标中的目标映射到极对数坐标下,把包围变换中心的目标轮廓变换成一维目标曲线,然后提取曲线的结构特征,包括目标的跨度、目标曲线面积比率和目标曲线分布状况,这些结构特征具有旋转、缩放、平移不变性,用BP网络对3个二维目标进行学习和识别,实验证明,利用结构特征进行识别得到了较好的识别效果,并且花费的时间少,但是本方法仅适用于没有滚动和扭动的单个运动目标识别。     

基于Gabor变换和不变矩的掌纹识别研究

提出了一种将二维Gabor变换和不变矩特征相结合对掌纹图像进行特征提取,并采用多层前向反馈神经网络进行掌纹图像训练识别的方法。该方法首先对掌纹图像进行预处理,获得掌纹感兴趣区域(ROI),然后构造一组Ga-bor滤波器从而得到ROI的特征向量,结合掌纹图像的不变矩特征共同作为神经网络的输入进行训练识别。实验表明该方法的有效性。     

结合RSTC不变矩和LVQ神经网络的红外图像目标识别方法

通过分析比较红外图像的目标特征,为了达到理想的识别效果,在Maitra不变矩的基础上进行优化,选取RSTC不变矩作为目标识别的特征向量.采用LVQ神经网络建立识别模型,充分发挥神经网络的智能优势.对采集到的红外图像进行了测试实验,结果表明该方法可以提高识别效率.     

Research on biomimetic pattern recognition for object adaptive tracking algorithm

A new method for image object recognition and tracking based on Biomimetic Pattern Recognition (BPR), which can automatically change the size of the object, is proposed. To accomplish the learning process of the sample objects with different sizes, an artificial neural network model is used to cover the training sample. The curve fitting method based on the Radial Basis Function (RBF) neural network is presented to approximate the size of the objects in the coverage of the network formed by BPR theory in order to change the size of the object automatically. The Quadratic Minimum Distance algorithm based on the Euclidean distance is applied to search the target in the process of object recognition and tracking. Experimental results and theoretical analysis show that the algorithm proposed in this paper is more effective and robust in object recognition and tracking of video image sequences than the BP neural network.     

Vision Recognition of Three Dimensional Object Using Aspect Graph

ＶｉｓｉｏｎＲｅｃｏｇｎｉｔｉｏｎｏｆＴｈｒｅｅＤｉｍｅｎｓｉｏｎａｌＯｂｊｅｃｔＵｓｉｎｇＡｓｐｅｃｔＧｒａｐｈＬＵＡＮＸｉｎＺＨＵＴｉｅｙｉＴＡＯＱｉｚｈｉ（栾新）（朱铁一）（陶奇志）（ＲｏｂｏｔＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，Ｈａｒｂｉｎ...     

基于正交傅里叶－梅林矩的神经网络不变性模式识别

利用移位、尺度和旋转不变特征，提出了一种基于神经网络方法的不变性模式识别．不变特性描绘子是正交傅里叶－梅林矩，它们是Ｚｅｒｎｉｋｅ矩和正交复矩的推广．网络是采用ＢＰ算法的多层前馈网络．实验表明该方法具有良好的效果．