差分进化算法和神经网络的车牌自动识别模型

为了提高对车牌的自动识别和检测能力,针对传统的边缘轮廓检测方法在车辆距离过紧和车流量过大而产生相互遮挡时识别性能不好的问题,提出一种基于差分进化算法和神经网络的车牌自动识别方法。提取的车辆视频监测图像进行外接轮廓矩形网格分割,采用差分进化算法进行车牌测试样本图像的子块连续遍历,实现车牌图像的特征分割和信息点增强,采用神经网络算法进行车牌特征信息分类,实现车牌识别。测试结果表明,采用该方法进行车牌识别的准确性较好,识别模型的可靠度较高。     

基于小波PCA与BP神经网络的人脸识别算法

特征提取和分类器设计是人脸识别算法中的两个关键问题。提出一种基于二次小波变换、PCA算法与BP神经网络的人脸识别算法。该算法采用二次小波变换与PCA相结合的算法提取人脸图像的主要特征,并运用加入动量项的改进BP神经网络算法进行人脸图像分类识别。在MATLAB环境下,利用ORL人脸图像数据库进行了仿真实验,实验结果表明,该算法实现简单、识别速度快、识别率较高。     

基于迁移学习SAE的无人机目标识别算法研究

无人机在复杂战场环境下,因敌我双方无人机外形、颜色等特征较为相似,如何准确地对敌方无人机识别是实现其自主导航及作战任务执行的关键。由于受敌方无人机飞行速度、形状、尺寸、姿态等的改变及气象环境因素的影响,无法准确地对其进行识别与分类。针对这一问题,提出基于迁移学习卷积稀疏自动编码器（Sparse Auto-Encoder,SAE）实现对航拍多帧图像中敌方目标对象的识别与分类。算法首先借助SAE对源领域数据集中大量无标记样本进行无监督学习,获取其局部特征;然后,采用池化层卷积神经网络（CNN）算法提取目标图像全局特征;最后,送入Softmax回归模型实现目标对象的识别与分类。实验结果表明:与传统非迁移学习的SAE算法及基于底层视觉特征学习的识别算法相比,该算法具有更高的准确性。     

手机拍照阅读系统的设计与实现

针对视障用户获取文本信息的障碍,设计并实现了一种利用移动设备实现从拍照到文本识别的系统。该系统利用数字图像处理中的基本算法实现图像中的文本区域识别,利用OCR(Optical Character Recognition)引擎实现从图像到文本的转换,最终利用TTS(Text to Speech)和文本中相结合的方式反馈用户。为了提高本中识别的准确性,提出图象旋转矫正算法修正拍照时产生的旋转问题。为了提高系统的执行效率和用户的体验,采用Android系统的多线程技术,对文本中识别与TTS播报进行并行处理。通过实验表明系统完全可以胜任日常文本检测与识别功能,具有广阔的市场前景。     

一种基于卷积神经网络的人脸识别改进算法

针对目前图像特征点人脸识别算法匹配精度低等缺点,提出了一种基于卷积神经网络的人脸识别算法。该算法采用传统算法算子融合卷积神经网络进行识别,首先采用局部感受野的思想,将整体图像进行分割,得到局部图像集合,并将该集合中每个局部图像像素存储在像素矩阵Ai中。然后对各个局部图像进行卷积运算,得到局部图像之间的内在特征联系,存储于Bi矩阵中,并池化进行特征映射。最后,训练出网络加权系数并求出识别结果。实验结果表明,相比其他算法,所提算法改善了原有算法图像特征点匹配精度低的问题,验证了所提算法的有效性。     

一种NanEyeM微型高速串行图像传感器解码方法

为解决NanEyeM微型图像传感器高速异步串行数据解码困难和无法直接输出RGB图像问题,提出了一种基于动态脉宽匹配、边沿跟随的数据解码算法,该算法在对数据进行解码的同时可将Bayer图像转换为RGB图像,实现了串行图像传感器直接输出RGB图像的功能。实验表明,该算法可以正确稳定地对NanEyeM图像传感器的数据进行采集解码及图像格式转换,较好的解决了该图像传感器数据采集困难和无法直接输出RGB图像的问题,为进一步推广基于该微型图像传感器的应用提供了解调手段和方法。     

图像特征融合的行人重识别方法

行人重识别的目的是在跨区域、跨场景的情况下,检索出特定目标行人.由于行人外观可能相似,以及存在姿态变化和遮挡的问题,因此要求行人重识别模型能够捕捉到足够的细节信息.基于此,提出了图像特征融合的行人重识别算法,融合图像的全局特征与局部特征进行目标行人的检索.该算法构建了特征融合的图像通道,由卷积神经网络提取图像的视觉信息...     

证据理论和改进神经网络相融合的图像识别算法

针对单一特征图像自动识别算法存在识别结果不稳定和识别正确率低等缺陷,提出一种基于证据理论和改进神经网络相融合的图像自动识别算法.首先提取能反映图像类别信息的颜色和纹理特征,然后采用RBF神经网络对单一特征进行初步识别,识别结果作作为证据,最后采用证据理论对初步识别结果进行决策融合处理,得到图像最终识别结果.仿真测试结果表明,该算法的平均识别正确率达到92.29％,相对于单一特征识别算法,图像识别结果的可靠性和正确率得到了大幅提高,具有较好的应用前景.     

一种基于角点与BP神经网络的文本检测及定位算法

检测并提取视频图像中的文本信息对视频图像和内容的理解意义重大。以现有的文本检测算法为基础,提出一种基于角点与BP神经网络相结合的文本检测算法。该算法首先应用多尺度角点算法提取文本角点信息并初步定位文本行,接着提取文本特征,最后应用BP神经网络精确定位文本。实验结果表明,此算法与经典方法相比具有更高的正确率和鲁棒性,视频中文本的正确检测率达到90.3%。     

基于Android的图像文本区域检测

针对图像背景复杂的问题,提出一种基于Android平台的图像文本区域检测方法。利用膨胀、腐蚀和二值化等数字图像处理中相关算法并引入图像中文档区域判定规则,实现准确的图像中非文本区域过滤,从而达到图像文本区域检测的目的,并为后续利用该算法实现移动端文本识别打下坚实的基础。通过实验证明,提出的方法具有较好的检测效果,具有广泛的应用前景。     

改进非负矩阵分解的神经网络人脸识别

为了提高人脸识别正确率,提出基于改进非负矩阵分解的神经网络人脸识别算法。首先利用改进的非负矩阵分解对人脸图像进行特征提取,提高非负矩阵分解速度。接着将提取出的特征信息作为神经网络学习入口进行特征训练,由于神经网络在学习过程中,容易出现局部最小值且收敛速度慢等问题,为此采用改进的遗传算法对神经网络进行优化处理,获得最终的人脸识别结果。实验结果表明:利用改进的非负矩阵分解方法能够降低神经网络的分类训练负荷量和运算量,提高人脸识别识别率。通过和各种方法比较可知,本方法的人脸识别率都较高。本方法人脸特征分解速度快,提高了神经网络训练前期精度和收敛速度,使得人脸识别正确率高。当特征向量个数达到40以上时,人脸识别正确率保持95%以上。     

基于自编码特征提取及弹性学习的手写数字识别

针对自编码算法提取输入特征能更好地发现样本间的相关性的优点,以自编码算法提取待识别样本特征作为多层前向网络的输入,以弹性BP算法训练网络,并用MNIST手写数字数据库样本测试。从正确率、拒识率、错误率和可靠率4项性能指标方面与逐像素方法进行了综合对比测试。研究表明,采用自编码特征提取、多层前向神经网络作为分类器以及弹性BP算法进行训练的手写数字识别,具有更快的收敛速度和更高的识别可靠率。     

基于深度卷积神经网络的多特征融合的手势识别

针对传统的分类方法由于提取的特征比较单一或者分类器结构过于简单,导致手语识别率较低的问题,本文将深度卷积神经网络架构作为分类器与多特征融合算法进行结合,通过使用纹理特征结合形状特征做到有效识别。首先纹理特征通过LBP、卷积神经网络和灰度共生矩阵方法得到,其中形状特征向量由Hu氏不变量和傅里叶级数组成。为了避免过拟合现象,使用"dropout"方法训练深度卷积神经网络。这种基于深度卷积神经网络的多特征融合的手语识别方法,在"hand"数据库中,对32种势的识别率为97.73%。相比一般的手语识别方法,此方法鲁棒性更强,并且识别率更高。     

一种新的红外机动目标识别算法

为了改善因红外图像中目标轮廓模糊造成的识别率低,提出一种适用于红外机动目标的识别算法。通过自适应步长的细菌觅食算法对BP神经网络进行优化,利用图像中目标的最左点和最右点及两极点上部的目标边缘信息构造以局部面积比组成的特征向量,通过神经网络对目标分类识别。实验结果表明本文提出的识别算法不仅提高了BP神经网络的收敛速度和计算精度,同时有效地提高了对机动目标的识别率,当目标部分区域被遮挡时也有很好的识别效果。     

一种创新性激光图像三维目标识别算法

针对径向基神经网络在激光图像分类识别中识别率低及训练时间长的问题,提出粗糙集与神经网络相结合的方法,将粗糙集算法简约后的样本特征作为神经网络的前置输入。首先建立不同视点的激光主动成像三维仿真图像,然后提取17个目标特征,并采用粗糙集算法选择分类的属性,从17个特征中筛选出5个影响决策的特征属性,最后选用4层径向基神经网络作为基本的网络结构,并采用在各层节点上与粗糙集相结合方法识别目标。仿真结果表明,结合粗糙集的集成神经网络方法识别正确率保持在80%以上,与未结合粗糙集的神经网络相当,但训练与识别时间缩短10倍以上。     

基于ELM和PCA的汉语数字语音识别研究

传统BP网络在语音识别应用中存在训练时间长,容易陷入局部极小值等问题,针对上述问题,本文建立一种基于ELM的语音识别系统。ELM是一种快速的单隐层前馈神经网络(SLFN)训练算法,将该算法与单隐层BP网络进行实验比较。实验中对提取的特征矩阵采用主成分分析(PCA)算法进行降维,该算法有效地提取了语音信号的主要成分。实验结果表明在训练时间上,ELM明显优于BP算法,在识别率上,ELM优于BP算法。     

基于深度学习与特征融合的人脸识别算法

卷积神经网络在人脸识别研究上有较好的效果,但是其提取的人脸特征忽略了人脸的局部结构特征。针对此问题,文中提出一种基于深度学习与特征融合的人脸识别方法。该算法将局部二值模式信息与原图信息相结合作为SDFVGG网络的输入,使得提取的人脸特征更加丰富且更具表征能力。其中,SDFVGG网络是将VGG网络进行深浅特征相融合后的网络。在CAS-PEAL-R1人脸数据库上的实验表明,将网络深浅特征相融合与在卷积神经网络中加入LBP图像信息与原图信息相融合的特征信息对于提高人脸识别准确率非常有效,可得到优于传统算法和一般卷积神经网络的最高98.58%人脸识别率。     

基于SVM方法的神经网络呼吸音识别算法

提出了一种神经网络的SVM(支持向量机)呼吸音识别算法,将通过小波分析得到的呼吸音特征输入神经网络,作为SVM方法的特征输入,对训练样本进行训练,再对测试样本进行分类识别。对于呼吸音反映的3种状态（正常、轻度病变和重度病变）进行了识别,同时与K最近邻(KNN)方法进行比较。实验结果表明,SVM方法具有较高的识别精度,能够对呼吸音状态进行识别,同时在此领域也验证了在神经网络方法中无法避免的局部极值问题。提示基于SVM方法的神经网络呼吸音识别算法有较好的精度,可为身体局域网技术提供信息处理的有效算法。     

协同神经网络中参数的优化

提出了一种基于遗传算法的协同神经网络中参数的优化算法,该算法利用遗传算法的全局最优搜索能力,在协同神经网络的参数空间搜索最优解。对从“车牌识别系统”中采集得到的数字样本进行了测试表明：优化算法能有效提高协同神经网络的识别性能,使识别率达到了较为实用的水平（98．4％）。另外,还对协同神经网络中各个参数在识别过程中的作用进行了讨论。     

基于改进卷积神经网络的交通标志识别方法

针对智能交通系统中小尺度交通标志识别率低的问题,文中提出一种改进卷积神经网络的交通标志识别方法。该方法通过在Faster R-CNN算法的低层特征图上增加优化的RPN网络,提升了小尺度交通标志的检测率。该方法还利用Max Pooling方法实了现图像的局部细节特征与全局语义特征充分融合。在TT-100K数据集上稍微实验结果表明新方法可以明显提高小尺度交通标志的识别率。