基于Contourlet变换的红外图像序列小目标检测技术

Contourlet变换具有多尺度,多方向性的特征,是小波的一种扩展.本文提出了一种基于Contourlet变换的红外小目标检测算法.首先对图像进行Contourlet分解;然后利用能量法提取其局部纹理特征,并计算各点的特征向量与中心向量问的距离,得到一个相关的多尺度距离像;最后根据该距离像进行直方图统计,从而实现目标的检测.文中给出了实验结果,并与基于小波变换的红外小目标检测算法进行了比较,结果表明,本方法能较精确地检测出红外小目标,优于基于小波变换的方法.     

多尺度多特征仿生人脸识别

本文使用Daubechies正交小波变换对人脸图像进行二次小波分解:首先对第二次小波变换低频子图像进行PCA分析。运用邻域法进行分类得到距离隶属度。利用模糊分析提取出候选样本,对候选样本第一次小波变换的低频子图像进行PCA分析,运用最近邻域法进行分类得到最终识别结果。实验表明:小波变换预处理得到多尺度多特征;分类结果之间具有一定的互补性,同时可以提高分类性能。     

小波变换在目标识别中的应用

利用小波变换具有易于消除噪声、运算方便、能够体现图像特征等优点,研究了基于小波变换的目标识别方法.首先采用二次B样条小波滤波器组对样本图像进行小波变换,提取多尺度边缘,然后提取不变矩,以此作为图像的特征向量,最后应用小波神经网络进行分类识别.计算机仿真实验表明,该方法取得了较好的识别效果.     

基于图像隶属度的主分量分析人脸识别算法

提出了基于图像隶属度的主分量人脸识别算法.该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间.计算训练样本和待测样本在人脸特征空间中的投影向量间的距离.引入图像隶属函数,作为识别分类器进行人脸识别.针对ORL人脸库的实验结果表明该方法具有良好的识别分离能力.     

基于离散曲波变换和支持向量机的掌纹识别方法

提出了一种基于离散曲波变换和支持向量机的掌纹识别方法.首先将所有掌纹样本图像和测试图像通过基于Wrapping的快速离散曲波变换进行分解,从而获得不同尺度、不同角度的曲波变换系数;掌纹重要特征信息包含在曲波变换分解系数中的低频系数中,因此将分解系数变换形成特征向量后作为特征参数送入支持向量机中进行学习训练;最后将训练好的支持向量机用于掌纹分类.基于香港理工大学Palmprint掌纹数据库进行了大量实验,实验结果证实所提方法的识别正确率相对优于小波变换方法和其它几种经典方法.     

基于小波域多尺度Retinex的复杂光照的人脸识别

针对Retinex模型在处理光照不均匀图像的不足,提出了组合小波域多尺度Retinex模型(DWT-MSR)和ICA识别方法,并将其用于不同光照下的人脸识别。在二维小波变换后的小波域中,将其低频小波系数变换到对数空间,使用三种不同的高斯滤波系数和对数空间中的小波系数进行卷积运算,将三种标准偏差尺度下得到的结果进行加权平均,采用gain/offset的方法,对输出图像进行灰度值线性拉伸;小波域中其他三种高频系数保持不变,然后再将变换后的低频系数和高频系数作小波反变换,得到的新图像则为小波域多尺度Retinex模型的处理结果,最后使用定点独立分量分析和神经网络进行分类识别。经实验证明,基于该模型的方法在处理不同光照下的人脸图像时,效果明显优于Grey,Hist,SSR,Embossing,MSR,Quotient等常见的光照处理方法。     

复杂光照条件下的多姿状鲁棒性人脸识别方法

为改善复杂光照条件下的多姿状鲁棒性人脸识别的效果,提出了小波变换与LBP的多姿状鲁棒性人脸识别方法。通过二维离散小波变换对人脸图像进行二级小波分解提取到低频特征信息分量,并以重构初始图像的方式实现降噪滤波处理,滤除低频光照分量后完成复杂光照补偿;继续分解复杂光照补偿后的图像,采用LBP算子对子图像的鲁棒性部分纹理特征进行描述后,提取出人脸图像各子图像的直方图特征并连接,得到人脸LBP纹理特征,通过统计法运算该特征距离,并通过K近邻分类器实现人脸特征分类识别。以Yale-B与AR人脸库为测试对象,结果表明,所研究方法对复杂光照鲁棒性较强,识别人脸的准确率与效率较高,整体识别效果较好。     

基于尺度间和尺度内相关陛的平稳小波红外图像去噪

提出了一种基于尺度间和尺度内相关性的平稳小波变换红外图像去噪方法。首先对红外图像进行离散平稳小波变换,分别对各个分解层的高频子带,利用不同尺度小波系数形成的系数向量,通过线性最小均方误差估计小波系数,获得各个高频子带的估计系数,再利用小波系数尺度内的邻域相关性对小波系数进行修正,然后通过小波反变换得到去噪图像。仿真结果表明,考虑尺度间和尺度内相关性的平稳小波红外图像去噪算法能有效地去除红外图像噪声,在信噪比和视觉质量上要优于单纯考虑尺度间相关性的去噪方法。     

基于小波分析的红外图像非线性增强算法

红外图像具有对比度低和信噪比低等特点,实际应用中需要进行增强处理。将小波分析与模糊逻辑相结合,提出了一种基于小波变换的红外图像非线性增强算法。该算法首先利用小波分析对图像进行分解,提取图像的多尺度特征信息;然后通过模糊非线性增强算子分别对各个分解层的子带系数进行运算以改变目标特征的强度;最后利用小波反变换重构图像,实现图像的对比度增强和背景抑制。与几种常用的红外图像增强算法进行了实验对比,验证了该算法的有效性。     

一种基于提升小波变换的图像融合方法

在针对传统的多尺度分解的融合方法运算速度慢、内存需求量大，不适于实时应用的局限性的基础上，提出了一种基于提升小波变换的图像融合算法。多个源图像分别进行提升小波分解，使用恰当的融合规则合并各尺度对应的分解系数，通过提升小波逆变换得到融合图像。实验结果表明，提出的算法无论在执行时间还是融合图像质量上都优于传统方法，有广泛的应用前景，特别适用于实时系统。     

基于奇异值分解的基图像的人脸识别

研究了基于奇异值分解的人脸识别问题。首先证明了图像的大量信息主要体现在图像矩阵奇异值分解的前几个最大奇异值所对应的左、右奇异向量中,然后给出了模板图像的基图像,并将图像展开成基图像的线性表示,提取其组合系数作为图像的代数特征并用于人脸识别中。实验表明,较以投影系数向量为代数特征的人脸识别方法,该方法所需的运行时间明显降低,而且与基于奇异值向量作为图像特征的方法相比,该方法的识别精度明显提高。     

基于自适应加权Fisherface算法的人脸识别

提出了一种改进的Fisherface算法。算法首先利用Karhunen-Loeve（K-L）变换降维，在降维的子空间内，根据样本与同类样本间的距离赋予该样本一权值，再用加权后的样本求取类均值，以新的类均值重建类内散布矩阵和类间散布矩阵，从而改进Fisher判别函数。在ORL和Yale人脸库上的实验结果表明，该算法优于传统的主成分分析（PCA）方法和Fisherface方法，并能有效解决小样本情况下训练样本类均值偏离类中心的问题。     

基于多特征空间的三维目标离面旋转识别

基于识别目标真假和空间位置的需要,将180幅训练图像分成了4个训练集,分别计算每个训练集的特征向量,分析结果表明每个训练集可以用3个特征向量来表示,这样用12个特征向量就可以建立目标的4个特征空间,使目标分解与重构过程大大简化。利用待识别目标向量与重构向量之间的关系,不仅可以判别目标的真假,还可以确定目标所在的空间位置。模拟结果表明,提出的目标多特征空间的建立方法和目标识别准则是有效的,能够实现离面旋转条件下三维目标真假和空间位置的识别。     

变形网格及其在图像识别中的应用

网格特征是图像识别中一类重要特征,而变形模板对于复杂的图像识别问题如字符识别、数字识别、图标识别等表现出很好的性能,但变形模板很费时。该文针对网格特征提出了变形网格,并分析了变形模板与变形网格之间的近似等价性。所提方法对网格进行变形而不是对图像变形,因而速度比变形模板快得多,而且性能相差不大。把这种方法分别应用于图标识别和脱机手写汉字识别。图标识别实验中变形模板使识别率提高了7.5%,而变形网格使识别率提高了7.3%、手写汉字识别实验中变形模板使识别率提高了6.1%,而变形网格使识别率提高了5.8%。考虑到变形网格比变形模板快得多,所以这种方法是有优势的。     

基于核局部Fisher判别分析的掌纹识别

运用核局部Fisher判别分析(KLFDA)进行掌纹识别。为了解决小样本图像识别中特征方程矩阵的奇异性问题,首先运用图像下抽样方法降低掌纹空间的维数,在低维图像上应用KLF-DA提取低维的投影向量;然后将训练图像和待识别图像的核矩阵向投影向量上投影,得到非线性局部判别特征;最后计算特征向量间的余弦距离,进行掌纹匹配。运用PolyU掌纹图像库对算法进行测试,实验结果表明,与主元分析(PCA)、Fisher判别分析(FDA)、独立元分析(ICA)、核主元分析(KPCA)和局部Fisher判别分析(LFDA)相比,本文算法的识别率(RR)最高为99%,特征提取和匹配总时间0.031 s,满足实时系统的要求。     

基于体全息图像库的模式识别算法

定义了特征识别向量并提出了图像识别模板的概念 ,在此基础上发展了相关系数的算法 ,对存有 10 0幅图像的体全息图像库所进行的模式识别实验表明此算法能够有效地提高识别准确率。     

基于图像理解的LPR系统研究

设计了一种基于图像理解的智能车牌识别系统,利用水平和垂直投影进行车牌区域定位。通过基于垂直投影和模板匹配的字符分割方法有效地解决了背景变化、车牌尺寸变化、字迹模糊等问题,在对120幅472×332大小的车辆图像采用基于模板匹配的ORC识别方法,在Hausdorff距离分类器上进行了相关匹配测试实验。识别率达96.7%,识别时间稳定在0.3~1.2 s之间。     

基于非负矩阵分解的SAR图像目标识别

 特征提取是合成孔径雷达自动目标识别的关键技术,同时也是难点问题之一。本文提出了一种基于非负矩阵分解算法与Fisher线性判别方法的合成孔径雷达图像目标识别的方法,通过基于基向量非负加权组合的形式构建SAR目标图像,能充分利用目标的局部空间结构信息提取目标特征信息实现目标识别。首先将水平集分割预处理后的SAR目标图像样本构成初始矩阵,然后利用非负矩阵分解后得到的权向量作为目标图像的特征向量,再通过依据Fisher线性判别构成的分类器,实现对MSTAR数据中3类目标的识别,并与目前已有的几种典型方案进行对比。试验结果表明该方法是可行且有效的,并能够明显提高对目标识别的稳定性和正确率。     

基于FPGA的增强现实人工标识识别

基于标志点的增强现实系统中,需要将计算机生成的虚拟物体注册到对应的标志点上,以达到对现实的增强效果,因此对标识的识别成为该系统的关键。文中设计了以FPGA为核心的人工标识识别系统,采用TRDB-D5M摄像头和DE2-115 FPGA开发板设计方案,实现了对高速图像的视频采集,并通过对含有人工标识的彩色图像进行二值化处理、连通域分析和模板匹配,实现了对人工标识的识别。通过实验验证和分析,表明该方法能够准确的识别无遮挡的标识,对增强现实移动系统的进一步完善具有实际意义。     

基于Hausdorff距离的多分辨率目标跟踪方法

针对目前运动目标跟踪算法的计算结果和效率不能令人满意的现状,提出利用改进的Hausdorff距离进行模板匹配,它具有计算量小,适应性强的特点.为了能较快的跟踪目标,采用多分辨率分析的方法处理序列图像.实验结果表明,本文的算法能显著提高运动目标跟踪的准确程度和效率.