基于SVM模型的单目红外图像深度估计

提出一种通过非线性学习模型来估计单目红外图像深度的算法。该算法首先通过逐步线性回归和独立成分分析(ICA)寻找对于红外图像深度相关性较强的特征,然后以具有核函数的非线性支持向量机(SVM)为模型基础,采用监督学习的方法对红外图像深度特征进行回归分析并训练,在训练过程中通过已知数据回归后的最小均方误差对模型参数进行修正,训练后的模型可对单目红外图像的深度分布进行估计。实验结果证明,利用该模型能较一致地估计单目红外图像的深度信息。     

基于通道注意力机制的单目深度估计

现有单目深度估计（Monocular depth estimation）算法存在细节估计不准确、同一平面距离估计错误的问题。深度信息是通过图像像素的三通道信息估计出来的,目前已有的算法中很少考虑特征图通道之间的相互关系对深度信息的影响。因此本文提出了一种SE-DenseDepth网络,在网络的编码器中嵌入通道注意力机制,依据不同通道对深度信息的贡献度差异,对通道进行编码,提高编码器对图像特征的表征能力。为了获得图像精细的深度信息,网络建立编码器到解码器的跳连接,引入了更多的低层信息。本文在通用室内数据集NYU-Depth V2上训练,并在真实数据上测试。实验结果表明,本文提出的方法在深度突然变化的细节区域表现更好,在远距离大平面的情况下不会出现深度的断层,与其他主流算法相比可以获得较好的深度估计性能。     

基于稠密连接网络的单目深度估计

单目深度估计作为计算机视觉的基本问题,得到人们的广泛关注.目前的方法多集中在深度卷积神经网络的图像级信息上,训练时收敛速度较慢,精度下降,特别是在图像中拥有不同大小的多目标情况下.为此,本文基于一个编解码框架提出了一个新的卷积神经网络模型结构DCDN(Deep Convolution DenseASPP Network...     

基于深度多级小波变换的图像盲去模糊算法

近年来卷积神经网络广泛应用于单幅图像去模糊问题,卷积神经网络的感受野大小、网络深度等会影响图像去模糊算法性能。为了增大感受野以提高图像去模糊算法的性能,该文提出一种基于深度多级小波变换的图像盲去模糊算法。将小波变换嵌入编-解码结构中,在增大感受野的同时加强图像特征的稀疏性。为在小波域重构高质量图像,该文利用多尺度扩张稠密块提取图像的多尺度信息,同时引入特征融合块以自适应地融合编-解码之间的特征。此外,由于小波域和空间域对图像信息的表示存在差异,为融合这些不同的特征表示,该文利用空间域重建模块在空间域进一步提高重构图像的质量。实验结果表明该文方法在结构相似度(SSIM)和峰值信噪比(PSNR)上具有更好的性能,而且在真实模糊图像上具有更好的视觉效果。

     

基于深度多级小波变换的图像盲去模糊算法

近年来卷积神经网络广泛应用于单幅图像去模糊问题,卷积神经网络的感受野大小、网络深度等会影响图像去模糊算法性能.为了增大感受野以提高图像去模糊算法的性能,该文提出一种基于深度多级小波变换的图像盲去模糊算法.将小波变换嵌入编-解码结构中,在增大感受野的同时加强图像特征的稀疏性.为在小波域重构高质量图像,该文利用多尺度扩张稠密块提取图像的多尺度信息,同时引入特征融合块以自适应地融合编-解码之间的特征.此外,由于小波域和空间域对图像信息的表示存在差异,为融合这些不同的特征表示,该文利用空间域重建模块在空间域进一步提高重构图像的质量.实验结果表明该文方法在结构相似度(SSIM)和峰值信噪比(PSNR)上具有更好的性能,而且在真实模糊图像上具有更好的视觉效果.     

基于金字塔型残差神经网络的红外图像深度估计

对车载红外图像进行深度估计,可应用于车辆的夜间辅助驾驶系统(Driver Assistant Systems, DAS),本文提出了一种新型的神经网络结构来估计红外图像的深度.受景物分类思想的启发,将传统深度估计方法中的回归问题转化为分类问题.首先,对红外图像进行归一化预处理,并将深度图置于自然对数空间对距离进行远近分类.其次,设计了一种新型的金字塔输入残差神经网络(Pyramid Residual Neural Networks, PRN),将红外图像以金字塔型结构作为网络输入,网络结构分为粗略特征提取和精细特征提取两部分.最后,将全连接层改为全卷积层,大大减少了网络中的参数个数,降低计算复杂度.金字塔型结构的输入使得网络能够多尺度提取特征,这使得估计出的深度图场景中的对象轮廓比同一网络单一红外图像输入估计出的景物轮廓更清晰.此外,通过计算错误和准确性评价指标,证明本文的提出方法能够很好地估计红外图像的深度,对比实验验证了本文方法更具优势.     

基于深度图像分解的红外与可见光图像融合

红外与可见光图像融合是一种图像增强技术,其目标是为了获得保留有源图像优势的融合图像.对此本文提出了一种基于深度图像分解的红外与可见光图像融合方法.首先源图像经过编码器分解为背景特征图和细节特征图;同时编码器中引入显著性特征提取模块,突出源图像的边缘和纹理特征;随后通过解码器获得融合图像.在训练过程中对可见光图像采用梯度系数惩罚进行正则化重建去保证纹理一致性;对图像分解,图像重建分别设计损失函数,以缩小背景特征图之间的差异,同时放大细节特征图之间的差异.实验结果表明,该方法可生成具有丰富细节和高亮目标的融合图像,在TNO和FLIR公开数据集上的主客观评价上优于其他对比方法.     

基于混合Gabor滤波器与加权中心对称LBP的掌纹识别

掌纹识别是一种比较新颖的生物特征识别技术,提取最佳分类特征一直是掌纹识别研究领域的一个重要方向.掌纹图像纹理特征丰富,但传统方法难以准确将其表征.针对此问题,将固定尺度及自适应多尺度Gabor滤波器结合起来,提出基于混合Gabor滤波器与加权中心对称局部二值模式(weighted center symmetric lo...     

一种基于奇异值特征的神经网络人脸识别新途径

本文在Z Hong等人使用的奇异值分解(SVD)基础上,将人脸图像矩阵的奇异值作为识别特征,解决了奇异值处理、神经网络训练策略和竞争选择问题;运用BP网络进行识别,提出了一种基于奇异值特征的神经网络人脸识别新方法.基于ORL人脸数据库的多次反复实验结果表明,在大样本情况下,识别方法具有实现简单、识别速度快、识别率高的特点,为人脸的实时识别提供了一种新途径.     

基于Kinect深度图像的人体识别分析

介绍了深度图像在模式识别中的研究现状及其在人体识别中的应用。针对目前普通相机拍摄的图像识别在光照、姿态、遮挡等因素影响下性能下降的问题,以微软推出的Kinect设备为平台,通过分析Kinect相机获取的深度图的特征,提出以综合点特征和梯度特征的局域梯度特征的方式来对人体部位区分判定,并以手肘为例作了简要论证。     

基于人工神经网络的通信信号分类识别

通信信号的分类识别是一种典型的统计模式识别问题。系统地论述了通信信号特征选择、特征提取和分类识别的原理和方法。设计了人工神经网络分类器,包括神经网络模型的选择、分类器的输入输出表示、神经网络拓扑结构和训练算法,并提出了分层结构的神经网络分类器。     

基于双正交小波变换的矩不变量

寻找相对于尺度、平移、旋转不变的小波不变量是多尺度分析在模式识别中的关键问题.矩是一种理论和应用上比较成熟的方法,本文将矩与多尺度小波分解的近似系数联系起来,利用空间基函数的双正交性推导得到了双正交小波矩不变量,并用实验验证了结果的正确性.同时以Haar小波为例对结论中的限制条件进行了理论分析和实验验证,结果表明可以计算高于平滑阶数的小波矩,且计算精度符合要求.由此获得了比较完善的理论和实验结果,最后指出了它在实际应用中所需注意的问题.     

基于多尺度局部二元模式共生直方图的红外人脸识别

不同尺度的局部二元模式(LBP)提取了红外人脸图中不同的微结构局部特征。为了挖掘不同尺度中局部特征的相关性,提出了一种基于多尺度LBP 共生直方图的红外人脸识别方法。传统的多尺度LBP 特征提取方法,丢失了对多尺度特征间相关性信息的提取。为了充分考虑微结构间的相关统计信息,提出了多尺度LBP 共生直方图表示方法,以提取包含在红外人脸图像中的有用鉴别特征。多尺度LBP 共生直方图特征表示方法不仅可以消除环境温度对红外人脸图像特征提取的影响,而且还可以增强对局部特征表示的鉴别性。实验结果表明:多尺度局部二元模式共生矩阵可以增强对红外人脸鉴别特征提取的有效性,提出的红外人脸方法的性能优于基于传统多尺度LBP 和单尺度LBP方法,在相同环境情况下和在环境温度变化情况下可以达到99.2%和91.2%的识别率。     

基于提升小波的矩不变量车牌字符识别方法

车牌识别系统的关键在于字符的识别,而字符识别的核心是字符特征的提取。小波变换可以获取字符的细节结构特征,而不变矩能很好地对其进行描述,故将两者结合起来提取字符的特征;同时利用张量积小波分解的高频子图具有方向性的特点,提取字符的笔画特征,最终得到反映字符结构和统计特征的联和特征向量,并且字符图像的分解采用第二代提升小波算法进一步降低了计算复杂性。实验结果表明,此方法提取得到的联合特征向量能够取得98%的字符综合识别率,可以满足实际应用的要求。     

应用ANN的数字信号调制模式识别的特征矢量分析

数字信号调制模式的自动识别是无线通信中信号分析和处理的关键步骤之一。神经网络应用于数字信号调制模式识别的一个重要的预处理过程就是要形成完备的特征矢量空间。本文在原有分析方法的基础上，研究了信号的瞬时特征、谱特征和统计特征，特别提出了用于信号子类分析的新的高阶统计量特征，形成了数字调制模式自动识别的较为完备的特征矢量空间。通过对九种数字调制信号进行仿真表明，即使在信噪为5dB的条件下仍然能够获得较高的识别正确率。