水表号码读取系统的设计与实现

介绍了一种水表号码图像读取系统的设计方案并详细分析了各功能模块的实现。使用CMOS图像传感器采集水表号码图像,在DSP中进行识别处理,并将识别结果在液晶模块上直观显示,在硬件采集器中实现号码图像的识别。     

基于K-均值聚类的神经切片图像功能束类型识别研究

针对周围神经物理切片图像中不同类型的神经功能束染色后显示出的特异性,提出了一种基于K-均值聚类的神经切片染色图像中神经功能束类型识别的方法。首先通过特征分析与提取决定以灰度均值肛和方差σ2作为纹理特征,然后运用本文算法对神经切片染色图像中的不同类型神经功能束进行聚类和识别。通过在人体周围神经组织切片图像上的实验证明,该算法能对神经切片染色图像中的神经功能柬类型进行有效分类识别。     

远程采集无人机图像的特征识别方法研究

地面对空中无人机的视觉识别中,由于无人机的飞行速度、角度呈现非线性变化;使得采集的疑似图像存在特征模糊、衰退等问题,传统的模式识别方法无法提取无人机图像的主要特征,极大程度上降低了图像的识别概率;提出一种引入球面谐波基图像特征细分的无人机识别算法,建立球面谐波基图像识别模型,利用无人机图像的球面谐波基图像近似率,对模糊图像的差异特征进行依次识别;实验结果表明,利用改进算法建立的模糊无人机图像差异特征识别模型,具有一定的优越性,提高了无人机识别的准确率。     

基于矩形角点几何变换的畸变图像校正

在以数码相机等数字设备拍摄图像时,所拍摄的图像经常会产生各种各样的变形,这种变形可能会导致识别软件中的后续处理失败,从而使图像无法被识别。为了使普通的识别软件能够对数码相机等拍摄的图像进行识别,有必要对其进行校正。针对大部分畸变图像是倾斜变形和透视变形,采用类似倾斜变形图像的几何校正算法,分两步实现图像的校正。实验表明,该方法对于倾斜变形和透视变形有良好的校正效果,以便于后续的图像处理。     

基于属性学习的图像分类研究

图像中所蕴含的属性对于图像识别有着重要作用,以往的传统分类方法往往忽略了这些特性,为此,提出一种将稀疏表示和属性学习结合用于图像分类的新方法。该方法首先对图像特征进行稀疏分解,利用系数稀疏表示重构图像特征,然后将重构的特征数据用于属性学习,通过属性分类器的训练学习完成对目标图像的属性识别,达到识别出图像种类的目的。在植物数据集上的对比试验证实了该算法的有效性和在识别准确率上相对于传统识别算法的提升。     

基于粗糙粒模型的图像纹理识别和检索

传统的纹理识别方法大多是对图像频谱的研究,文中尝试以粒计算理论为基础,利用分层思想对图像的纹理特征进行识别。首先,通过引入粒的边缘和分层熵的概念,建立粗糙粒理论,构造粗糙粒度空间模型。然后,构建基于粒的边缘和分层熵的相似度计算方法,得出一种图像纹理识别方法。该方法不仅提高模型在图像纹理识别上的实用性,而且通过对识别和检索过程的同步进行简化纹理识别的计算过程。最后,仿真实验表明,该模型及所用到的相关方法是可行的,与其它方法相比,该方法识别和检索效果较好。     

基于多任务级联残差网络的枪支图像识别系统

针对枪支种属识别目前依赖检验人员经验、识别效率较低的问题,建立一种基于多任务级联深度残差网络的枪支图像自动识别模型。以ResNet18为基本构建单元,通过级联融合4个任务中的Softmax损失函数约束,实现对枪支图像从枪族到枪型的多维度聚类。在该模型的基础上,设计一套制式枪支图像智能检索系统,对拍摄上传的枪支图像种属信息进行自动识别。在自建的制式枪支图像数据集上进行实验,结果表明,与EfficientNet、NTS-net等模型相比,该模型的识别准确率更高,Rank-1、Rank-20识别准确率分别达到61.12%、95.28%,且其具有更好的鲁棒性。     

SIFT算法在CUDA加速下的实时人物识别与定位

首先采用Directshow技术对视频图像中的运动目标进行差分检测,然后在此基础上对视频图像进行分割和识别,最后实现人体图像及头部图像的识别和定位.视频图像的处理和识别主要采用差分法和SIFT特征的模式匹配来完成人体和头部的识别和定位.经实验验证,SIFT算法在CUDA加速下具有较好的识别速度和准确率,解决了图像识别技术上的一些问题.     

基于得分的近红外线与可见光图像融合算法

近红外线图像与可见光图像相比,会出现模糊、轮廓不全等问题,对识别性能造成影响.为此,提出一种基于得分的近红外线与可见光图像融合算法,采用特征脸算法对2种模态的人脸样本进行训练学习,在获得2种图像各自的匹配得分后,进行基于得分的融合,以获得最终得分.实验结果表明,该算法的识别效果优于各单一条件下的识别性能,等错误率在CASIA HFB数据库上由4.65％降至3.80％,在HITSZ Lab1数据库上由0.55％降至0.38％.     

遥感图像目标识别的并行处理方法

为提高遥感图像目标识别的速度，减少消耗的时间，提出了一种特殊的遥感图像目标识别的并行处理方法。基于这种方法，只需对串行识别算法做较少的改动即可实现遥感图像目标识别的并行化处理，无需设计专门的并行识别算法，以较低的代价解决了遥感图像目标识别耗时较多的问题。