首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到19条相似文献,搜索用时 140 毫秒
1.
交通标志的正确识别是智能车辆规范行驶、道路交通安全的前提。为解决智能车采集目标图像模糊、分辨率低,造成识别精度低且时效性差的问题,构建一种基于级联深度网络的交通标志识别模型,该模型级联超分辨率处理网络ESPCN与目标检测识别网络RFCN,ESPCN网络提高输入采集图像的分辨率,为低分辨率图像实现超分辨率处理,RFCN网络提取图像全局特征,实现交通标志的检测与分类识别。平衡采样及多尺度的训练策略结合数据增强的预处理方法,增强了网络模型的鲁棒性及扩展性。经实验验证,算法模型针对常见交通标志识别率达到98.16%,召回率达到96.2%,且鲁棒性较好。  相似文献   

2.
为提高雷达目标识别准确率,提出了一种基于深度置信网络(DBN)的高分辨率雷达距离像(HRRP)识别方法。首先利用受限玻尔兹曼机(RBM)对HRRP数据进行逐层无监督训练,根据对比散度(CD)算法更新网络参数,通过误差重构设计DBN深度;而后利用反向传播(BP)机制对DBN模型参数进行有监督的微调;最后基于该模型实现了HRRP的分类与识别。实验结果表明,与传统神经网络相比,基于深度置信网络的识别准确率及噪声鲁棒性显著提高,识别准确率可提高8.5%。  相似文献   

3.
研究基于视频的储粮害虫检测与基于支持向量机的储粮害虫图像识别技术.针对视频图像序列中运动目标的检测和分割问题,提出了一种新的基于图像块和HVS彩色图像差值相结合的运动目标检测算法,用于提取静态储粮害虫图像;针对储粮害虫图像的识别问题,提出了一种基于支持向量机(SVM)组的淘汰算法.这种方法考虑到了各判别函数的VC置信范围的差异,同时利用判别函数间的冗余来降低识别误差.针对100幅害虫图像的识别结果表明,基于SVM的识别方法在识别效果、识别时间等方面都有显著的优越性.  相似文献   

4.
针对UAV(Unmanned Aerial Vehicle)侦察目标识别中的实时性和鲁棒性的要求,提出一种基于SURF(SpeededUpRobustFeatures)的快速目标识别算法。对UAV侦察图像进行预处理,采用不变矩构造遗传算法的适应度函数,利用遗传算法的全局搜索能力快速地提取可能包含目标的ROI(Region Of Interesting)区域。在ROI区域和模板图像中提取SURF特征点,采用最近邻的匹配算法搜索匹配对,从而精确确定目标的位置。仿真结果显示,该算法可以明显地提高目标识别的实时性并具有相当的鲁棒性。  相似文献   

5.
针对现有井下定位方法定位精度波动较大、难以进一步提高的问题,提出一种基于井下移动图像采集的目标识别与精确定位方法。利用定位目标携带的摄像机采集环境图像,通过自适应直方图均衡化方法对采集到的原始图像进行预处理,采用深度学习技术SSD算法、数据增强SSD算法识别井下标志目标,并采用基于小孔成像原理的单目测距方法进行测距和定位。实验结果表明:与灰度图像匹配算法和特征图像匹配算法2种传统算法相比,SSD算法对距离和角度变化的适应能力更好,距离为4.5m时有效检测率仍达89.2%;数据增强SSD算法提高了鲁棒性,检测精确率比SSD算法高1.7%,可以更好地适应复杂环境。井下应用结果表明,基于井下移动图像采集的目标识别与精确定位方法在2~10m范围内可得到较理想的效果,随着距离增加,测量精度有所下降。  相似文献   

6.
针对DBN(深度置信网络)脑电信号识别率不高的问题,提出了多频带频域深度置信网络(multiband FDBN)算法进行特征提取.不同频带存在个体性差异,它们对于分类结果的贡献不完全相同,本文利用带通滤波器将原始的脑电信号分成多个频段,再采用FFT(快速傅里叶变换)将时域信号转换为频域信号并作归一化处理,最后将每个频段的频域数据输入DBN进行训练识别.线下实验证明,相比FDBN(频域深度置信网络)算法,多频带FDBN的平均准确率提高了3.25%,且标准差更小,鲁棒性更好.最后,在智能轮椅平台上,利用多频带FDBN算法基于左右手运动想象脑电信号控制轮椅完成了"8"字形路径,证明了该算法在脑电信号特征提取中的有效性.  相似文献   

7.
针对合成孔径雷达(SAR)图像目标识别问题,在卷积神经网的基础上,提出了一种新的识别框架。 该框架通过连接多个基本操作单元并以层次结构构造一个集特征提取和分类器训练于一体的端到端网络,同时利用深度网络的反向传播完成分类器对特征提取的反馈以改进特征的效果。 在 MSTAR开数据集上,该网络框架分类十类目标达到了98.61% 的精度,与其他方法相比,有效提高了SAR 图像目标的识别精度。 所提框架能有效分类SAR 图像目标,具有良好的识别精度,且具备模块化结构,无须复杂预处理,实现简单。  相似文献   

8.
基于深度协同稀疏编码网络的海洋浮筏SAR图像目标识别   总被引:3,自引:0,他引:3  
浮筏养殖广泛存在于我国近海海域, 可见光遥感图像无法完全准确地获取养殖目标, 而基于主动成像的合成孔径雷达(Synthetic aperture radar, SAR)遥感图像能够得到养殖目标, 因此采用SAR图像进行海洋浮筏养殖目标识别. 然而, 海洋遥感SAR图像包含大量相干斑噪声, 并且SAR图像特征单一, 使得目标识别难度较大. 为解决这些问题, 提出一种深度协同稀疏编码网络(Deep collaborative sparse coding network, DCSCN)进行海洋浮筏识别. 本文方法对预处理后的图像先提取纹理特征和轮廓特征, 再进行超像素分割并将同一个超像素块特征组输入该网络进行协同表示, 最后得到有效特征并分类识别. 通过人工SAR图像和北戴河海域浮筏养殖SAR图像的实验验证所提模型的有效性. 该网络不仅具有优异的特征表示能力, 能够获得更适合分类器的特征, 而且通过近邻协同约束, 有效抑制相干斑噪声影响, 所以提高了SAR图像目标识别精度.  相似文献   

9.
运动、静止目标获取与识别(MSTAR)计划表明,将合成孔径雷达(SAR)图像分割成目标、阴影和背景杂波区域对于从开放环境中进行目标识别是一种有效的手段,但由于SAR图像自身固有的斑点噪声的影响,传统的分割方法很难获得准确的分割,为此提出了一种同性扩散抑制MSTAR图像斑点噪声的方法,它能快速取得感兴趣的目标区域图像.图像预处理后,利用基于自组织特征映射神经网络的图像分割算法对图像进行分割.通过实验确定自组织映射神经网络的分类数.实验结果表明分割效果是显著的.  相似文献   

10.
牛杰  卜雄洙  钱堃 《计算机应用》2014,34(5):1463-1466
针对基于单一颜色信息的目标分割算法易受光线因素影响的问题,提出一种颜色及深度信息融合进行前景分割的目标实时检测方法。采用Kinect传感器采集低成本深度(RGB-D)图像,利用改进的ViBe算法及多帧差分法分别对于RGB以及深度图像进行建模。前景分割后,利用选取基准(SC)融合策略优化目标结果,然后通过rg Chromaticity颜色模型计算前景区域直方图信息并与模板匹配完成目标标记。实验结果表明,该方法对于环境光线及噪声干扰具有一定的鲁棒性,对于ViBe算法中背景前景同色误检及“鬼影”现象,对于深度图像分割中前景背景距离过近而造成误检现象都有很好的识别效果。  相似文献   

11.
提出了一种有效的SAR图像中自动目标识别的方法。首先采取双阈值CFAR目标分割算法对SAR图像进行目标分割。通过对SAR图像的空间局部特征和PCA全局特征的提取,在参数学习的基础上,结合了遗传算法进行迭代优化获取分类器,实现SAR图像的自动目标识别。该方法可以直接对原始图像进行计算,避免了基于数据特征计算所带来的问题。实验结果显示,这种基于遗传算法的自动目标识别方法对T-72和BMP2坦克进行识别,获得了较好的识别率。  相似文献   

12.
针对人脸识别中识别效果易受光照、姿态等因素影响和浅层学习方法不能有效提取人脸图像抽象特征的问题,提出一种结合Gabor小波与深度学习的人脸识别方法。该方法首先利用Gabor小波变换获取不同尺度和方向的人脸Gabor特征,通过下采样和受限玻尔兹曼机(RBM)对Gabor特征进行有效降维;其次将降维后的特征作为深度信念网络(DBN)的输入,并使用对比散度算法训练DBN;最后利用标签数据对DBN进行有监督微调,网络顶层附加Softmax分类器对提取后的特征进行分类。所提方法在ORL、UMIST和Yale-B人脸库上的识别率分别达到了98.72%、96.51%和96.13%,实验结果表明所提方法不仅识别效果明显优于其他现有方法,而且对光照、姿态变化具有很好的鲁棒性。  相似文献   

13.
目的 深度置信网络能够从数据中自动学习、提取特征,在特征学习方面具有突出优势。极化SAR图像分类中存在海量特征利用率低、特征选取主观性强的问题。为了解决这一问题,提出一种基于深度置信网络的极化SAR图像分类方法。方法 首先进行海量分类特征提取,获得极化类、辐射类、空间类和子孔径类四类特征构成的特征集;然后在特征集基础上选取样本并构建特征矢量,用以输入到深度置信网络模型之中;最后利用深度置信网络的方法对海量分类特征进行逐层学习抽象,获得有效的分类特征进行分类。结果 采用AIRSAR数据进行实验,分类结果精度达到91.06%。通过与经典Wishart监督分类、逻辑回归分类方法对比,表现了深度置信网络方法在特征学习方面的突出优势,验证了方法的适用性。结论 针对极化SAR图像海量特征的选取与利用,提出了一种新的分类方法,为极化SAR图像分类提供了一种新思路,为深度置信网络获得更广泛地应用进行有益的探索和尝试。  相似文献   

14.
针对传统人脸识别方法所提取的人脸信息特征较为单一,且分类算法存在局限性的问题,在多特征信息融合的基础上结合深度信念网络(DBN)对人脸进行深度训练并进行识别。首先采取对比度受限自适应均衡化对人脸图像进行预处理,从而削弱光照对人脸识别的影响;然后,将提取到的人脸图像的TPLBP纹理特征和HOG结构特征进行特征融合,得到信息互补的融合特征;最后,将降维后的融合特征作为DBN的输入,通过对DBN深度模型的参数的动态搜索确定最佳值后,基于训练好的深度信念网络实现人脸图像样本的识别。以ORL、AR和Yale-B人脸数据库为基础进行试验,试验结果表明本文方法相较于传统的SVM、KNN和DBN算法准确率有很大提高,鲁棒性强。  相似文献   

15.
杨健  周涛  郭丽芳  张飞飞  梁蒙蒙 《计算机应用》2018,38(11):3225-3230
针对深度信念网络(DBN)权值随机初始化易使网络陷入局部最优的问题,在传统DBN模型中引入布谷鸟搜索(CS)算法,提出一种基于CS-DBN的肺部肿瘤图像识别算法。首先,利用CS的全局寻优能力对DBN的初始权值进行优化,并在此基础上进行DBN的逐层预训练;然后,利用反向传播(BP)算法对整个网络进行微调,从而使网络权值达到最优;最后,将CS-DBN应用于肺部肿瘤图像的识别,实验从受限玻尔兹曼机(RBM)训练次数、训练批次大小、DBN隐层层数和隐层节点数四个角度将CS-DBN与传统DBN进行比较,以验证该算法的可行性和有效性。实验结果表明,CS-DBN的识别精度明显高于传统DBN,在不同RBM训练次数、训练批次大小、DBN隐层层数和隐层节点数条件下,CS-DBN较传统DBN识别率提高百分点的范围分别是1.13~4.33、2.00~3.34、1.07~3.34和1.40~3.34。CS-DBN能够在一定程度上提高肺部肿瘤的识别精度,从而提高肺部肿瘤计算机辅助诊断性能。  相似文献   

16.
基于Gabor小波与深度信念网络的人脸识别方法   总被引:1,自引:0,他引:1  
柴瑞敏  曹振基 《计算机应用》2014,34(9):2590-2594
特征提取与模式分类是人脸识别的两个关键问题。针对人脸识别中的高维和小样本问题,从人脸特征的提取与降维算法入手,提出基于受限玻尔兹曼机(RBM)的二次特征提取及降维算法模型。首先把图像均匀分成若干局部图像块并进行量化,再对图像进行Gabor小波变换,通过RBM对得到的Gabor人脸特征进行编码,学习数据更本质的特征,从而达到对高维人脸特征降维的目的;并以此为基础提出基于深度信念网络(DBN)的多通道人脸识别算法。在ORL、UMIST和FERET人脸库上对不同样本规模和不同分辨率的图像进行实验,识别结果表明,与采用线性降维和浅层网络的方法相比,所提方法取得了较好的学习效率和很好的识别效果。  相似文献   

17.
张新征 《计算机应用》2011,31(9):2468-2472
传统小波独立分量分析(ICA)提取合成孔径雷达(SAR)目标特征时大都采用单一的小波基函数,并且仅利用小波分解低频子带数据进行ICA处理,而忽略了高频子带信息。针对这一问题,采用多类小波基函数对SAR目标图像进行分解;针对得到的所有低频和高频子带数据,引入子带加权的判别熵准则,结合现有的小波ICA算法,提出多小波子带加权判别熵的SAR目标图像ICA特征提取算法。采用MSTAR实测SAR目标图像数据,根据提出算法进行特征抽取,利用最近邻准则进行SAR目标识别。识别结果表明提出算法优于仅利用小波分解低频子带ICA算法。  相似文献   

18.
目的 合成孔径雷达图像目标识别可以有效提高合成孔径雷达数据的利用效率。针对合成孔径雷达图像目标识别滤波处理耗时长、识别精度不高的问题,本文提出一种卷积神经网络模型应用于合成孔径雷达图像目标识别。方法 首先,针对合成孔径雷达图像特点设计特征提取部分的网络结构;其次,代价函数中引入L2范数提高模型的抗噪性能和泛化性;再次,全连接层使用Dropout减小网络的运算量并提高泛化性;最后研究了滤波对于网络模型的收敛速度和准确率的影响。结果 实验使用美国运动和静止目标获取与识别数据库,10类目标识别的实验结果表明改进后的卷积神经网络整体识别率(包含变体)由93.76%提升至98.10%。通过设置4组对比实验说明网络结构的改进和优化的有效性。卷积神经网络噪声抑制实验验证了卷积神经网络的特征提取过程对于SAR图像相干斑噪声有抑制作用,可以省去耗时的滤波处理。结论 本文提出的卷积神经网络模型提高了网络的准确率、泛化性,无需耗时的滤波处理,是一种合成孔径雷达图像目标识别的有效方法。  相似文献   

19.
目的 海冰分类是海冰监测的主要任务之一。目前基于合成孔径雷达SAR影像的海冰分类方法分为两类:一类是基于海冰物理特性与SAR成像特征等进行分类,这需要一定的专业背景;另一类基于传统的图像特征分类,需要人为设计特征,受限于先验知识。近年来深度学习在图像分类和目标识别方面取得了巨大的成功,为了提高海冰分类精度及海冰分类速度,本文尝试将卷积神经网络(CNN)和深度置信网络(DBN)用于海冰的冰水分类,评估不同类型深度学习模型在SAR影像海冰分类方面的性能及其影响因素。方法 首先根据加拿大海冰服务局(CIS)的冰蛋图构建海冰的冰水数据集;然后设计卷积神经网络和深度置信网络的网络架构;最后评估两种模型在不同训练样本尺寸、不同数据集大小和网络层数、不同冰水比例的测试影像以及不同中值滤波窗口的分类性能。结果 两种模型的总体分类准确率达到93%以上,Kappa系数0.8以上,根据分类结果得到的海冰区域密集度与CIS的冰蛋图海冰密集度数据一致。海冰的训练样本尺寸对分类结果影响显著,而训练集大小以及网络层数的影响较小。在本文的实验条件下,CNN和DBN网络的最佳分类样本尺寸分别是16×16像素和32×32像素。结论 利用CNN和DBN模型对SAR影像海冰冰水分类,并进行性能分析。发现深度学习模型用于SAR影像海冰分类具有潜力,与现有的海冰解译图的制作流程和信息量相比,基于深度学习模型的SAR影像海冰分类可以提供更加详细的海冰地理分布信息,并且减小时间和资源成本。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号