首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 406 毫秒

1.  通用学习框架结合2DPCA的鲁棒人脸识别  
   刘凤娟《电视技术》,2014年第38卷第11期
   针对现有的人脸识别算法由于光照、表情、姿态、伪装等变化而严重影响识别性能的问题,提出了一种基于通用学习框架结合2DPCA的鲁棒人脸识别算法。首先借助于额外的通用训练样本集进行样本的叠加以增加训练样本的数量;然后利用经典的2DPCA算法进行特征提取;最后,利用最近邻分类器对人脸进行分类并完成最终的人脸识别。在基准人脸数据库ORL、FERET及鲁棒人脸数据库AR、扩展YaleB上的实验验证了该算法的有效性及鲁棒性,实验结果表明,相比其他几种人脸识别算法,提出的算法不仅提高了人脸识别率,而且大大地减少了识别所用时间,有望应用于实时鲁棒人脸自动识别系统中。    

2.  基于关键边缘特征的车型识别  
   张秀林  刘玉  安然《电子测试》,2013年第3X期
   针对在运动车辆车型识别算法中基于模板方法较高的复杂度、不易准确地获取运动车辆的外部轮廓;基于代数特征的方法在提取代数特征时,往往需要增加较多的计算量和存储负担,实时性较差。提出一种快速、实用的基于Gabor滤波器的车型边缘特征的提取方法,并利用模板匹配法实现运动车辆车型的自动分类,达到运动车辆车型的识别。实验结果表明此算法避免车型识别时对车辆外部轮廓的强依赖性,鲁棒性得到增强的同时降低了Gabor滤波器的计算量和存储负担,而又不降低识别率。    

3.  一种基于监控视频的出租车识别方法  
   朱伟  叶飞  马超  张重阳《电视技术》,2013年第37卷第7期
   研究了一种基于视频监控的出租车识别算法.对已经完成跟踪的车辆,通过提取车辆的方向梯度直方图(HOG)特征,作为支持向量机(SVM)分类检测的输入,进行车辆是否为出租车的分类识别.通过多窗口投票机制,增强了分类识别算法的准确性与鲁棒性.实验证明,该方法能准确进行出租车的分类识别,基于实际的标清监控视频,出租车的分类准确率达到90%左右.    

4.  基于深度卷积神经网络的车型识别方法  
   袁公萍  汤一平  韩旺明  陈麒《浙江大学学报(工学版)》,2018年第4期
   针对现有车辆车型视觉识别技术中的检测精度不高、难以适应天气环境变化、难以从视频图像中准确提取出用于识别的车辆图像、难以对车辆车型子类进行识别分类、难以兼顾识别精度和检测效率等不足,将深度卷积神经网络引入车辆目标定位、识别和分类(子类)问题中.利用深度卷积神经网络自动完成车型的深度特征学习,在特征图上进行逻辑回归,从道路复杂背景中提取出感兴趣区域;利用softmax分类器训练特征实现车型识别;为了优化softmax在深度卷积神经网络分类过程中出现的类内间距大的问题,引入中心损失函数对softmax损失函数进行优化,提高类间分散性与类内紧密性.在BIT-Vehicle车型数据集中的实验结果显示,提出方法的平均精度为89.67%,检测和识别时间为159ms;与传统的分类方法相比,识别精度提高约20%,效率提高10倍以上,检测鲁棒性有明显提升;与未改进前的深度卷积神经网络相比,检测精度提高0.6%,速度提高0.29倍.    

5.  一种基于HOG与SVM的监控视频车辆识别方法  
   王雪锋  叶飞《微型机与应用》,2013年第32卷第17期
   针对基于监控视频的车辆检测识别问题,给出了一种基于视频监控的面包车识别算法。该方法对监控视频中已跟踪的车辆,提取车辆的方向梯度直方图(HOG)特征作为支持向量机(SVM)分类检测的输入,分类识别该车辆是否为面包车;通过车辆大小的检测,增强了分类识别算法的准确性与鲁棒性。实验证明,该方法能准确进行面包车的分类识别,基于实际的标清监控视频,面包车的分类准确率达到90%左右。    

6.  基于Gabor特征和字典学习的高斯混合稀疏表示图像识别  被引次数:1
   詹曙  王俊  杨福猛  方琪《电子学报》,2015年第43卷第3期
   为了克服图像识别中光照,姿态等变化带来的识别困难,同时提高稀疏表示图像识别的鲁棒性,本文提出了一种基于Gabor特征和字典学习的高斯混合稀疏表示图像识别算法.高斯混合稀疏表示是基于最大似然估计准则,将稀疏保真度表示为余项的最大似然函数,最终识别问题转化为求解加权范数的优化逼近问题.本文算法首先提取图像的Gabor特征;然后对Gabor特征集进行字典学习,由于在学习过程中引入了Fisher准则作为约束,学习得到具有类别标签的新字典;最后使用高斯混合稀疏表示识别方法进行分类识别.在3个公开数据库(人脸数据库AR库和FERET库以及USPS手写数字库)上的实验结果验证了该算法的有效性和鲁棒性.    

7.  基于Haar-like特征与Adaboost算法的前方车辆辨识技术研究  
   朱志明  乔洁《电子测量技术》,2017年第40卷第5期
   为了提高前方车辆的辨识效能,提出一种融合Haar-like特征与Adaboost算法的前方车辆辨识方法,基于海量车辆样本集进行离线训练,提取有效车辆轮廓与纹理特征,以Haar-like特征作为目标描述方法,采用Adaboost机器学习算法训练分类器,并构建特征样本级联分类器,对测试对象进行车辆存在性检测.试验结果表明,提出的融合Haar-like与Adaboost的车辆辨识算法检测准确率为91%以上,平均检测速率28 ms,对车辆类型和环境干扰等非确定因素具有较强的自适应能力,提高了前方车辆纵向检测的鲁棒性,满足了车辆纵向维度的安全行驶应用需求.    

8.  基于统计学方法的水面目标特征提取  
   李万臣  叶铂《中国新技术新产品》,2010年第3期
   在使用统计学方法对水面目标进行特征提取时,由于传统的方法进行自动目标识别的效果与RO(I感兴趣区域)定位算法有直接的关系,因此当ROI定位算法不准确时,目标的识别将很难完成。本文提出了一种基于目标特征的逐块二维Hadamard变换的特征提取和高斯混合模型分类器的局部特征轮廓识别方法。实验表明该方法对于复杂条件下的水面目标识别(如:部分超出视野范围以及比例变换等)具有很好的鲁棒性。    

9.  基于特征点表情变化的3维人脸识别  被引次数:1
   李燕春  达飞鹏《中国图象图形学报》,2014年第19卷第10期
   目的 为克服表情变化对3维人脸识别的影响,提出一种基于特征点提取局部区域特征的3维人脸识别方法。方法 首先,在深度图上应用2维图像的ASM(active shape model)算法粗略定位出人脸特征点,再根据Shape index特征在人脸点云上精确定位出特征点。其次,提取以鼻中为中心的一系列等测地轮廓线来表征人脸形状;然后,提取具有姿态不变性的Procrustean向量特征(距离和角度)作为识别特征;最后,对各条等测地轮廓线特征的分类结果进行了比较,并对分类结果进行决策级融合。结果 在FRGC V2.0人脸数据库分别进行特征点定位实验和识别实验,平均定位误差小于2.36 mm,Rank-1识别率为98.35%。结论 基于特征点的3维人脸识别方法,通过特征点在人脸近似刚性区域提取特征,有效避免了受表情影响较大的嘴部区域。实验证明该方法具有较高的识别精度,同时对姿态、表情变化具有一定的鲁棒性。    

10.  基于神经网络的性别识别方法  
   白雪  田启川  郝梦琳《电子科技》,2013年第26卷第9期
   针对目前性别识别方法中的人体第二性特征提取困难、识别率低、鲁棒性差等问题,提出了一种基于神经网络的性别识别方法,并得到了基于人脸图像的性别识别分类器。文中先将人脸图像进行高斯滤波,再将预处理后的图像归一化用于训练BP神经网络,以得到性别识别分类器,最后将分类器与传统的性别识别方法进行比较。实验结果表明,通过文中方法实现了人体第二性特征自动提取,提高了分类器的容错能力和识别率,增强了鲁棒性。    

11.  基于信息融合技术的集装箱号码自动识别系统  
   潘巍  王阳生  杨宏戟《计算机工程》,2007年第33卷第4期
   运用信息融合技术进行集装箱号码自动识别系统的设计。根据集装箱号码的特性、组成规律及分布特点,在预处理阶段,采用了基于产生式规则的融合算法。该算法采用串行融合的方式并生成了一系列的规则,能够快速准确地输出具有较高质量的号码分割图,为后续的特征提取和号码识别提供更精确的信息。使用了3种不同类型的特征提取方法,分别生成基于神经网络的分类器,并将各自的分类结果通过D-S证据理论进行融合以完成最终的决策,提高了系统的识别率。该系统对光线与阴影具有较强的鲁棒性,结构简单、快捷有效,在实验中得到了满意的效果。    

12.  一种基于深度卷积网络的鲁棒头部姿态估计方法  
   桑高丽  陈 虎  赵启军《四川大学学报(工程科学版)》,2016年第48卷第Z1期
   针对头部姿态估计方法受特征提取限制导致姿态估计效果不佳的问题,提出使用深度卷积网络自动学习有效特征并进行分类的头部姿态估计方法。首先,利用DCNN非线性映射和自动提取图像结构信息的能力,设计一个深度卷积网络实现对姿态鲁棒特征的提取;然后再将提取的特征用于分类器训练并最终实现头部姿态估计。在Pointing’04和FacePix数据库上的测试结果表明,本文设计的深度卷积网络能有效的进行特征学习,避免了人工设计特征的不足,与现有的基于人工设计特征方法相比,本文方法在两个数据库上达到的预测平均绝对误差分别为4.05〫和2.04〫,充分证实了本文算法的稳定性和可靠性。    

13.  复杂环境下基于多特征决策融合的眼睛状态识别  被引次数:1
   秦华标  李雪梅  仝锡民  黄宇驹《光电子.激光》,2014年第4期
   针对常用图像特征容易受到复杂光照、头部运动等因素的影响导致眼状态识别算法的准确率降低的问题,本文在对多种红外条件下眼睛图像特征进行分析研究的基础上,选择具有旋转不变性和尺度不变性但对光照敏感的伪Zernike矩特征、简单并有效但对轮廓提取有较高要求的复杂度特征和对光照不敏感但容易受到头部运动影响的HOG特征作为眼状态识别的特征,提出了一种基于多特征决策融合的眼状态识别算法。首先建立上述3种特征相应的支持向量机(SVM)分类器,然后利用自动权值学习算法得到3个特征分类器的决策权重,最后综合利用不同特征的性能特点对3个分类器的识别结果进行决策融合从而得到最终识别结果,提高了眼状态识别算法的鲁棒性。实验结果表明,本文算法能够较好克服光照和头部运动对眼睛状态识别的影响,识别准确率达到91.9%。    

14.  基于AMR传感器的行驶车辆检测分类算法*  被引次数:1
   周丰  王明哲  倪枫《计算机应用研究》,2010年第27卷第7期
   深入研究了各向异性磁阻(AMR)传感器的数据采集原理及特征波形向量提取方法,提出基于AMR传感器及加权欧氏距离的车辆分类识别算法。道路车辆检测实验数据显示,与感应线圈车辆检测法及视频车辆检测等方法相比,该检测方法基本不受环境路况天气等外在因素的影响,满足长期稳定精确等车辆检测的要求,同时在性能、成本、寿命、实时性、维护和升级等方面整体上有较大的优越性。    

15.  跟踪机器人识别运动人体装置的实现方案  
   杜森森  韦巍  洪永潮  杜兴伟《电视技术》,2005年第11期
   提出了一种跟踪机器人的人体识别方法。通过提取目标人的衣服色彩及轮廓特征,能够从自由背景中识别出目标人,并通过动态更新的方法提高基于普通摄像机的人体运动分析系统对环境的适应性。应用结果表明,这种方法不受亮度影响,鲁棒性强,识别率高。    

16.  基于特征融合的AGV小车图像数字识别方法  
   张立  周泽魁《机电工程》,2007年第24卷第4期
   针对自动引导车上的图像数字在识别时受现场环境影响大的缺陷,提出了一种基于特征融合的自动引导车图像数字识别方法,它将各工位图像数字归一化处理后,提取灰度信息、改进的穿越线特征等特征量进行特征融合计算,并输出最后结果。现场运行实验表明:在有噪声的情况下,该方法不仅能够提高图像数字的识别率,并且对由环境影响所导致的图像数字局部污染与残缺具有很好的鲁棒性。    

17.  基于BOW-HOG特征的活塞裂纹在线识别研究  
   陈睿  刘震涛《机电工程》,2019年第5期
   为解决疲劳模拟台架试验中裂纹在线识别问题,应用并改进了基于BOW-HOG特征的机器学习方法,采用HOG特征提取方法提取了多种形态的裂纹特征。通过词袋模型和k-means聚类方法生成了裂纹的特征描述词典,以旋转、对称的增强训练方法改善了方向保持性,以图像金字塔的方式改善了尺寸保持性;采用联合灰度级分布图像差分法提取了图片感兴趣区域,以支持向量机作为分类器实现了复杂化环境下的活塞裂纹在线识别功能。试验及研究结果表明:改进后BOW-HOG算法准确率达到84.1%,表现出了良好的尺寸和旋转保持性,消耗更少的计算资源,显著提高了训练样本较为有限和复杂情况下的裂纹识别算法的准确率和鲁棒性。    

18.  基于PSO-IFCM的遮挡车牌车辆识别  
   浦雅雯  刘万军  姜文涛《计算机工程》,2012年第38卷第14期
   针对智能交通系统中车辆类型自动识别问题,利用车辆面积、车窗位置和车轮位置3个特征,实现车辆类型的快速分类识别。对聚类中心初始化和模糊聚类算法进行改进,提出基于粒子群优化的改进模糊C均值算法(PSO-IFCM)的识别方法,用于车牌遮挡情况下的车辆识别。实验结果表明,PSO-IFCM算法具有较好的鲁棒性。    

19.  基于能量图像的目标识别方法  
   李宇成  宋燕辉  欧晓丹  田震《计算机工程与设计》,2012年第33卷第3期
   提出了一种基于AdaBoost算法,利用能量图像进行目标分类的算法.该算法通过灰度图像创建能量图像,并将能量图像作为样本进行机器的集中学习,实现对骑车人、行人和车辆目标的分类识别.根据待检测目标的能量分布,构建了能描述目标的典型特征,并以检测区域的能量差异作为其特征值.重点讨论了骑车人和行人的分类识别问题.实验结果表明,所提出方法对本课题中的特定目标具有较好的识别率,并具有较强的鲁棒性.    

20.  用于内河船舶目标检测的单次多框检测器算法  
   王言鹏  杨飏  姚远《哈尔滨工程大学学报》,2019年第7期
   针对传统目标检测算法在内河水运环境受外界条件影响过大的问题,本文提出了基于单次多框检测器的内河船舶目标检测方法。单次多框检测器模型基于卷积神经网络,使用全图各个位置的多尺度区域特征进行回归,使图像可以直接作为网络的输入,避免了由于波浪、树叶晃动等外界因素产生的误检。同时,对于内河船舶样本不足的问题,应用样本增强和迁徙学习的方法训练船舶目标检测的网络模型,有效缓解了训练过程中的过拟合现象,取得了较好的检测效果。经内河不同地区的多组船舶视频检测表明:此方法具有更好的鲁棒性和更低的误检率,船舶的识别率均超过了90%,比传统的背景建模算法提高16%以上。    

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