基于最小二乘原理的牛眼虹膜分割方法

近年来,动物虹膜识别有成为一种新的动物标识技术的趋势,对于肉类食品安全控制具有潜在的应用价值.提出了一种基于最小二乘原理的牛眼虹膜分割方法,根据牛眼虹膜的结构特征,利用最小二乘原理分别进行内外椭圆拟合.内椭圆利用牛眼瞳孔的边缘直接拟合;外椭圆通过在牛眼虹膜外边缘点中随机选择若干个边缘点来拟合,避免了外边缘点的噪声影响,然后通过计算外边缘点和拟合外椭圆间的距离来寻找最合适的外椭圆;最后通过几何方法进行牛眼虹膜归一化.实验结果表明,该方法与其他传统算法相比,运算速度快,具有较好的拟合精度.     

基于代数距离的椭圆拟合的优化及应用研究

鉴于传统的椭圆拟合算法容易受噪声的影响,本文提出了一种基于代数、几何距离和RANSAC算法的最小平方中值的椭圆拟合方法。方法先采用线性变换对原始数据进行预处理,在得到处理后的离散点后,最小化椭圆和离散点之间的欧氏距离,采用五边形的方法对筛选出的不同点集进行测试,最后确定出椭圆的5个参数,拟合出最终的椭圆图形。仿真实验和实际图像的拟合结果表明,方法可以快速地对星体进行拟合和识别,对噪声具有一定的抵抗力,具有良好的准确性和鲁棒性。     

视觉测量中椭圆自动检测与定位方法

针对视觉测量中椭圆目标的检测效率与定位精度较低的问题,提出一种高效的椭圆识别与定位方法。该方法利用回光反射控制点的强反射特性,提取目标的边缘信息,对连续的边缘进行分组,利用椭圆长轴信息对每组边缘数据进行椭圆识别,采用基于变量含误差模型的椭圆拟合方法,实现椭圆目标中心的精确定位。实验证明,该方法具有快速、自动化、定位精度高、鲁棒性好等优点,在视觉测量中具有广泛的应用前景。     

结合PCA与HEIV的椭圆目标检测算法

提出结合主元变换与异方差变量含误差模型的椭圆识别与定位方法。根据椭圆长轴对应于椭圆主元方向的特点,利用主元变换法将目标边缘数据变换到主元坐标系,给出新的椭圆轮廓度误差评定方法,将变换后数据点集的椭圆轮廓度误差作为椭圆识别的依据,采用基于异方差变量含误差模型的拟合算法获取椭圆的中心坐标。该方法将任意椭圆转化为标准型椭圆,简化了识别过程,考虑到椭圆数据点的异方差特性,提高了椭圆的定位精度,在噪声方差为0.05情况下,定位精度小于0.04 pixel。     

虹膜分割中的噪声检测

针对虹膜图像中的眼睑、眼睫毛和光斑等噪声影响虹膜识别性能,提出一种虹膜分割中的噪声检测方法,在数学形态学的基础上,该方法采用边缘检测与最小二乘法相结合的方法拟合确定眼睑遮挡部分,利用阈值法来检测上眼睫毛和光斑.实验结果表明,该方法可准确而有效地在虹膜分割中检测和剔除这些噪声,是一种有效和可行的虹膜图像噪声检测算法.     

偏振光实时定位的标识线导航路径图像识别

针对传统方法存在图像噪声免疫性弱、识别偏差大、导航路径实时性较差的问题,提出基于偏振光实时定位的标识线导航路径图像识别方法.通过选取四个偏振光的偏振方向向量、时间信息、太阳方向向量判定方式与地磁信息,获取当地的地理坐标,完成偏振光实时定位.采用中值滤波技术实现图像的降噪与边缘处理,通过目标、背景区域与整体路径图像的关系,利用Otsu方法在直方图灰度变化区间内选取一个阈值,令该阈值满足类内方差极小、类间方差极大的条件,从而获得最佳阈值.再使用架构的判定函数验证阈值,根据抽行扫描法获得标识线的中心像素方位,并对其拟合,最后依据数学形态学实现对标识线的有效识别.实验结果表明,所提方法可以有效去除图像中存在的噪声点,在路径识别中能有效识别出各类标识物,识别效果较好.     

基于随机采样一致性算法的平面匹配方法

针对传统的平面图像标定点匹配算法计算量大、准确性不高等问题,提出一种基于随机采样一致性(RANSAC)算法的快速高精度的平面图像标定点匹配方法。该方法首先基于双圆锥曲线模型,借助于椭圆边缘点附近的梯度信息求取椭圆的切线,由切线集合拟合出椭圆参数,并利用这些参数计算出椭圆圆心,即图像上的标志点;然后用RANSAC随机采样算法对标定板上的点和图像上的点进行匹配。实验验证该方法实现起来简单并且有较高的准确率。     

基于序列图像的实时人流检测与识别算法研究

针对可见光下人流检测、识别算法中存在的运动目标分割准确率低、识别效果差等问题,提出一种新的跟踪与识别方法.首先利用序列图像中运动目标时空一致性,将帧间二阶差分(SODP)与边缘检测相结合进行运动目标分割;再根据行人运动模型和运动目标局部性特征,通过粗采样方法快速提取跟踪特征向量;利用运动目标轮廓投影比、形状因子等特征分量,并构造基于人工神经网络的运动目标分类器进行识别.通过对大型商场进行的实际测试表明:该方法在运行效率、识别准确率方面均取得满意结果.同时,算法对于光线、阴影和人流变化等外界因素的影响,具有较强适应性.     

Zernike矩和曲率的圆形中心亚像素定位

提出了一种基于Zernike矩和曲率不变的圆形标记椭圆图像中心的亚像素精确定位方法。首先采用多结构元多尺度形态学边缘检测算子提取椭圆图像的像素级边缘并滤除噪声,其次构造出椭圆图像的Zernike矩求解模型并结合曲率不变性计算出椭圆的亚像素边缘,最后利用最小二乘拟合对椭圆中心进行精确定位。实验结果表明：该方法具有计算速度快、定位精度高的优点,可用于高精度视觉测量。     

一种用于交通标识分类的形状识别算法

交通标识分类是交通标识识别系统的基础环节,而交通标识形状识别是交通标识分类的核心部分.对交通标识进行了研究,将交通标识分为禁令标识、警告标识和指示标识3大类分别进行分析,提出了一种利用边缘走势统计特征反映目标形状特征的新算法,并将其与BP神经网络相结合用于交通标识形状的识别.首先利用颜色信息实现交通标识区域分割,随后记录交通标识的边缘走势并统计比例,最后使用BP神经网络进行分类,实现交通标识形状的识别.该算法对不同倾斜角度和不同拍摄角度的交通标识图像均具有很好的识别效果和识别速率.     

增强边缘梯度特征局部量化策略驱动下的车标识别

目的 车标是车辆的显著性特征,通过车标的分类与识别可以极大缩小车辆型号识别的范围,是车辆品牌和型号识别中的重要环节。基于特征描述子的车标识别算法存在如下缺点：一方面,算法提取的特征数量有限,不能全面描述车标的特征;另一方面,提取的特征过于冗杂,维度高,需要大量的计算时间。为了提取更加丰富的车标特征,提高识别效率,提出一种增强边缘梯度特征局部量化策略驱动下的车标识别方法。方法 首先提取车标图像的增强边缘特征,即根据不同的梯度方向提取梯度信息,生成梯度大小矩阵,并采用LTP（local ternary patterns）算子在梯度大小矩阵上进一步进行特征提取,然后采用特征码本对提取的特征进行量化操作,在确保车标特征描述能力的同时,精简了特征数目,缩短了局部向量的长度,最后采用WPCA（whitened principal component analysis）进行特征降维操作,并基于CRC（collaborative representation based classification）分类器进行车标的识别。结果 基于本文算法提取的车标特征向量,能够很好地描述车标图像的特征,在HFUT-VL1车标数据集上取得了97.85%的识别率（平均每类训练样本为10张）,且在识别难度较大的XMU车标数据集上也能取得90%以上的识别率（平均每类训练样本为100张）,与其他识别算法相比,识别率有明显提高,且具有更强的鲁棒性。结论 增强边缘梯度特征局部量化策略驱动下的车标识别算法提取的特征信息能够有效地描述车标,具有很高的识别率和很强的鲁棒性,大大降低了特征向量的维度,提高了识别效率。     

基于可变形部件模型的台标识别方法

背景变化复杂、部分台标相似度高、拉伸变形等因素增加了台标识别的难度,降低了识别的准确率。为此,本文提出了一种鲁棒的基于可变形部件模型的台标识别方法。首先,依据台标特性,利用合适的颜色特征对可变形部件模型的特征进行了改进和增强。其次,利用隐式支持向量机和隐式线性判别分析技术加速台标识别模型训练。然后,为了弥补可变形部件模型的不足,设计了一种基于加权部件的计算方法。最后,提出一种新的可靠机制进行准确率评价。实验结果表明,与基于方向梯度直方图和支持向量机的识别方法相比,该方法具有更高的识别准确率,性能更加稳定。     

抗模糊特征提取策略下的车标识别

目的 现有的车标识别方法尽管取得了不错的识别效果,但最终的识别率容易遇到瓶颈,很难得到提升。车标识别是智能交通系统中至关重要的一部分,识别率的微小提升也能带来巨大的社会价值。通过挖掘与分析车标识别中潜在的问题和难点,发现未能得到正确分类的图像大部分为模糊车标图像。针对车标图像中存在的成像模糊等情况,本文提出一种基于抗模糊特征提取的车标识别方法。方法 构建车标图像金字塔模型,分别提取图像的抗纹理模糊特征和抗边缘模糊特征。抗纹理模糊特征的提取使用局部量化的LPQ（local phase quantization）模式,可以增强原始特征的鲁棒性,抗边缘模糊特征的提取基于局部块弱梯度消除的HOG（histogram of oriented gradient）特征提取方法,可以在描述车标图像边缘梯度信息的同时,提升特征的抗模糊能力。最后利用CCA（canonical correlation analysis）方法进行两种抗模糊特征的融合并用于后续的降维与分类。结果 本文方法在多个数据集上均取得了很好的识别效果,在20幅训练样本下,本文方法在公开车标数据集HFUT-VL（vehicle logo dataset from Hefei University of Technology）上取得了99.04%的识别率,在本文构建的模糊车标数据集BVL（blurring vehicle logo dataset）上也取得了97.19%的识别率。而在难度较大的XMU（Xiamen University vehicle logo dataset）上,本文方法在100幅训练样本下也达到了96.87%的识别率,识别效果高于一些具有较好表现的车标识别方法,表现出很强的鲁棒性和抗模糊性。结论 本文方法提高了对成像质量欠缺的车标图像的识别能力,从而提升了整体识别效果,更符合实际应用中车标识别的需求。     

融合渐进训练策略的logo图像分类

经济全球化赋予了logo巨大的商业价值,随着计算机视觉领域的发展,为logo分类与识别提供了更广阔的应用领域.本文针对logo图像的分类识别,为了提高模型对logo图像分类的能力,基于logo图像整体特征不显著且数量众多的特点,提出了用细粒度图像分类的方法渐进式多粒度拼图训练(progressive multi-granularity training of jigsaw patches, PMG-Net)对logo图像数据集进行分类.通过拼图生成器生成包含不同粒度信息的输入图像,再引入渐进式多粒度训练模块融合不同粒度的特征,融合后的特征更注重图像之间的细微差别,使logo图像分类的效果有显著提高.在提取输入图像特征时采用LeakyReLU (leaky rectified linear unit)激活函数保留图像中的负值特征信息,并引入通道注意力机制,调整特征通道的权重,增强特征信息指导能力以改进模型的分类效果.实验结果表明,本文在logo图像数据集上的分类精确率优于传统的分类方法.本文通过融合多粒度特征的渐进训练策略以及随机拼图生成器的方法实现了对logo图像的高效分类,为解决lo...     

叶片基元叶型椭圆形前缘拟合方法

针对叶片基元叶型建模时对前缘的椭圆形转接需求,采用最小二乘法获得椭圆初始参数值,基于此参数引入改进粒子群算法进一步求解,以点到椭圆垂直距离作为目标函数,建立椭圆参数优化数学模型,从而提高拟合精度。基于上述研究结果,利用VC++软件及UG平台完成前缘椭圆拟合,实例表明,对于数据点集中分布于一侧且存在大量噪声的情况,该方法与最小二乘法相比能获得更高的拟合精度,且响应时间符合设计需求。     

YOLOv5定位多特征融合的车标识别

为解决智能交通系统中车标识别的问题,提出YOLOv5s网络车标定位多特征融合的车标图像识别方案。车标定位阶段选择YOLOv5s网络以满足对车标定位速度与精度等的需求。车标识别阶段通过调整扩展高斯差分中的参数得到具有不同效果的车标边缘,设计一组二维Gabor滤波器对边缘检测后的车标图像进行滤波处理并提取出对应的车标图像特征向量,通过计算待测车标图像特征与标准比对库中特征向量的欧几里德距离,取距离最小者对应的标签索引作为分类识别结果,该方案的最佳识别正确率为96.91%。采用随机森林算法进行分类后的最佳识别正确率可达99.33%。该方案的车标定位与识别最佳整体正确率超过了YOLOv5s网络直接一步到位识别车标的方案,且相较于传统图像处理方法有明显提升。     

Smart learning of logo detection for mobile phone applications

With the advance of mobile phone cameras and broadband networks, gaining access to digital information and services via logo recognition has become of high industrial interest. The fundamental subsystem for logo recognition must be a logo database, whose images link real-world information to specific corporate entities. However, few attempts have been made to create and update such a logo database, i.e., how to automatically collect the latest logos. Moreover, the few existing methods are limited in their application and unattractive in terms of logo detection accuracy and performance overhead. In this article, we describe a practical system for automatic logo extraction. Websites are an optimal source of a huge number of up-to-date logos, and experts can easily find logos from webpages without rendering. For instance, an expert can locate elements with the term “logo” using the websites’ entity names as attribute values, and then download images connected to them. Our system mimics this human behavior to automate logo extraction. Given a website, it learns its entity name and uses that name to locate elements that lead to the logo. Evaluation tests showed that this contextual reasoning significantly contributes to the performance of the system, which achieved high precision with negligible overhead.     

使用广义正交概念的K-RANSAC椭圆提取

开发了一个使用广义正交概念的K-RANSAC椭圆提取算法.该算法通过使用广义正 交概念,成功地把圆的所有性质推广到椭圆;通过仿射变换把水平-垂直种子点对一般化为任意 种子点对情况;通过对边缘点集的归一化运算,有效地正则化了提取椭圆的边缘点集的病态性; 并通过直接估计椭圆参数的广义本征分析技术,进一步提高椭圆的可检测性和拟合精度.理论 分析和实验结果表明,所开发的椭圆提取算法具有鲁棒性强、适用范围广、精度高、速度快等 优点.