基于视觉识别的机器人自动抓取设备研究

利用现有的机械设计、机器人、视觉识别、自动化控制等技术,集成研发出基于视觉识别的机器人自动抓取设备。     

基于多特征融合和SVM分类器的植物病虫害检测方法

针对农业领域植物病虫害检测问题,提出一种基于高清视频图像融合特征的支持向量机(SVM)的检测方法,实现农业生产中植物病虫害的快速检测。对每幅植物叶片图像的颜色、HSV、纹理和方向梯度直方图四种特征采用基于特征包的多特征融合方法,形成特征向量,并利用SVM分类器进行训练分类。对单特征与融合特征的SVM分类器性能进行试验比较,所提出的方法具有较高的准确率。     

基于扰动方法的广义最佳鉴别矢量集求解的一种迭代算法

本文对广义最佳鉴别矢量的求解方法进行研究，根据矩阵的扰动理论，改进了郭提出的求解广义最佳鉴别矢量的一种迭代算法，提出了求解广义最佳鉴别矢量的一种新的迭代算法，本文算法的一个突出优点是随着类别数目的增加，计算时间反而缩短；而老算法随着类别数目的增加计算时间随着增加，不仅如此，新算法的识别率不劣于老算法，在ORL人脸数据库的数值实验，验证了上述论断的正确性。     

一种基于叶分量分析的带有监督信息的在线学习方法

在一些模式识别应用中,具有类属信息的样本数量较少,此时监督学习算法会遇到小样本问题,导致分类器的识别精度大幅低于预期水平.基于叶分量分析,提出一种带监督信息的在线学习方法.该方法在训练过程进行监督学习,而在模式识别阶段能够在对输入样本进行分类的同时基于这些样本进行非监督在线学习,因此实现了监督学习与非监督学习的结合.在小本量情况下,在线学习可以弥补训练阶段监督学习的不足,仍能保证获得较高的识别精度.实验证明,该方法能够有效克服小样本问题.     

一种解决大规模数据集问题的核主成分分析算法

提出一种大规模数据集求解核主成分的计算方法.首先使用Gram矩阵生成一个Gram-power矩阵,根据线性代数的理论可知,新形成的矩阵和原先的Gram矩阵具有相同的特征向量.因此,可以把Gram矩阵的每一列看成核空间迭代算法的输入样本,这样,无须使用特征分解即可迭代地计算出核主成分.该算法的空间复杂度只有O(m);在大规模数据集的情况下,时间复杂度也降低为O(pkm).实验结果表明了所提出算法的有效性.更为重要的是,在大规模数据集的情况下,当传统的特征分解技术无法使用时,该方法仍然可以提取非线性特征.     

使用迭代方法求解核主成分分析

核主成分分析方法是使用核方法将经典的线性算法主成分分析推广到高维空间,用来处理复杂非线性数据的一种常用的特征提取算法,该算法首先在高维空间中计算所有样本之间的核矩阵,然后使用特征分解技术计算核矩阵的特征解,其计算的时间和空间复杂度分别为O(m2)和O(m3).然而在大规模数据集的情况下,由于储存和计算的问题无法进行正常的求解.文中提出首先使用幂迭代方法计算核矩阵的高阶特征解,然后重复使用Schur-Weilandt收缩方法分别计算出核矩阵的其它阶特征解.文中算法在计算过程中,不需要像传统的计算方法那样需要事先存储核矩阵,空间复杂度只有O(m).通过在模拟和真实数据的实验结果充分验证了算法的有效性.     

一种求解高维数据最佳鉴别向量的新算法

针对线性鉴别分析LDA(Linear Discriminant Analysis)方法在高维人脸图像识别领域的应用,提出一种计算最佳鉴别向量的新算法,无需对高维图像数据进行降维预处理,直接计算最佳鉴别向量。算法得到的鉴别向量相互正交,与已有的算法得到的鉴别向量相比,具有更好鉴别性能。在ORL和VALID人脸数据库上的实验结果证明了本算法的有效性。     

A New Algorithm for Generalized Optimal Discriminant Vectors

A study has been conducted on the algorithm of solving generalized optimal set of discriminant vectors in this paper.This paper proposes an analytical algorithm of solving generalized optimal set of discriminant vectors theoretically for the first time.A lot of computation time can be saved because all the generalized optimal ests of discriminant vectors can be obtained simultaneously with the proposed algorithm,while it needs no iterative operations .The proposed algorithm can yield a much higher recognition rate.Furthermore,the proposed algorithm overcomes the shortcomings of conventional human face recognition algorithms which were effective for small sample size problems only.These statements are supported by the numerical simulation experiments on facial database of ORL.     

卷积神经网络在验证码识别上的应用与研究

针对日前在互联网中被广泛使用的验证码,提出将卷积神经网络引入到验证码识别之中。通过设计新的卷积网络拓扑结构,针对可分割成语验证码提出基于k-means聚类的字符分割方法,以及仿真验证码图片自生成训练集,通过预训练过程使得卷积训练网络具有良好初值,加速收敛并提高模型泛化能力;针对不可分割验证码,省去字符分割操作直接将验证码整体作为卷积模型输入,引入仿射变换、水漫填充等预处理和SVM算法二分类,或者结合多标记学习方法设计卷积拓扑等。最终实验研究证实卷积神经网络对于可分割及不可分割验证码的平均识别准确率均收敛于99%左右。     

基于块的眼睛定位方法

为了能更加有效快速地进行眼睛定位,提出了一种基于块(based on blocks)的眼睛定位新算法,该算法首先将图像二值化并划分为块,然后利用两只眼睛的相似性和眼睛对的唯一性将一系列的图像块进行匹配,并以此确定一对眼睛的位置。由于该新算法利用了两眼睛固有的位置关系与相互间的相似性,将两眼睛成对考虑,所以能检测各种角度(平面旋转)人脸的眼睛,并可得到较高的检测准确率。此外,实验显示该算法在一定程度上还能适应不同光照条件和表情变化。大量人脸图片上的实验结果表明,该算法可以可靠?快速地定位眼睛。