基于Hu矩的主成分分析特征目标识别技术算法设计与实现

详细介绍Hu矩,实现结构矩的离散化计算,然后测试Hu矩在对图像加入不同程度模糊下的特征继承性.根据Hu矩的平移、旋转和缩放不变性,设计基于主成分分析的特征目标识别算法.将基于主成分分析的快速匹配算法和基于Hu矩的图像特征识别算法结合,实现了良好的特征辨识和匹配效果.     

图像的不变矩特征及NMI特征研究

图像识别的方法及其技术实现系当前模式识别研究领域中最为热门的研究课题之一。本文针对NMI（归一化转动惯量）特征识别和仿射不变矩特征识别二种图像特征识别方法，通过实验分析该二种识别方法在旋转不变性、缩放不变性、随机噪声不变性上的差异。实验数据显示NMI特征识别方法在三种情况中均具有最佳的不变性特征。     

一种基于小波矩的图像识别方法

研究了一种基于小波矩的图像目标平移、缩放和旋转不变特征提取算法,将不变特征提取算法与BP神经网络结合,组成一个图像识别系统.目的在于提高图像处理的质量,这种方法有更好的实用性.在这个系统中,利用小波矩不变量不仅可以得到图像的局部特征,还增加了对图像结构精细特征的把握能力强的优点,把提取的图像目标平移、缩放和旋转不变特征馈人BP神经网络,完成有监督的不变性模式识别.在实验中,利用该方法对无噪、有噪图像,特别是相似物体图像进行识别,可获得98％的正确识别率;并且将其与一般不变矩特征的算法获得的实验数据进行了对比分析.实验结果表明,该方法在图像识别准确率和抗噪性能上都有较大的提高.     

基于Zernike矩的人体行为识别

为了保证特征提取的有效性,更完备地描述人体行为序列,提出了一种基于Zernike矩的人体行为识别方法.该方法利用规范化的运动历史图像(MHI)进行图像序列的表示,从中提取出基于Zernike矩的统计描述作为特征向量进行识别.同时,提出了一种利用图像的重建过程确定分类时采用的Zernike矩的最高阶次的算法.实验中,对8类不同的人体行为进行了测试.应用Zernike矩特征的分类精度高于用规则矩和Hu矩作为特征的方法,证明了基于Zernike矩的人体行为识别方法的有效性.     

基于伪Zernike矩的图像自适应RST不变水印

针对旋转、缩放和平移等几何攻击能够破坏水印检测的同步性，容易使常规水印算法检测失败的问题，利用图像伪Zernike矩的幅度具有旋转不变的性质，结合奇偶量化，提出了一种图像自适应旋转、缩放和平移不变水印算法．首先计算图像的伪Zernike矩，选取适宜于生成水印的矩，再对所选的矩幅度进行奇偶量化生成自适应水印序列．检测时，利用归一化汉明函数判断水印的相似度．实验结果表明不变水印算法可以抵抗任意角度旋转攻击和缩放攻击．对JPEG压缩，噪声，滤波等常规攻击，提取水印的相似度均在0.95以上。     

基于几何不变矩的交通标志识别

以警告交通标志图像为研究对象,首先采用Hu不变矩来提取交通标志图像特征,然后利用最小矩距离法和相关系数法对交通标志进行识别。实验结果表明,该方法具有很好的识别能力,对旋转、缩放后的图象可以达到较高的识别率,基于Hu不变矩的几何特征提取算法在图像识别中的应用是非常有效的。     

不变矩算法的改进与人耳识别技术

由于人耳识别具有不受表情、化妆等影响的独特优势,研究了人耳识别特征技术,对不变矩算法进行了改进,获得6个改进的高阶不变矩特征向量。分别用两种算法对人耳图像进行识别处理,比较两种识别结果。改进后不变矩算法的高阶不变矩具有平移、旋转不变和尺度缩放不变的特性。采用BP人工神经网络对60只人耳图像进行识别验证,正确识别率达到91．8％。     

不变矩及其在基于形状特征图像检索中的应用

提出一种快速有效推导不变矩的方法--三角函数生成法,并在此基础上描述了一种基于Hu形状不变矩的图像全局形状特征提取方法和算法.实验结果表明,使用这种算法提取的形状特征向量具有对平移、旋转和尺度变化的不变性,适合于进行图像形状的检索.     

基于不变矩算法的行人识别方法研究

行人识别对于智能辅助驾驶和智能车辆至关重要.采用一种基于不变矩算法的行人特征提取和识别方法,通过利用不变矩在目标平移、旋转和缩放的不变性,在HU不变矩基础上添加3个表达式,使不变矩包含更多的细节特征,将其作为行人目标的识别特征,利用支持向量机分类器作为主要手段对不变矩进行分类识别,并分析影响识别效果的影响因素.试验结果表明,选择改进的不变矩作为行人特征具有较好的行人识别效果,较高的识别率使行人和非行人能得到有效的识别.     

基于Zernike矩和BP网络的步态识别技术研究

步态识别以其非侵犯性,远距离识别性等优点成为视频理解领域的重要研究内容之一。文章提出了一种基于Zernike矩和BP神经网络的步态识别方法,通过步态检测及预处理,采用基于区域的Zernike矩描述子提取运动人体的行为特征,运用BP人工神经网络的方法进行匹配识别,实验结果表明这种识别方法具有较高的识别性能。     

基于正交傅里叶－梅林矩的神经网络不变性模式识别

利用移位、尺度和旋转不变特征，提出了一种基于神经网络方法的不变性模式识别．不变特性描绘子是正交傅里叶－梅林矩，它们是Ｚｅｒｎｉｋｅ矩和正交复矩的推广．网络是采用ＢＰ算法的多层前馈网络．实验表明该方法具有良好的效果．     

结合RSTC不变矩和LVQ神经网络的红外图像目标识别方法

通过分析比较红外图像的目标特征,为了达到理想的识别效果,在Maitra不变矩的基础上进行优化,选取RSTC不变矩作为目标识别的特征向量.采用LVQ神经网络建立识别模型,充分发挥神经网络的智能优势.对采集到的红外图像进行了测试实验,结果表明该方法可以提高识别效率.     

基于Gabor变换和不变矩的掌纹识别研究

提出了一种将二维Gabor变换和不变矩特征相结合对掌纹图像进行特征提取,并采用多层前向反馈神经网络进行掌纹图像训练识别的方法。该方法首先对掌纹图像进行预处理,获得掌纹感兴趣区域(ROI),然后构造一组Ga-bor滤波器从而得到ROI的特征向量,结合掌纹图像的不变矩特征共同作为神经网络的输入进行训练识别。实验表明该方法的有效性。     

小波和仿射不变矩的目标特征提取方法研究

不变矩是目标识别中重要而有效的特征提取方法。利用小波矩具有的多尺度、平移和旋转不变性进行特征提取,有较高的识别率。但当拍摄角度不同,图像发生形变,识别效果降低。针对这一问题,提出了一种将小波矩和仿射不变矩相结合用于目标特征新的提取方法,并验证本方法的鲁棒性更高,识别效果更好。     

基于不变矩的机器视觉车辆类型识别技术

针对智能交通领域汽车类型识别的应用背景，利用单目视觉开发了基于计算机视觉车辆类型识别系统；论述了单目视觉原理及特征提取的关键技术，利用不变矩及不变矩矢量在图像平移、旋转及比例变换时保持不变的特性，以其作为主要特征实现车辆类型有效识别。试验结果表明，该技术可以实现车辆类型的自动、快速和准确分类。     

基于Radon变换的矩不变量及其应用

提出了一种基于Radon变换的新的图像识剐方法。首先构造了二维图像在Radon变换空间的平移和比例矩不变量，基于该矩不变量引入整体平均技术获得了更好的抗噪效果，并根据变换空间数据的特性，提出了利用奇异值分解得到一般意义下的旋转不变量。利用不同的图像库进行识别研究，实验结果指出了两种方法的不同应用条件。’     

高鲁棒性图像显著区域提取及描述方法

针对现有的图像显著区域提取及描述方法中存在的计算复杂、鲁棒性差等问题,提出了一种新的显著区域提取和描述方法.首先,通过基于连通区域的方法提取图像中的显著区域,然后,采用不变矩描述子对区域的特征进行描述.实验结果表明,该方法能有效地提取和描述图像中的显著区域,且对平移、旋转和缩放变换具有很高的鲁棒性.