基于卷积神经网络的验证码识别

针对传统验证码识别受字符分割限制的问题,将卷积神经网络应用到验证码的特征分析和识别中。使用验证码图像整体作为输入,对传统的LeNet-5的网络结构进行改进,构建一种端到端的卷积神经网络对图像由低级到高级逐层提取图像特征,选取ReLU作为激活函数,实现对验证码的识别。实验过程中设置对照组,研究不同因素对识别准确率的影响。测试结果显示,该模型能够进行端到端的识别,避免了字符分割方法流程过多导致的不足,在测试集上达到99%的识别率。结果表明训练次数的增加以及学习率的优化有助于提高卷积神经网络的准确率。     

基于卷积神经网络的人耳识别研究

在分析人耳生物特征及其识别方法的基础上,提出了一种基于卷积神经网络的人耳识别方法.该方法直接提取人耳的图像特征,利用两次特征提取分类识别,在不同角度变化和不同维数情况下,嵌入维数越大,降维后所保留的特征信息越多,识别概率越大;维数的变化对于CNN识别没有任何影响.实验结果表明,该方法在人耳姿态变化时能够保持良好的识别概率,对人耳识别角度变化具有较好的鲁棒性.     

基于改进卷积神经网络的手写体识别研究

针对卷积神经网络层数设计和参数优化问题,改进和测试了LeNet-5模型。通过MNIST字符库,分析了卷积层参数滤波器数量、核大小、池化方法、激活函数和网络学习速率等对机器手写体识别性能的影响。实验结果表明,改进后的网络结构简单,预处理工作量小,可扩展性强,识别速度快,识别率达到0.993 9,有效缓解了过拟合。     

基于卷积神经网络的道路拥堵识别研究

为解决城市道路日益严峻的拥堵问题,结合深度学习和图像处理技术,提出了一种基于卷积神经网络的道路拥堵检测方法.此方法相对于传统机器视觉方法,无需前期提取道路背景,不受光照亮度和实际环境的影响,具有识别速度快、占用计算资源少、泛化性好等特点.现已在实际项目中得以应用,并取得了较好的效果.     

基于卷积神经网络的电子鼻分类识别

在混合气体识别的研究中,针对目前电子鼻应用于化工污染物种类监测时难以达到理想精度的问题,提出了一个基于卷积神经网络的气体分类识别算法.首先利用卷积神经网络的自适应特征提取能力,有效降低原始数据对后续操作的影响;其次进行多次实验训练,对卷积神经网络进行参数优化,提高网络模型性能;最后将提出的卷积神经网络算法与BP神经网络算法分别应用于加州大学公开数据集中一氧化碳和乙烯混合气体的实验数据中.实验结果表明,卷积神经网络算法对此数据集的气体种类检测准确率达到93%,比BP神经网络算法应用于气体识别时精度更高、误差更小,为电子鼻系统气体种类检测提供了一种新的方法.     

基于卷积神经网络的木材缺陷识别

跨层卷积神经网络模型由输入层、两个交替的卷积层、池化层、全连接层和输出层组成。池化层输出到全连接层,将网络的高层次特征和低层次特征相结合构造分类器。在网络中加入Dropout技术,以防止过拟合的发生。     

基于卷积神经网络的木材缺陷识别

为提高木材缺陷识别率,提出一种基于卷积神经网络算法的识别方法。采用渐近式学习方法来确定训练样本数目,给出了对应的网络结构,降低了算法消耗的时间。试验结果表明,该方法无需对图像进行复杂的预处理,能识别多种木材缺陷,精度较高且复杂度较小,具有很好的鲁棒性,也克服传统算法的诸多固有缺点。     

基于卷积神经网络的手写数字识别

在LeNet-5模型的基础上,改进了卷积神经网络模型,对改进后的模型及网络训练过程进行了介绍,推导了网络模型训练过程中涉及到的前向和反向传播算法。将改进的模型在MNIST字符库上进行实验,分析了卷积层不同滤波器数量、每批数量、网络学习率等参数对最终识别性能的影响,并与传统识别方法进行对比分析。结果表明:改进后的网络结构简单,预处理工作量少,可扩展性强,识别速度快,具有较高的识别率,能有效防止网络出现过拟合现象,在识别性能上明显优于传统方法。     

基于混合卷积神经网络的花卉种类识别研究

花卉种类识别属于植物分类的重要分支之一,有着很高的研究和应用价值。但是,目前的花卉识别方法普遍存在着时间长、准确率较低的问题。针对这些问题,本文以花卉图像作为研究对象,首先选择Gabor滤波器对花卉图像进行纹理分析,然后采用改进后的LeNet-5和GoogLeNet神经网络模型对处理后的花卉图片分别进行特征提取,并对得到的两个不同的特征向量进行特征融合,以此进行花卉种类的识别和模型训练。为了验证模型的优劣,使用Tensorflow框架对实验进行仿真,基于混合卷积神经网络无论在泛化能力还是拟合能力上都有显著的提高。     

基于约束卷积神经网络的轿车款式识别

为了对车辆款式和型号进行分类筛选,降低侦查人员的劳动强度,提出了一种用约束卷积神经网络实现轿车款式识别的方法,相比车辆类型识别更为精细。首先通过测试进行正面"车脸"的识别,然后尝试整车车身(并带有部分背景)的识别。测试结果表明,对于包含部分背景内容的整车车身识别,在卷积神经网络中添加约束条件后,误识别率有4.06%的降幅,从而验证了该方法的有效性。     

基于局部特征的卷积神经网络车灯识别

为了解决车辆管控工作中出现的肇事车辆逃避交通监管的问题,对数据集处理方式和局部特征的车型分类算法进行研究.首先,以AlexNet网络为基础分析了各个网络结构对于输入图片的敏感程度,从网络层数和卷积核尺寸上进行网络优化得出IM-AlexNet网络.然后,使用数据增强方式处理后的自建数据集,训练IM-AlexNet分类模型网络.最后,在HOG-SVM、GoogleNet和VGG16三种模型上进行对比实验并分析.实验结果表明:IM-AlexNet网络在验证集上准确率达到96％左右,损失值低于0.2,训练速度达到3 s/step.在混淆矩阵中IM-AlexNet网络模型总体准确率达到69％,完成了局部特征对车型分类的实验,分类准确率大大提高.     

双通道卷积神经网络人脸表情识别

将卷积神经网络的单通道全连接层改为双通道,构建并训练了一个新的双通道卷积神经网络模型以增强模型的特征表达能力。在全连接层用Maxout激活函数代替传统的ReLU激活函数以优化网络内部结构。在网络训练过程中,采用A-Softmax损失,使卷积神经网络能够学习角度判别特征。改进后的卷积神经网络模型在FER2013数据集上准确率为73.6%。     

基于卷积神经网络的驾驶员不安全行为识别

提出了一种基于卷积神经网络的驾驶员违规行为识别方法。首先，利用特定卷积神经网络对驾驶员的实时图像提取特征，然后并行对多种行为分别进行二分类。建立了一个真实场景下的驾驶员违规数据集，在此数据集上的测试说明了该方法的高效和良好的泛化能力。实验结果表明，该方法在约10万张图像的数据集中对打电话、吸烟、不系安全带3种行为分别达到了99.85%、99.62%、98.68%的识别率，同时使用当前较先进的Inception-v3和Xception模型测试，也获得了类似的识别效果。     

基于改进AlexNet卷积神经网络的手写体数字识别

为了提高手写体数字的识别率,在AlexNet网络模型的基础上进行改进,引入Inception-resnet模块替换模型中的Conv3和Conv4来提升模型的特征提取能力;使用批归一化处理（BN）方法加快网络的收敛速度,防止过拟合;减少卷积核的数量,提升网络的训练速度。在MNIST数据集上进行训练与测试,实验结果表明改进的网络模型具有较高的检测精度,达到了0.9966,证明了本算法的有效性。     

基于卷积神经网络视觉融合的动态手势识别

为了提高多帧视频序列中动态手势的识别效果,结合计算机视觉分析,提出了基于卷积神经网络视觉融合的动态手势识别方法.采用模糊数据多频谱方法进行多帧视频序列中动态手势视觉图像采集,对采集的图像用Harris角点检测和多传感识别方法进行多模状态分层特征点标定,用卷积神经网络视觉融合方法提取多帧视频序列中动态手势动作的边界轮廓特征点信息,分析多帧视频序列中动态手势的层次化分割特征,用图像分割和边缘信息增强方法,提高动态手势图像的分辨能力,结合角点优化检测技术,用视觉动态跟踪分析实现对手势动作特征点的自动化标定,根据动态手势的帧点分布规则实现多帧视频序列中动态手势动作图像的自适应特征检测和识别.仿真结果表明,采用该方法进行多帧视频序列中动态手势识别的准确性较高、实时性较好.     

基于更快区域卷积神经网络的多视角船舶识别

针对在复杂海洋环境下采集船舶多视角图像难度大、不同视角下船舶外观差异显著的问题，本文以自制的不同类型的多艘船舶的多视角图像为数据集训练更快区域卷积神经网络模型，利用平均F₁分数、平均精度和平均误检率作为评价指标评估更快区域卷积神经网络模型对不同视角船舶的识别性能，并通过识别不同船舶的F₁分数和误检率分析更快区域卷积神经网络对不同质量、背景图像的识别能力。实验结果表明，更快区域卷积神经网络识别多角度船舶的平均F₁分数为0.696 9，平均精度为92.88%，平均误检率为8.34%，即更快区域卷积神经网络对多视角船舶有较高的识别能力，但对于有雾或昏暗环境下的低像素图像识别能力明显下降。     

基于多任务和卷积神经网络的业务识别算法

针对以低识别率对业务进行较高精度分类问题,提出了一种结合多任务学习和卷积神经网络(Multi-Task Learning and Convolutional Neural network,MTL-CNN)的网络业务识别算法,将业务分类重新构建为多任务学习框架,令业务类别作为主任务,带宽需求和持续时间作为辅助任务,3个任...     

基于卷积神经网络面向自然场景建筑物识别技术的移动端应用

由于自然场景中背景噪声的存在,以及光照、旋转、拍摄角度等复杂因素的干扰,使得自然场景中对建筑物的图像识别难度较大.针对传统建筑物提取方法对人为设计的依赖,以及对建筑物边缘特征提取算法的改进,基于卷积神经网络(convolutional neural networks,CNN)对自然场景中地标建筑物进行分类的图像识别技术,以及将CNN模型移植到移动端实现复杂场景的快速识别的现实需求,通过Keras框架获取MobileNet瓶颈层后加入新的分类器进行迁移学习,对输入图片进行大量的图像增强技术和测试集增强技术,经过3个阶段的迁移学习,480次迭代后在3个测试集上分别达到98.2%、95.6%、97.2%的准确率.相比其他的特征提取算法,CNN具有平移不变形以及自动提取等优点,在较短的时间内获得较高准确率的同时,MobileNet的权重仅有15.3 MB,兼顾计算量和精度,可以广泛移植到移动端设备.基于模型移植的移动端系统兼具拍照识别、相册识别、菜单展示等功能,为移动平台用户提供一个方便简捷的工具来快速准确地判断自然场景中建筑物的信息.