基于加权纹理特征的SAR图像目标识别算法

由于SAR图像与光学图像的显著差异,光学图像的目标识别算法并不能应用到SAR图像中,因此研究SAR图像的目标识别具有重要的意义。传统的基于模型的SAR图像目标识别算法中将所有的特征同等看待,然而不同特征对于目标分类的贡献度可能差别很大。给不同的特征赋予不同的权重,可能会改变目标在特征向量空间中的相对位置,从而给出更合理的识别结果。采用SAR图像的纹理特征作为分类特征,在支持向量机分类算法中加入使用ReliefF算法计算得到的特征权重。试验结果表明这种加权后的目标识别算法具有更高的目标识别率。     

基于轮廓分析与三阶不变矩的旋转目标定位算法

为了解决当前图像定位算法在识别旋转与缩放工件目标时,存在定位成功率不高的问题,提出了基于轮廓分析与不变矩特征的旋转目标定位算法.首先,采用自适应二值化对图像进行预处理,并遍历图像轮廓,完成轮廓序列提取与面积计算,实现对杂质干扰的排除.然后构建三阶不变矩,计算逐一计算图像轮廓序列的三阶不变矩特征,从而建立定位度函数,与模板目标的不变矩特征比较,完成对旋转缩放工件目标定位.实验测试结果表明,与当前图像定位算法相比,在面对缩放十旋转干扰时,本算法拥有更高的定位成功率与鲁棒性.     

基于时空信息的运动目标识别算法

现实场景中人们感兴趣的目标或事件往往与场景中正在移动的物体有关,使得运动目标检测往往成为许多应用中进行信息提取的关键步骤和富有挑战的问题。首先利用单应性变换作为背景运动模型,利用上一帧得到的前景掩码图限制背景运动的估算区域,提取更纯净的背景运动;其次使用具有可变学习速率的双模单高斯模型,获得不被污染的背景模型,融合运动目标的时空信息,生成前景概率图并预测下一帧的检测区域;后依据前景概率图构造自适应的前景自适应判决阈值,进行运动目标检测,并利用核密度估计进一步优化检测结果。实验结果表明,算法可以适用光照变化、复杂运动等场景,具有较低的计算复杂度,查准率、召回率和F值等指标平均提升0.52%、33.37%、20.14%。     

一种基于图像处理的目标识别算法

在未知环境中,移动机器人的同步定位与地图创建是机器人研究领域的一个非常重要的问题.作为自主机器人,能够可靠地探索未知环境中的目标或局部环境,是否具有视觉信息采集能力是非常重要的,基于尺度不变的特征变换算法(SIFT)在图像匹配与检测方面具有强大的功能.提出了一种方法来优化SIFT特征向量的维度,降低算法的复杂度,提高算...     

薄壁零件复杂光照情况下的轮廓特征识别

针对工业生产线薄壁零件识别中存在的零件轮廓识别受光照影响较大的问题,将颜色恒常性技术应用到工业生产线轮廓识别中,基于Retinex、HSI及边缘检测算法的基本原理,提出了一种薄壁零件复杂光照情况下的轮廓特征识别算法用于薄壁零件的图像恢复和轮廓识别.该方法首先使用HSI颜色空间对图像的亮度进行提取,然后利用改进Retin...     

基于ORB特征的快速目标检测算法

在动态场景运动目标检测下提出了一种新颖的快速目标检测算法,针对SURF算法不能满足实时性的需要,提出基于ORB(oriented FAST and rotated BRIEF)特征的特征点匹配算法,接着采用八参数旋转模型,结合最小二乘法求解全局运动参数进行运动补偿,最后使用帧差法来获得运动目标。在此过程中采用PROSAC(progressive sample consensus)算法来去除外点。实验结果表明,该算法不仅保持了SURF本身的优越性,而且提高了检测速度,可以实时准确的检测出运动目标。     

基于深度学习的采摘机器人目标识别定位算法

为了提升采摘机器人对果实的识别准确率以及定位定精度,提出一种基于深度学习Faster-RCNN框架的采摘机器人目标识别和定位算法。首先采用卷积神经网络VGG16模型提取输入图像的特性信息,并利用区域提议网络RPN生成含有目标的候选框,通过引入自适应候选框数的方法有效提升了算法性能,然后利用多任务损失函数对目标进行分类识别和预测框校正定位,从而得到目标在图像坐标系统的高精准度坐标,最后通过标定求解出采摘机器人手眼两个坐标系之间的映射关系,从而实现了对果实的精确识别和定位。通过对苹果的识别和定位实验结果表明：所提算法具有较高的识别度,平均精度达97.5%,且定位误差更低,最大误差仅为1.33cm,可为智慧农业发展提供有力的技术支持。     

基于超分辨成像算法的群目标识别研究

超分辨成像是一种数据自适应的成像技术,可以应用于ISAR成像的群目标识别中.目前常见的Capon等算法由于最优加权矢量的计算误差,会造成波束形成器的性能急剧下降,然而超分辨成像算法加入二次约束和子空间约束后,成像效果大大提高,并对群目标识别有着很好的效果.由常见的Capon为起点,分析超分辨成像算法的二次约束和子空间约束的优势,分别比对比稳健自适应波束形成的对角加载算法和基于特征空间的波束形成算法,最后通过仿真展示结果.     

基于无线传感器网络的声目标识别算法研究

由大量微小传感器节点组成的无线传感器网络主要用于从监测环境收集信息并做出相应的决策,研究与无线传感器网络相适应的战场目标识别算法具有重要的实际意义.针对无线传感器网络的自身特点和战场目标所辐射的声频率特性,提出了基于小波包和人工神经网络的无线传感器网络的声目标识别算法.利用小波包对声信号进行消噪处理并特征提取,然后利用神经网络分类器作最后的识别.最后实现了对该声目标识别算法的仿真.试验证明该声目标识别方法应用在无线传感器网络中是可行的.     

基于多特征融合的HL-S工件识别算法

为解决目前工业生产过程中,工件检测技术在复杂环境下特征不清晰且背景复杂情况下识别的不准确等问题,提出了一种多特征融合的HL-S(HOG、LBP特征融合-Softmax分类识别)工件识别算法。首先对获取的图片进行预处理操作,将光照较暗不均匀的图像执行Retinex图像增强,在此操作中使用双边滤波代替高斯滤波;然后进行工件的HOG轮廓特征和LBP纹理特征的提取操作,使用线性融合的方法对处理后的图像进行特征融合;最后,将所有样本数据通过Softmax分类器进行归类判别。实验结果表明,使用该方法进行工件识别,能够提高在光照条件不好情况下的识别率,大大提高了工业生产的效率。     

基于峰值特征高斯混合建模的SAR目标识别

提出了基于峰值特征高斯混合建模的合成孔径雷达(SAR)自动目标识别(ATR)识别方法。该方法首先提取待识别SAR图像及与其对应模板图像的峰值特征;然后采用高斯混合模型对两组峰值特征集进行概率建模。建立的高斯混合模型描述了峰值特征集的内在结构及变化规律。采用KL散度评价高斯混合模型的距离,最后基于待识别图像的峰值特征集与各类模板图像峰值特征集的距离大小决定目标类别。为了验证提出方法的有效性,基于MSTAR三类目标数据集进行了目标识别实验。     

基于轮廓匹配度的隔离开关三相分合闸状态同步识别算法研究

采用图像识别的方法进行隔离开关分合闸状态识别已有了部分工程应用,图像识别算法多是按照一幅图像识别一相触头配置的,工程中摄像头配置数量较多,且识别算法容易受周围环境影响。文中提出了一种基于轮廓匹配度的隔离开关三相分合闸状态同步识别算法,通过差分算法与OTSU二值化算法相结合的方法从一幅图像同步提取一组隔离开关的三相触头轮廓,计算轮廓匹配度,实现三相触头分合闸状态的同步定量识别。通过一组敞开式隔离开关三相标准的合闸过程视频对轮廓匹配度算法进行了验证,确定可以通过该算法能够实现三相触头分合闸状态的定量同步识别。     

一种基于特征融合的点特征目标跟踪算法

联合目标的颜色和纹理特征,构造了由目标的颜色和纹理特征联合表示的特征点目标表示模型,利用Mahalanobis距离构造特征点匹配函数,利用自适应kalman滤波(AKF)算法预测特征点在下一帧图像中的位置,通过特征点匹配准确定位目标,达到实时、准确跟踪的目的。实验表明,该方法对于光线变化,目标形状相似以及目标被部分遮挡时的跟踪是有效和稳健的。     

基于多特征自适应融合的目标跟踪算法

针对目标跟踪中部分遮挡及漂移问题,提出了一种基于多特征自适应融合和在线学习的目标跟踪算法。首先针对原始特征提取的相对简易性,提出了改进的特征提取方法,提高了特征的表达能力和判别能力,然后将多种特征自适应融合,最后进行在线学习。实验采用了具有挑战性的公共测试数据集PETS 2012,并用MOTP评测了跟踪性能。实验结果验证了提出算法的有效性,大大提高了复杂场景下的跟踪鲁棒性,有效地解决了部分遮挡和跟踪漂移问题。     

视觉显著性特征约束下的骨架生长算法

骨架特征在图像处理和计算机图形学等领域有着广泛的应用,而常规的骨架提取算法易受到噪声和物体自身变化的影响,使得提取的骨架难以进行后续的应用.本文提出联合离散曲线演化和弯曲度比率这两种视觉显著性特征约束下的骨架生长算法.在骨架生长过程中通过对判为结点的骨架点的邻域骨架点进行进一步的弯曲度比率约束,有效抑制了离散曲线演化约束骨架提取算法对于弯曲度较大的部位所产生的无法避免的冗余枝.通过调节保留的离散曲线演化点数以及弯曲度比率阈值,可获得多尺度的骨架.实验证明,在较大非刚体形变和轮廓噪声等干扰下,本文提出的算法仍能有效的抑制冗余骨架枝的产生,获得的骨架能够较好的表示图形中视觉重要部分.     

基于HOG特征的步态能量图身份识别算法

由于步态能量图像(GEI)是对二值轮廓图像序列相加求平均,然而,二值轮廓图像只能捕获人体轮廓的边界信息,人体的内部边界信息会被完全的丢弃掉,基于GEI算法的缺陷,提出了一种基于人体目标图像的方向梯度直方图(HOG)特征的GEI识别算法,此算法不仅能捕获人体轮廓的边界信息,而且还能提取人体重合的边界信息.获取人体目标图像的HOG特征的步态能量图,首先使用视频前景分割算法提取人体目标图像,然后提取图像序列中每帧人体目标图像的HOG特征;最后对图像序列中的每帧HOG特征图像相加求平均.在此基础上,依据GEI和HOG的思想,又实现了对传统步态能量图、二值轮廓图像序列、人体目标图像步态能量图进行HOG特征提取及直接构建人体目标图像步态能量图特征的表示,从而提出了 4种拓展的能量图构建方法,并针对这5种算法与经典的GEI算法利用CASIA步态数据库进行了实验分析对比,实验结果表明算法效果良好.     

基于多通道自适应加权融合算法的火灾特征识别

根据当今火灾探测的现状和实现火灾早期预报的需求,将多通道传感器数据融合技术应用于火灾特征识别中,选择多个传感器对火灾过程的特征参数进行监测识别,特别对火灾发生初期产生的异常信息进行全面监测,弥补了采用单一传感器的不足,扩展了时间上和空间上的监测范围.数据融合方法采用经典的自适应加权融合估计算法,配合智能判别技术,增强了火灾特征识别的可靠性.     

基于颜色和纹理特征的黄瓜病害识别算法

为了提高黄瓜叶部病害的识别效果及实用性,增强特征描述能力,提出一种新的黄瓜病害图像分割及颜色、纹理特征提取算法。首先,对自然环境中采集的病害图片进行不同颜色空间的预处理和分割,对分割结果图像进行融合处理;然后,对病斑区域提取模糊量化直方图、颜色聚合度作为颜色特征,利用颜色相似性度量函数计算颜色共生矩阵,提取病斑的纹理特征;最后,通过核主成分分析对颜色和纹理特征进行融合,去除冗余成分,利用支持向量机对病害进行分类识别。在采集的黄瓜病害实验库上进行实验,取得了94.11%的识别率。通过充分利用病害识别中占主要识别依据的颜色信息,并结合纹理信息,较好地表达了病斑特征。和其他方法的实验对比结果表明,本文方法能有效提高黄瓜病害的识别率。     

基于聚合多尺度特征的图像轮廓增强超分辨率重建算法

为了提高超分辨率重构算法对图像边缘轮廓的修复能力,消除重构图像存在伪影的问题,提出一种基于聚合多尺度特征的图像轮廓增强超分辨重建生成对抗网络。将多尺度卷积与通道注意力机制相结合,使用一次性聚合多尺度特征结构,构建多级残差模块,让生成器网络能自适应地提取特征层中的潜在关键信息,同时完成不同特征层的信息融合。定义高斯滤波卷积核与不同方向的索贝尔卷积核,构建边缘损失函数,该损失函数能加强对图像边缘轮廓信息的修复;结合全变分损失函数,减少低分辨率图像噪声对重构图像的影响,进一步提高图像轮廓信息修复能力。为了提高判别器对不同特征的自适应学习能力,在判别器中使用自适应归一化层,增强网络的收敛能力。在Set5、Set14、BSD100数据集上进行图像重构,经实验结果表明,提出的算法使重构图像的轮廓进一步加强,整体视觉质量更好。同时所提算法与超分辨率生成对抗网络(SRGAN)对比,2倍超分辨重建图像的峰值信噪比平均提高了1.696dB,结构相似性指标平均提高了0.03;4倍超分辨重建图像的峰值信噪比平均提高了1.348dB,结构相似性指标平均提高了0.033。