基于改进SIFT特征提取的车标识别

为减少SIFT车标识别算法中检测极值点的冗余以及各种图像变化因素的不利影响,提出了基于边缘约束和全局结构化的改进SIFT算法。利用图像不变矩理论及图像边缘检测算法只对目标图像的边缘区域检测,剔除与车标识别区域无关的极值点;同时将特征点邻域划分为圆形并计算出同心圆内像素点最大曲率来构建全局SIFT组合特征向量,使SIFT描述子具有全局描述特性;并结合SVM模型作为车标图像特征向量的分类器进行特征分类、识别。仿真实验结果表明:改进的SIFT算法可以减少冗余极值点约25%~45%,提高了检测极值点的有效性;使车标平均识别率达到97%以上,改善了识别实时性。改进SIFT的车标识别方法与几种常用的图像特征提取算子相比较具有识别率高、识别速度快的优点。     

基于机器视觉的汽车牌照识别

以汽车牌照的识别为例,具体研究了车牌自动识别的原理.整个处理过程分为预处理、边缘提取、车牌定位、字符分割和字符识别五大模块,用MATLAB软件编程来实现每一个部分,最后识别出汽车牌照.在研究的同时对其中出现的问题进行了具体分析和处理.寻找出对于具体的汽车牌照识别过程的最好的方法.     

基于MEB-SVM的静态手势识别研究

为了实现快速高准确率的静态手势识别,提出了一种新的支持向量机分类方法。图像分割是图像识别的基本步骤,采用彩色直方图为特征可以将手部区域从背景中分离出来;然后将得到的手部图像去除手部以外的区域,并二值化,得到手的轮廓;再用8邻域方法处理轮廓图,得到一个表示轮廓的坐标序列,再将复数序列采用傅里叶变换,从而得到一个大小、平移、旋转不变的一维矢量。最后对矢量用MBE-SVM进行分类、识别。通过这种方法完成的手势识别正确率达到了90%以上,基本实现了静态手势识别的目标。     

支持向量机在机器视觉识别茶叶中的应用研究

本文针对茶叶的感官评定分类存在主观性强和一致性差等缺点，提出了一种新的茶叶识别分类方法，该方法是在机器视觉技术定量描述茶叶的颜色特征的基础上，根据支持向量机模式识别原理分别为碧螺春、龙井和祁红等3种茶叶建立了各自的分类识别模型。在RBF核函数下，所建立的模型最佳，3个模型的回判率都达到100％；对未知样本进行验证时，模型的识别率分别为95％、90％和100％。实验结果表明，基于支持向量机的机器视觉技术识别茶叶色泽类型是可行的。     

基于三轴加速度传感器的人体日常体力活动识别系统设计

针对健康管理对人体运动方式检测的需求,设计了一种基于加速度曲线形状特征的人体日常体力活动识别系统,识别体力活动包括:休息、上楼、下楼、步行、跑步、乘车。该系统通过采集腰部、外套上口袋、外套下口袋三个位置不同日常体力活动的加速度数据,求取加速度矢量值,滤波降噪后,提取数据分布特征和峰谷值特征描述曲线形状,采用支持向量机建立日常体力活动识别模型。实验表明,所建识别模型受佩戴位置影响较小,可佩戴在腰部、放置外套上口袋、放置外套下口袋三个位置,针对11人数据集使用留一法进行分类测试,平均识别准确率分别可以达到95.96%,95.96%,94.61%;不区分佩戴位置,平均识别准确率也能达到93.60%,有效的对日常体力活动进行了分类判别。     

基于SVM的点云模型识别技术的研究

提出了一种基于支持向量机统计识别技术的点云曲面重构法,直接从点云中识别出模型并进行模型替代,从而很大程度上减小了数据量并且保证了建模精度.实验证明,此方法具有较好的效果,并有误差小、速度快等优点.     

交通路标图像的分割与识别方法研究

对交通道路标志进行实时、正确的识别,是车辆自动导航中的一个重要方面.提出一种基于尺度不变特征变换(SIFT)算法的交通路标识别方法.该方法首先根据交通路标的色彩信息,利用HSV颜色空间对输入含有路标的彩色图像直接进行处理,从而快速分割提取目标区域;然后基于SIFT特征将分割提取的目标图像与数据库中原有图像进行特征匹配,...     

基于机器人视觉的服务机器人表情识别研究

开发了一种基于机器人视觉的表情识别系统。系统首先基于人脸肤色及Gabor纹理特征精确定位人脸区域,其次用Gabor小波变换提取表情特征并设计基于支持向量机的表情分类器,最终实现对7种人脸基本表情的识别。实验表明,该方法在室内环境下能够实时地识别表情并具有较高的识别成功率。     

基于支持向量机的点云切片分割技术的研究

支持向量机这种学习方法,最初用于处理模式识别问题,随后推广到解决回归估计问题,成功解决了高维问题和局部极值问题,是一个具有最优泛化能力的学习机器提出了一种基于支持向量机最优超平面的点云切片分割技术,该技术采用较新的人工智能技术支持向量机（SVM）的最优超平面原理,应用其统计特性,把切片中的点分割成模型本身的独立部分实验诬明,该方法具有速度快、分割准确的优点,分割效果较好.     

一种基于机器视觉的表面缺陷快速检测方法

实际生产过程中,产品表面会不同程度地留下污渍和印记,这对基于机器视觉的表面缺陷识别带来严重干扰.基于图案统计分析的识别方法速度虽快,但抗干扰能力弱,出现较高的误判率.基于深度学习的人工智能识别方法计算量巨大,速度慢,难以满足生产实际的高速要求.因此介绍一种改进SIFT算法,并给出了相关参数的设置方法和经验公式,通过实际表面缺陷的检测,对比验证了SIFT算法较强的鲁棒性和抗干扰能力,以及相关参数设置方法的正确性和可行性.实验数据表明,SIFT算法在凹陷类和斑点类缺陷的检出率上具有明显优越性,在裂纹类的误检率上也具有较大优势.特别是在有噪声图像干扰情况下,检出率比神经网络提升了20％,误检率降低了3％.     

基于支持向量机的产品编号识别

为了提高仓库管理系统的性能,将支持向量机用于产品编号的模式识别。采用基于投影法的图像处理算法提取编号数字;对倾斜的数字进行矫正,并对提取的数字进行归一化;构造支持向量机分类器对归一化的数字进行识别;通过对一组数字样本的测试,分析了支持向量机参数与分类器的识别率的关系。测试结果表明,支持向量机分类器可以在小样本的情况下获得较高的识别率。     

基于遗传算法和支持矢量机参数优化的制冷机组故障检测与诊断研究

针对制冷机组故障诊断中特征多、诊断准确率低的特点,提出一种复合诊断模型,利用遗传算法搜索特征空间,与带参数优化的支持矢量机(Support vector machine,SVM)结合,同时进行故障特征提取和模型训练。用该模型研究7种典型的制冷机组故障,从64个原始特征中筛选出8个与试验辅助系统关系甚微、均十分靠近核心制冷循环的特征,作为故障指示特征,总体诊断准确率从96.95%提高到99.53%,测试时间下降70%以上。用命中率和虚警率评价模型对各故障的诊断性能,所提复合模型除个别故障外,均优于无特征提取及带主元分析特征提取的SVM模型。复合模型在制冷机组故障诊断中有良好的应用前景。     

基于假设检验和支持向量机的旋转机械故障诊断方法

针对旋转机械故障诊断中存在的早期非平稳微弱故障信号特征提取困难、故障诊断不准确等问题,提出了一种基于自适应假设检验滤波和支持向量机（SVM）的故障诊断方法。该方法采用统计学假设检验原理来评估参考信号(噪声信号)和原始信号(故障信号)在频域上的相似性,删除具有高相似性的频域成分;通过粒子群优化算法获得最佳的显著性水平α;定义评估因子Ipq来评价假设检验滤波的效果。最后通过SVM来逐次诊断轴系构造异常。验证结果表明该方法能够有效地诊断出传动轴不对中和不平衡的故障类型。     

基于支持向量机的铁谱磨粒模式识别

将支持向量机方法用于铁谱磨粒模式识别，以磨粒样本的圆形度、细长度、散射度和凹度4个形态特征量作为支持向量机分类器的输入，以滑动磨损、切削磨损、正常磨损和疲劳点蚀4种磨损形式作为分类器的输出，建立基于支持向量机的磨粒分类器；研究支持向量机中误差惩罚系数和核参数对磨粒分类器的性能影响；通过实验比较了基于支持向量机与基于BP神经网络的磨粒分类器的性能，结果表明，基于支持向量机的磨粒分类器分类准确率为96％，基于BP神经网络的磨粒分类器分类准确率为90％。     

基于改进支持向量机的磨粒铁谱识别的研究

提出了一个基于改进支持向量机的磨粒模式识别系统。该系统首先对磨粒的铁谱分析图像进行预处理，然后提取其特征参数，最后利用支持向量机对磨粒所属的类型进行分类。     

基于支持向量机和特征选择的超声缺陷识别方法研究

缺陷的自动识别在管道缺陷超声无损检测和评估中具有重要意义。提出了一个新的超声缺陷自动识别系统。该系统采用小波包分解提取超声信号的特征，采用混沌遗传算法来消除冗余和不相关的特征，并采用支持向量机（SVM）来对缺陷进行识别。为了验证系统的有效性，在实验室内作了大量的超声检测实验。实验结果表明，系统对管道缺陷具有较高的分类性能。     

基于SIFT算法的目标匹配和识别

针对目标跟踪过程易受噪声干扰导致跟踪效果不理想,甚至丢失跟踪目标的问题,利用了尺度不变特征变换（SIFT）方法对单帧图像进行了目标特征点的提取和匹配,并结合线性卡尔曼滤波和聚类分析,剔除误匹配,实现了目标位置的最小均方误差估计。仿真结果表明,当图像存在不同程度的噪声影响时,基于SIFT的卡尔曼滤波目标匹配算法能有效减小目标跟踪误差,精确识别目标位置,提高目标跟踪精度。     

一种基于EMD与多特征支持向量机(SVM)故障诊断方法

针对齿轮箱故障振动信号的不平稳非线性冲击行为,本文提出了一种基于经验模态分解的特征值提取及多特征支持向量机的智能诊断方法。在电机频率分别取30 Hz、35 Hz、40 Hz;载荷分别取0 N∙M、15 N∙M、30 N∙M;采样频率为1500 Hz条件下,进行齿轮正常状态、齿面磨损和齿轮裂痕故障模拟实验。试验结果表明:该创新方法在有限样本数据分析中可以准确、有效地对齿轮箱的工作状态和故障类型进行分类,且支持向量机在故障诊断中使用方便,可以提高诊断的精确性,在齿轮箱故障诊断或类似振动信号的检测应用中具有很强的实用性。     

基于熵带法与PSO优化的SVM转子故障诊断

对转子故障信号的信息熵带作为支持向量机(support vector machine,简称SVM)的训练样本,基于粒子群算法(particle swarm optimization,简称PSO)优化SVM分类器结构参数进行了研究.对试验模拟获得的故障信号进行了时域、频域、时-频域的信息熵带计算,得到了奇异值谱熵、功率谱熵、小波空间谱熵及小波能谱熵4种熵带,并对熵带进行预处理,建立了一种基于故障信号的信息熵带作为特征量,用PSO解决SVM结构参数优化设置的转子故障识别方法.将该方法应用于转子系统在线故障诊断中,结果表明,所设计的算法具有训练速度快,测试时间短、分类准确率高等特点.     

基于混合特征的移动机器人图像匹配算法

针对移动机器人定位过程中视觉图像处理速度慢以及特征点提取与匹配实时性、准确性差的问题,提出了基于颜色矩的改进SIFT分级图像匹配算法。首先改进SIFT算法,扩大极值点检测范围;采用Sobel算子计算特征点的梯度方向和幅值;以向量夹角为准则度量SIFT特征相似性,提高SIFT特征提取与匹配的速度和精度。图像匹配时先采用颜色矩对环境图像序列进行相似性排序,改进SIFT特征,再与排序后图像依次进行精确匹配,分级匹配提高了移动机器人的定位速度和精度。实验结果表明：与原SIFT相比,改进SIFT提高了特征向量的显著性,误匹配率降低约9.2%,特征点数量减少约20%;分级匹配提高了图像匹配速度和精度,SIFT特征计算量减小60%,总体耗时缩短40%。达到移动机器人定位实时性和鲁棒性的目的。