Hu新增不变矩在零水印中的应用

文章提出了一种使用Hu新增不变矩的零水印算法。该方法融合Hu不变矩及其新增的几个不变矩的特征,形成一组更为完备的特征矢量。文章利用这些特征矢量可以更好的构建零水印系统。在模式识别领域中使用这种方法可以实现对目标图像更为准确的识别;在图像检索领域中此方法比单一的Hu不变矩具有更好的检索性能。它不但保持原有Hu矩的平移、尺度、旋转不变性,而且比原有的Hu不变矩包含了更多的细节信息因此可以更全面地描述图像。所以将新增的几个不变矩和7个Hu不变矩应用到数字水印中,在一定程度上可以很好的提高水印系统的整体鲁棒性和可靠性。     

基于组合不变矩和神经网络的三维物体识别

在三维物体识别系统中,提出将三维物体的Hu不变矩和仿射不变矩两者的低阶矩组合作为三维物体的特征,结合改进的BP神经网络应用于三维物体的分类识别。理论分析和仿真实验表明组合这两种矩特征进行物体识别,性能优于单独使用Hu不变矩,如果进一步对这两种组合的矩特征进行主成分分析处理,可显著提高系统识别性能,并减少网络的训练时间。     

主轴方法和矩方法相融合的三维物体归一化的识别

针对主轴方法和矩方法各自的特点,提出将这两种方法相融合的物体归一化和识别的新思想.首先推导出主轴唯一性判别准则,有效地解决了物体取向的归一化问题,然后推导出了对物体平移、取向和比例变化归一化的3-D不变矩.最后提出由二阶、三阶3-D不变矩组成的判别向量和识别判据.对12个三维物体进行归一化和识别的实验结果验证了本文方法的有效性.     

Hu修正不变矩在零水印中的应用

文章提出了一种使用修正后的Hu新增不变矩零水印算法。该算法融合Hu不变矩及其新增的几个不变矩的特征矢量,提出了一种基于Hu修正不变矩的零水印算法。该方法保持了原有Hu矩的平移、尺度、旋转不变性,比原有的Hu不变矩包含了更多的细节信息用于更全面地描述图像。通过对该算法进行了一系列加噪、滤波以及JPEG压缩等仿真实验,结果表明该算法对常规的信号处理和几何攻击在鲁棒性上比原始7个Hu不变矩都有一定的提高。     

一种基于Zernike不变矩和改进的Hough变换的图像检索方法

针对基于内容的图像检索为了解决不变矩只关心对象的区域特征,而忽视了图像边界的缺点,提出Zernike不变矩与改进的Hough变换相结合的方法。改进的Hough变换方法充分利用Hough变换空间的统计信息,对形状的仿射变换具有一定的鲁棒性、易并行处理和良好的几何解析性等优点。该算法有效地融合了图像形状的边缘和区域特征。实验结果表明,在图像检索的综合性能上优于Zernike方法以及基于改进的Hough变换的方法,检索速度快,准确率高。     

曲波变换用于磨粒图像不变矩的提取

曲波变换(curvelet)具有各向异性和良好的曲线奇异性表达能力。为了克服Hu不变矩和不变小波矩在表达铁谱磨粒形貌信息方面的不足,将曲波变换引入磨粒特征提取过程,并与Hu不变矩结合,提出一种基于曲波变换的磨粒图像不变矩提取方法。首先利用曲波变换将图像进行分解与重构,得到不同尺度的子图像;然后提取各子图像的Hu不变矩,获得图像的曲波不变矩;最后将该方法应用于典型磨粒识别,总识别率达到83.33%。实验结果表明,与Hu不变矩和不变小波矩相比,磨粒图像的曲波不变矩能更好地表达磨粒的形貌特征。     

Hu不变矩的构造与推广

为了更简洁高效地构造指定要求的不变矩,并判断矩组信息冗余性,推导了实复矩反演关系公式并提出了Hu不变矩构造定理。不变矩多项式和不变矩多项式空间概念的引入,可以赋予不变矩多项式空间代数结构特征。结合组合计数定理,列出了工程上非常实用且没有信息冗余的全部3阶4次不变矩,这是对7个经典Hu不变矩的推广。实验表明,与Hu不变矩的代数不变量构造方法和三角函数系构造方法相比,该构造方法更简洁高效且具有一般性,也更适合判断矩组信息冗余。所构造新不变矩具有较好的鲁棒性,用于图像描述取得了较好效果。     

低分辨率几何矩尺度不变量的波动分析

几何矩函数不变量的计算过程中,由于数字图像的离散化,图像本身尺度的缩放会带来计算误差,从而引起尺度不变量值的波动。通过分析较低分辨率下几何矩尺度不变量值的不规则波动,推断计算过程中常常会发生误差扩大现象,即离散化带来的较小误差被不合理地放大。从理论上分析了误差扩大现象产生的原因,并给出了具体的误差计算公式。结合几何矩函数的实际数据可知,在较低分辨率下,误差扩大将会引起不变量数值的大幅度波动,严重干扰其不变性;而高分辨率下,这种现象很不明显。之后,针对产生误差扩大的原因给出了一种几何绝对矩及其尺度不变量的定义,可以有效地克服误差扩大现象。对比的实验结果也表明,相对于传统的Hu不变矩,几何绝对矩不变量在低分辨率下可以保持更好的不变性。     

基于区域形状与运动特征的实时行为识别

提出了一种基于推广的Hu不变矩特征的实时行为识别方法。首先,对Hu不变矩进行改进,使其在离散情况下同时具有平移、旋转和比例不变性。然后,结合运动目标的速度将目标行为刻画成结合Hu矩新特征和速度特征的13维特性向量。其中,Hu矩新特征表征了行为的区域形状特性,速度特征反映了行为的运动特性。随后采用预先定义的一些行为作为先验知识样本训练支持向量机,并最后使用其对待检测行为进行分类以达到行为识别的效果。所提方法计算效率高,能够实时检测人体行为。在处理实拍视频数据的实验中,该方法表现出了理想的处理效率以及识别精度。     

基于改进小波矩特征的快速无损图像描述算法

为了更有效地利用小波矩不变量算法来快速无损地计算图像特征值, 提出了一种融合Mallat算法的无损采样的新型小波矩不变量算法. 在此基础之上, 结合傅里叶变换的原理及特点, 提出了基于频率幅值谱与小波矩不变量的特征提取方法. 并将改进的小波矩不变量算法与传统使用三次B样条矩的小波矩、Hu矩进行了比较. 实验表明, 改进的小波矩不变量在比传统小波矩不变量算法性能几乎没有损失的情况下, 大大加快了小波矩不变量的计算速度, 并且基于频率幅值谱的小波矩有更强的抗噪性.     

基于分数阶矩的仿射不变特征提取

仿射不变的特征提取在目标识别和配准中起关键作用, 图像矩是提取仿射不变特征的重要方法, 高阶矩对噪声较敏感, 实际中仅有几个由整数阶矩构造的仿射不变量可用. 本文引入分数阶矩, 它由变形累次积分定义, 不仅充分利用仿射变换映直线为直线这一特性,而且能方便地消除仿射变换前后极角因子的影响. 利用分数阶矩给出了仿射不变量的构造, 传统矩构造的不变量仅是这种构造的特例. 实验结果表明低次矩构造的不变量一般有较好的抗噪性能.     

快速不变矩算法基于CUDA的并行实现研究

不变矩自提出以来被广泛应用于目标识别系统中进行特征描述,这需要能够实时计算不变矩值。虽然人们提出了许多不变矩的快速算法,仍无法在单台PC机上实现不变矩的实时计算。本文分析了基于差分矩因子的不变矩快速算法的并行性,提出了一种基于CUDA（Compute Unified Device Architecture）的快速不变矩并行实现方法,并在NVIDIA Tesla C1060 GPU（Graphic Processing Unit）上实现。对所提出算法的计算性能与普通串行算法进行了对比分析。实验结果表明,本文所提出的并行计算方法极大地提高了不变矩的计算速度,可有效地用来进行实时特征提取。     

一种基于深度图像的静态手势神经网络识别方法

静态手势识别是以手势驱动的人机交互系统的核心技术。针对静态手势识别问题,提出了一种基于深度图像进行静态手势识别的方法。为了消除静态手势识别过程中的平移、旋转和缩放不变性,提取手势轮廓的Hu不变矩,并以Hu不变矩作为特征构建静态手势深度感知神经网络模型,以此实现对静态手势进行分类识别。在VisualStudio的开发环境下实现了对该方法的验证,取得了良好的效果,并与传统的模板匹配法与基于卷积神经网络的深度学习方法作比较,静态手势识别准确率总体可达95%,识别效率高,能满足实时性要求。     

Gesture recognition using Bezier curves for visualization navigation from registered 3-D data

This paper presents a gesture recognition system for visualization navigation. Scientists are interested in developing interactive settings for exploring large data sets in an intuitive environment. The input consists of registered 3-D data. A geometric method using Bezier curves is used for the trajectory analysis and classification of gestures. The hand gesture speed is incorporated into the algorithm to enable correct recognition from trajectories with variations in hand speed. The method is robust and reliable: correct hand identification rate is 99.9% (from 1641 frames), modes of hand movements are correct 95.6% of the time, recognition rate (given the right mode) is 97.9%. An application to gesture-controlled visualization of 3D bioinformatics data is also presented.     

应用几何矩和边缘检测的手势识别算法

提出了一种结合几何矩和边缘检测的手势识别算法。手势图像经过二值化处理后,提取手势图像的几何矩特征,取出几何矩特征7个特征分量中的4个分量,形成手势的几何矩特征向量。在灰度图基础上直接检测图像的边缘,利用直方图表示图像的边界方向特征。最后,通过设定两个特征的权重来计算图像间的距离,对30个字母手势进行识别,识别率为90％。     

Novel moment invariants for improved classification performance in computer vision applications

A novel set of moment invariants based on the Krawtchouk moments are introduced in this paper. These moment invariants are computed over a finite number of image intensity slices, extracted by applying an innovative image representation scheme, the image slice representation (ISR) method. Based on this technique an image is decomposed to a several non-overlapped intensity slices, which can be considered as binary slices of certain intensity. This image representation gives the advantage to accelerate the computation of image's moments since the image can be described in a number of homogenous rectangular blocks, which permits the simplification of the computation formulas. The moments computed over the extracted slices seem to be more efficient than the corresponding moments of the same order that describe the whole image, in recognizing the pattern under processing. The proposed moment invariants are exhaustively tested in several well known computer vision datasets, regarding their rotation, scaling and translation (RST) invariant recognition performance, by resulting to remarkable outcomes.     

Static hand gesture recognition using neural networks

This paper presents a novel technique for hand gesture recognition through human–computer interaction based on shape analysis. The main objective of this effort is to explore the utility of a neural network-based approach to the recognition of the hand gestures. A unique multi-layer perception of neural network is built for classification by using back-propagation learning algorithm. The goal of static hand gesture recognition is to classify the given hand gesture data represented by some features into some predefined finite number of gesture classes. The proposed system presents a recognition algorithm to recognize a set of six specific static hand gestures, namely: Open, Close, Cut, Paste, Maximize, and Minimize. The hand gesture image is passed through three stages, preprocessing, feature extraction, and classification. In preprocessing stage some operations are applied to extract the hand gesture from its background and prepare the hand gesture image for the feature extraction stage. In the first method, the hand contour is used as a feature which treats scaling and translation of problems (in some cases). The complex moment algorithm is, however, used to describe the hand gesture and treat the rotation problem in addition to the scaling and translation. The algorithm used in a multi-layer neural network classifier which uses back-propagation learning algorithm. The results show that the first method has a performance of 70.83% recognition, while the second method, proposed in this article, has a better performance of 86.38% recognition rate.