基于建筑施工图形轮廓的BP网络识别方法

针对建筑工程图纸中图形实体的数量庞大及同类实体表现形式的不规则性，提出采用基于整体提取的图形轮廓构造的BP神经网络进行识别。对于内部线条分布复杂的图形，通过比较相邻边的夹角来提取轮廓需要的计算量大，效率较低。提出一种基于整体的提取方法，可以大幅减少无用计算量，提高效率，适合作为BP神经网络的构造和学习样本。     

基于非线性时序模型的神经网络图形识别方法

提出了复数域非线性指数自回归(CNEAR)图形轮廓建模方法.构造了用于CNEAR 模型参数估计的神经网络模型,利用该网络可解决非线性参数的估计问题.CNEAR模 型参数具有平移、旋转和比例不变性并与计算起始点的选择无关.基于模型参数构造了特征 向量,并设计了复数神经网络分类器,给出了复数神经网络学习算法.实验结果表明CNEAR 模型在较低阶次即能获得较高的识别率,CNEAR模型对带噪声图形及形状差别较小图形的 识别效果要好于复数域自回归模型方法.     

图形轮廓提取的图元优先级特征定义及应用

针对图形轮廓提取过程中路径重复搜索、路径选择中断等造成提取效率低下问题,定义了图元优先级特征,包括图元区域优先级、邻域优先级、边界优先级、路由优先级特征;分别采用极限值法、特征值比较法、极值点法和动态优化法对图元的4种优先级特征进行设置.通过图元优先级的配合对提取过程及路径选择进行控制,构造了图形轮廓提取的高效算法.实际应用表明,该算法时效性高、稳定可靠.     

基于GPU的轮廓提取算法的并行计算方法研究

为解决高质量的轮廓提取算法计算复杂、实时性差的问题,基于GPU并行计算架构提出了一种针对高质量的轮廓提取算法——Pb(probability boundary,概率轮廓)提取算法的高效并行计算方法。重点讨论了如何利用多计算单元加速计算最耗时的梯度计算部分。详细介绍了多方向直方图并行统计机制及χ2并行计算中访存冲突避免机制。对比实验表明,在GPU上基于该并行方法的轮廓提取相比传统CPU方式具有明显加速效果,且随着图像分辨率变大,加速效果更加明显,例如图像大小为1024×1024时可获得160倍的加速;此外,基于伯克利标准测试集验证了该并行方法可保持原有算法的计算准确度。为大规模图像数据智能分析中的轮廓提取提供了快速、实时的计算方法。     

基于蚁群算法的现代藏文字符轮廓提取技术研究

由于对字符提取骨架往往会失去受污损部位的重要信息,因此本文提出了一种基于蚁群算法的现代藏文字符轮廓提取算法,旨在用字符的轮廓线代替骨架线来表征字符。本算法用于印刷体藏文轮廓提取,取得了良好的效果,避免了传统细化算法造成的畸变,提高了轮廓提取的抗干扰能力,并且减小了计算量,加快了特征提取的速度。     

基于相对链码和改进 LCS 算法的图形匹配实现

研究相对链码和字符串的匹配算法,采用相对链码和改进的LCS算法实现图形的轮廓匹配。首先通过轮廓提取算法得到图形的轮廓,再通过轮廓跟踪算法得到轮廓的链码,由链码计算得到图形的相对链码,最后采用改进的最大公共子串算法计算两图形的相似度。该图形轮廓匹配算法具有计算量小,平移、旋转的不变性等优点。在Android系统上进行实验,实验结果表明该算法计算速度快,与人的视觉相吻合。     

图形轮廓分层路由提取的MST生长算法

在以可达路径决策为核心的图形轮廓提取中,为有效地解决路由决策困难及路径特征值精度等问题,提出了图形轮廓分层路由提取的MST生长算法.该算法将图形路由拓扑结构划分为域内路由和域间路由.域内路由对非支配点关联路径进行重组,建立以支配点为节点的图形有权无向图;域间路由以无向图最小生成树MST为基础,利用树节点间唯一可达特性构造MST生长算法.最后综合这2个层次实现完整的图形轮廓提取.通过算例及应用证明了文中算法的可行性和有效性.     

复杂场景下的人体轮廓提取及尺寸测量

自然拍摄的人体照片由于背景图案较为复杂,采用传统基于图片色彩空间或能量 梯度的图像处理方法难以准确地识别人体的轮廓。采用神经网络的方法,可以提高识别的精度。 但是,一般的神经网络方法由于计算量与参数规模较大,难以在移动终端部署。因此,提出了 一种轻量级的神经网络策略以提取人体轮廓。该网络采用 MobileNet V2 与 U-Net 框架,通过构 建特定姿态的人体数据集进行训练,识别相应的人体轮廓形状。人体轮廓经过提取关键点、拟 合回归分析等后续处理,可估算人体的尺寸。该方法可应用在移动终端上,通过拍摄的人体照 片的方法测量人体的尺寸。实验表明,该方法能准确地提取复杂背景照片中的人体轮廓并测量 尺寸,在速度与存储占用方面较一般神经网络有一定优势。     

多实体截面轮廓环的管理及边界的自动提取

为了解决在自动化逐层加工时截面轮廓环对速度的影响，提出了用一种二叉树结构来有效管理和提取轮廓环的方法。此方法不同于一般方法，它既适用于单实体截面轮廓，也适用于多实体截面轮廓，故而对于提高单实体和多实体的自动化加工速度都是一种具有较高价值的方法。实践证明，此方法是行之有效的。     

基于动态优先边求取视图轮廓信息算法

提出了基于动态优先边求取视图轮廓信息的方法,该方法在判别多路径轮廓走向时避免了角度计算,多圆弧路径在分支处相切时,通过动态正方形的角点与圆弧圆心的同异侧性判别,可方便地决定侯选路径的走向。对参数化图形提出了基于搜索痕迹的视图轮廓信息重建方法,视图轮廓信息的获取对多视图的自动划分、装配图处理及尺寸布置等有着重要的作用。     

基于DFD参数变形模型的平面足迹轮廓提取

针对重压区域轮廓处于强边缘附近具有特性形状属性以及局部光滑的特点,构造基于区域模糊灰度总收益的轮廓变形优化目标函数.在此基础上,利用遗传算法实现对轮廓的离散傅里叶描述子参数模型进行优化,提取描述足迹重压区域的光滑轮廓.实验结果表明:该算法速度快,能充分保留轮廓细节和目标特定形状属性,在平面足迹重压区域轮廓提取中获得了较好的效果.     

一种现代藏文笔段提取算法

针对藏文字符笔段的几何特征和拓扑结构,本文提出了一种基于字符轮廓信息的藏文笔段提取算法:通过链码跟踪的方法得到笔段轮廓的点列,然后从点列中提取特征点并利用特征点切分出笔段,最后用笔段的轮廓线代替骨架线来表征藏文的笔段。本算法用于印刷体藏文笔段提取,取得了良好的效果,避免了传统细化算法所造成的畸变,提高了笔段提取的抗干扰能力,并减小了计算量,加快了特征提取的速度。     

一种基于图形分离的PCB丝印印刷系统

PCB丝印时,需要针对图形精细程度,选择合适的墨滴大小,以确保图案清晰,原有的人工区分图形的方式无法实现自动识别并分离图形,极大依赖操作经验,影响生产效率。该系统基于轮廓提取和图形腐蚀算法提出一种方法,实现块状图形与线状图形分离,并将两类图形分别生成在两张图像上,控制喷嘴使用合适的墨滴打印,从而实现线块图形分离打印。     

GA-BP神经网络在下肢运动步态识别中的应用研究

为了提高下肢表面肌电信号步态识别的准确性,提出了一种基于遗传算法（GA）优化的BP神经网络分类器设计方法。首先,对采集的下肢表面肌电信号进行小波滤波及特征值提取,其次,构造基于GA优化的BP神经网络分类器,然后,以提取的表面肌电信号特征作为输入对分类器进行训练,最后利用训练好的分类器进行测试。实验结果表明,基于GA优化的BP神经网络分类器能成功识别下肢正常行走的五个步态,平均识别率达到98%以上,效果明显优于BP神经网络分类器的识别效果。     

一种基于BP神经网络的实体匹配方法

提出一种基于BP神经网络的二步检查法实体匹配新算法,将基于学习的思想引入到异构数据库实体匹配领域中,避开了传统方法计算属性权重的问题。实验结果显示,该算法很有效,能明显提高实体匹配的查准率,有较强的环境动态适应性,可以实现实体匹配的自动化。     

基于神经网络和支持矢量机的多机动车车牌在线检测方法

针对道路交通多车牌识别问题,提出了一种快速鲁棒的多车牌检测识别方法,包括多车牌检测和车牌字符识别两部分:构造BP(Back-Propagation)神经网络模型用于颜色识别,结合图像形态学运算方法,筛选候选车牌目标,基于支持矢量机从候选车牌目标中判别真正的车牌目标;通过轮廓尺寸判断,并结合车牌尺寸特征,依次分割提取城市...     

基于BP神经网络的Deep Web实体识别方法

针对现有实体识别方法自动化水平不高、适应性差等不足,提出一种基于反向传播(BP)神经网络的Deep Web实体识别方法。该方法将实体分块后利用反向传播神经网络的自主学习特性,将语义块相似度值作为反向传播神经网络的输入,通过训练得到正确的实体识别模型,从而实现对异构数据源的自动化实体识别。实验结果表明,所提方法的应用不仅能够减少实体识别中的人工干预,而且能够提高实体识别的效率和准确率。     

一种医学图像的轮廓提取方法

针对医学图像的模糊性和灰度不均导致目标轮廓难以准确提取的问题,提出使用改进的遗传算法控制主动轮廓模型完成边界提取的方法。采用保优算子保留遗传性状,选择适当的交叉算子,在进化后期可实现由整体寻优到局部寻优的转变。实验结果证明,该方法在提取目标轮廓时抗模糊能力强、鲁棒性好。     

序列B超图像的快速轮廓提取

提出了一种序列B超图像的轮廓提取算法,该算法通过构造边缘轮廓模板来进行B超图像中感兴趣轮廓的提取,实验证明该算法能够较快速地对序列B超图像进行轮廓提取。     

基于矢量积的二维封闭图形轮廓信息提取方法

视图轮廓信息在图形处理中有着重要的作用。该文提出基于矢量积提取二维封闭图形轮廓的方法,不再需要计算角度就可快速选择交叉点处的下一条路径,提高了图形生成效率。