一种KCCA融合局部特征和全局特征的目标识别算法

提出一种新的KCCA特征融合算法。首先分别提取目标图像的局部特征SIFT和全局Pseudo-Zernike矩特征,并利用K-means算法对局部特征进行预处理;然后利用KCCA将两种特征提取相关特征进行融合,最后将融合特征送入SVM分类器。对遥感飞机图像库做了分类识别的仿真实验。相比于单一特征和CCA特征融合的识别策略,KCCA识别率得到明显提高,理论分析和实验结果证实了该算法具有良好的准确性与可靠性,能够有效提高图像分类识别系统的准确度。     

基于ICA和SVM的SAR图像特征提取与目标识别

提出一种利用独立分量分析和支持向量机的合成孔径雷达图像特征提取与目标识别方法。对图像小波分解后提取低频子带图像,对低频子带图像进行独立分量分析提取特征向量,利用支持向量机对特征向量分类完成目标识别。将该方法用于MSTAR数据中的3类目标识别,识别率最高可达96.92%。实验结果表明,该方法是一种有效的合成孔径雷达图像特征提取与目标识别方法。     

SAR图像自动目标识别系统研究与设计*

研究了SAR图像自动目标识别系统。通过分析国际上先进的SAR自动目标识别系统的组成、算法实现、流程设计和所得到的结果,设计出SAR自动目标识别系统结构和识别流程图。系统结构主要由SAR图像特性库、特征库和模型库组成。识别流程在系统结构的基础上,分为检测、辨识和分类三步。最后给出了SAR图像自动目标识别系统的主要评价原则。     

基于遗传规划的SAR图像目标识别

针对SAR图像目标的特征,采用新的Hu不变矩和仿射不变矩的组合作为特征矢量,设计了一种基于遗传规划的SAR图像目标识别算法。该方法不需要数据先验知识,通过自身的学习就能快速发现数据和数学表达式之间的联系。通过对MSTAR数据中的3类目标进行仿真实验,获得了较好的识别率。     

基于字典学习和拓展联合动态稀疏表示的SAR目标识别

提出了一种基于字典学习和拓展联合动态稀疏表示的合成孔径雷达(Synthetic aperture radar, SAR)图像的目标自动识别(Automatic target recognition, ATR)方法.首先, 在图像预处理时, 分割出目标区域和目标遮挡地面形成的阴影区域, 将这两个区域的信息结合起来能更好地表示图像.其次, 将字典学习方法LC-KSVD (Label consistent k-singular value decomposition)引入到训练阶段中, 分别学习目标区域和阴影区域的特征字典, 而不是直接将所有训练样本作为固定字典.最后, 在测试阶段提出了拓展联合动态稀疏表示算法, 使图像数据中的两个特征共享相似但不完全相同的稀疏模式, 还可处理图像噪声遮挡损坏问题.标准数据集上的实验结果表明, 该方法使不同类别更具区分性, 有效地提高了SAR图像的目标识别准确度.     

主成分分析在图像Zernike矩特征降维中的应用

首先介绍了图像特征向量维度过高的问题以及图像特征降维处理。在讨论Zernike矩基本概念以及图像Zernike矩形状特征向量表示的基础上,指出Zernike矩特征向量一般都是高维的。在介绍主成分分析方法的基础上,指出可以将其应用到Zernike矩特征向量的降维中,并给出了降维的处理过程。最后的实验结果证明了该方法的可行性。     

融合压缩感知和SVM的SAR变形目标识别算法

为降低合成孔 径雷达(Synthetic aperture radar, SAR)图像目标识别中目标方位角的影响,并提高对SAR变形目标的识别率,本文提出了一种基于压缩感知和支持向量机决策级融合的目标识别算法。该算法首先基于稀疏表征理论将SAR目标识别问题描述为压缩感知的稀疏信号恢复问题,然后基于稀疏系数分别进行目标类别判别与方位角估计。对样本进行姿态校正后,利用支持向量机分别对经过姿态校正和未经姿态校正的样本进行目标分类。最后采用投票表决法对3种算法的分类结果进行决策级融合。实验结果表明,基于压缩感知结果进行目标方位角估计有效,且随着训练样本数的增加,提出的决策级融合算法提高了SAR变形目标的识别率。     

基于多特征组合的球形果蔬智能分选方法

为提高球形果蔬分选效率以及降低分选成本,提出了一种在机器视觉技术下球形果蔬多特征组合的智能分选方法。针对单一特征刻画图像特征不全面的问题,建立了颜色矩、Zernike矩、灰度共生矩阵三种特征的组合特征模型,用以确定果蔬的综合特征。Zernike矩在计算前进行了基于H分量阈值二值化图像边缘提取。利用BP神经网络和支持向量机构造分类器,分别对实验样本进行分选。通过仿真实验,验证了多特征组合算法的可行性和有效性,对比分析了BP神经网络和支持向量机分类器对分选效果的影响,分选率均达到了95%以上。     

基于多维特征及BP网络的高分辨雷达目标识别

高分辨雷达目标的识别性能取决于目标特征的提取以及分类器的设计。为解决雷达高分辨距离像（HRRP）的方位、平移和幅度敏感性问题,采用了序贯预处理方法,有效提高了HRRP的信噪比。通过提取能较好反映雷达目标散射点回波特性的多维特征向量,设计BP神经网络作为分类器,提出了一种基于目标多维特征向量以及BP神经网络的高分辨雷达目标识别方法。利用在微波暗室测量获得的三种国产飞机模型回波数据进行目标识别处理,实验结果表明,提出的方法能有效地完成三种目标识别任务,在虚警率低于3%的情况下正确识别率优于95%。     

一种SAR图像机动目标检测与分析方法

从SAR(合成孔径雷达)图像中检测和分析目标是进行SAR自动目标识别的关键步骤,提出了一种SAR图像中地面机动目标检测与分析的方法,该方法在对图像进行预处理后首先利用背景杂波强度分布为指数分布假设的恒虚警率算法以及形态学运算对原始的SAR场景数据进行快速检测获得感兴趣的目标区域,然后提取目标区域8个特征构成特征矢量以详细描述目标。实验结果表明,该方法计算速度快,能够从获得的目标区域得到大量有用的信息,而且该方法具有一定的通用性。     

Image analysis by Bessel-Fourier moments

In this paper, we proposed a new set of moments based on the Bessel function of the first kind, named Bessel-Fourier moments (BFMs), which are more suitable than orthogonal Fourier-Mellin and Zernike moments for image analysis and rotation invariant pattern recognition. Compared with orthogonal Fourier-Mellin and Zernike polynomials of the same degree, the new orthogonal radial polynomials have more zeros, and these zeros are more evenly distributed. The Bessel-Fourier moments can be thought of as generalized orthogonalized complex moments. Theoretical and experimental results show that the Bessel-Fourier moments perform better than the orthogonal Fourier-Mellin and Zernike moments (OFMMs and ZMs) in terms of image reconstruction capability and invariant recognition accuracy in noise-free, noisy and smooth distortion conditions.     

光学遥感图像多目标检测及识别算法设计与实现

针对目前光学遥感图像处理与分析多集中在单目标检测及识别领域的局限性,多目标检测及识别成为了一个非常值得关注的研究课题,提出了一种光学遥感图像多目标检测及识别算法.首先,采用自适应阈值算法对目标快速检测分割;然后,结合图像金字塔思想和基于尺度不变特征变换的特征包(BoF-SIFT)特征提出了一种分层的BoF-SIFT特征表示目标的全局特征和局部特征,详细地描述了目标的分布特性;最后,采用基于径向基核函数的支持向量机为弱分类器的AdaBoost算法,经过不断更新权重之后得到一个强分类器对待测试目标图像完成分类识别,识别率达到了93.52%.实验结果表明,所提算法对多类遥感图像目标的分割效果显著,特征选取恰当,识别方法快速有效.     

Handwritten digit recognition: benchmarking of state-of-the-art techniques

This paper presents the results of handwritten digit recognition on well-known image databases using state-of-the-art feature extraction and classification techniques. The tested databases are CENPARMI, CEDAR, and MNIST. On the test data set of each database, 80 recognition accuracies are given by combining eight classifiers with ten feature vectors. The features include chaincode feature, gradient feature, profile structure feature, and peripheral direction contributivity. The gradient feature is extracted from either binary image or gray-scale image. The classifiers include the k-nearest neighbor classifier, three neural classifiers, a learning vector quantization classifier, a discriminative learning quadratic discriminant function (DLQDF) classifier, and two support vector classifiers (SVCs). All the classifiers and feature vectors give high recognition accuracies. Relatively, the chaincode feature and the gradient feature show advantage over other features, and the profile structure feature shows efficiency as a complementary feature. The SVC with RBF kernel (SVC-rbf) gives the highest accuracy in most cases but is extremely expensive in storage and computation. Among the non-SV classifiers, the polynomial classifier and DLQDF give the highest accuracies. The results of non-SV classifiers are competitive to the best ones previously reported on the same databases.     

卫星遥感图像中的小目标形状描述算法

提出一种卫星遥感图像中基于小波变换的形状描述新算法。对图像进行一级小波变换,用Hu矩、Zernike矩和Fourier描述子分别提取子波段特征向量,并根据各子波段的描述能力强弱对所得特征向量进行加权处理,并输入到分类器中检验其描述能力。实验结果表明,该算法能够对目标形状进行更准确的描述,较经典描述子性能更优。     

An approach for on-line signature authentication using Zernike moments

In this work, shape analysis of the acceleration plot, using lower order Zernike moments is performed for authentication of on-line signature. The on-line signature uses time functions of the signing process. The lower order Zernike moments represent the global shape of a pattern. The derived feature, acceleration vector is computed for the sample signature which comprises on-line pixels. The Zernike moment represent the shape of the acceleration plot. The summation value of a Zernike moment for a signature sample is obtained on normalized acceleration values. This type of substantiation decreases the influence of primary features with respect to translation, scaling and rotation at preprocessing stage. Zernike moments provide rotation invariance. In this investigation it was evident that the summation of magnitude of a Zernike moment for a genuine sample was less as compared to the summation of magnitude of a imposter sample. The number of derivatives of acceleration feature depends on the structural complexity of the signature sample. The computation of best order by polynomial fitting and reference template of a subject is discussed. The higher order derivatives of acceleration feature are considered. Signatures with higher order polynomial fitting and complex structure require higher order derivatives of acceleration. Each derivative better represents a portion of signature. The best result obtained is 4% of False Rejection Rate [FRR] and 2% of False Acceptance Rate [FAR].     

自适应加权LGCP与快速稀疏表示的面部表情识别

针对传统LBP特征提取方法对非单调光线变化比较敏感且无法对全局特征进行稀疏表示的缺陷,提出一种自适应加权局部格雷码模式（Local Gray Code Patterns,LGCP）与快速稀疏表示相结合的特征提取方法。先对原始图像应用边缘检测算子最大化边缘值,以克服光线变化对特征描述的影响。采用LGCP编码得到八位格雷码并转换为十进制,然后对图像进行分块加权级联,使描述子能够对局部特征进行最优表征;同时,为了得到更好的全局特征的稀疏表示,将级联后的直方图分布特征描述子作为原子构造字典;最后,使用一种快速稀疏表示方法作为分类器进行分类识别。基于扩展Cohn-Kanade（CK+）表情数据集进行多组实验,结果表明该方法的识别速度更快,识别率可达94%。     

基于L2,1范数稀疏特征选择和超法向量的深度图像序列行为识别

结合L_2,1范数稀疏特征选择和超法向量提出了一种新的深度图像序列行为识别方法。首先从深度图像序列中提取超法向量特征;然后利用L_2,1范数稀疏特征选择方法从超法向量特征中选择出最具判别性的稀疏特征子集作为特征表示;最后利用线性分类器Liblinear进行分类。在MSR Action3D数据库上的实验结果表明,所提方法使用2%的超法向量特征获得的识别率为94.55%,并且 具有比 其他方法更高的识别精度。     

基于谱归一化生成对抗网络的目标SAR图像仿真方法

为解决合成孔径雷达(Synthetic Aperture Radar, SAR)自动目标识别(Automatic Target Recognition, ATR)中的数据稀疏问题,提出一种基于谱归一化生成对抗网络(Spectral Normalization Generative Adversarial Network, SN-GAN)的目标SAR图像仿真方法。本文方法通过构建目标—场景—雷达耦合物理模型,求解散射强度分布图,利用SN-GAN实现对散射强度分布图的优化,生成高质量仿真SAR图像。通过3种相似性评估算法对仿真图像进行相似度评估,验证本文仿真方法的有效性。最后通过多组SAR ATR进行实验验证,在训练集中加入SN-GAN优化的仿真SAR图像可以有效缓解数据稀疏问题,提升分类算法的准确率。     

图像代数特征在面部表情识别中的应用

探讨了图像代数特征在面部表情识别中的应用,首先对面部表情图像进行了分割,得到眼睛和嘴巴区域,然后分别对眼睛和嘴巴区域提取不变矩和奇异值特征向量,并进行Fisher线性判别分析,最后训练了支持向量机分类器。实验结果表明该方法取得了比较好的识别效果。