基于结构特征的飞机目标识别方法

针对高分辨率可见光图像的飞机目标智能识别,提出一种基于飞机结构特征的识别方案。采用Mean shift方法分割图像,提取区域边界,得到目标轮廓集,对轮廓采取多种结构化表示方式,便于分析轮廓的特征及相互关系;综合利用尺寸、占空比、长宽比、凸包、直线段等多个形状特征筛选轮廓,定位飞机目标,确定飞机轴向,获取目标几何参数。实验结果证明,该方法定位精确、识别率高,是一种快速、稳健的飞机识别方案,对类似的人工目标的识别具有一定的参考意义。     

基于Hausdorff距离的飞机定位方法

为了更快、更准确地识别出遥感图像中的飞机目标,用角点与Hausdorff距离相结合的方法来定位飞机目标.首先对图像进行Harris角点提取,由于传统的Harris角点提取方法对尺度比较敏感,所以采用Harris-Laplacian角点提取方法,由于在尺度空间的每层图像上计算Harris角点的计算量比较大,结合机场图像背景单一且飞机的灰度值比较高的特殊性,提高角点检测的速度和准确性;然后利用改进的Hausdorff距离即基于平均距离值的Hausdorff距离对两个特征点集进行匹配来定位飞机目标.该方法只需要一个模板就能对飞机目标进行定位.通过对机场图像的试验结果表明,该方法能很好地定位出飞机目标,具有较好的鲁棒性和实用性.     

特征点和不变矩结合的遥感图像飞机目标识别

传统的飞机目标识别算法一般是通过目标分割,然后提取不变特征进行训练来完成目标的识别。但是,对于实际情况比较复杂的遥感图像飞机目标,至今没有一种适合多种机型的分割和识别算法。针对现有识别算法的不足,本研究提出一种基于特征点空间分布、颜色不变矩和Zernike不变矩相结合的遥感图像飞机目标识别算法。方法：首先,对预处理后的遥感图像和模板图像进行小波变换,在低分辨率图像下采用圆投影特征进行粗匹配,确定候选目标;粗匹配结束后,提取高分辨率图像的多尺度Harris-laplace角点,并画出Delaunay三角网,同时提取出颜色不变矩和Zernike不变矩;然后使用欧氏距离作为这三种特征的相似性度量,并和样本图像进行加权匹配;最后选取欧式距离最小的图像作为最终的识别目标。结果：实验表明,本文算法飞机检测精度比现有算法高2.2%,飞机识别精度比现有算法高1.4%-10.4%。该算法能从遥感图像中精确识别出十大飞机目标,并对背景、噪声、视角变化等多种干扰具有良好的鲁棒性。结论：提出了一种基于特征点空间分布、颜色不变矩和Zernike不变矩相结合的飞机识别算法,该算法使用了图像的多种信息,包括特征点和不变矩,有效地克服了使用单一特征无法描述多种信息的不足。实验结果表明,本文采用基于特征点和不变矩的飞机识别算法比其他算法具有更强的抗干扰能力和识别精度。     

遥感图像中的飞机快速定位方法

针对目前遥感图像中飞机的快速定位问题,提出了一种利用分布估计法处理边缘轮廓特征的飞机快速定位方法.首先融合不同精度的多边形近似结果,将复杂的几何轮廓转换为网状结构;再通过期望最大化(EM)算法对局部灰度纹理特征值进行分布估计,定位分割出飞机区域.对几幅机场图像的试验结果表明基于复杂边缘轮廓的方法不受图像各种灰度信息的干扰,突出了飞机同其他图像内容的区别,同时EM算法能够根据强化结果的纹理特征快速准确的定位出大幅遥感图像上各种型号的飞机目标,具有较好的鲁棒性和实用性.     

一种基于区域分割的地面飞机目标识别方法

针对遥感图像处理中的目标检测问题,根据具体应用要求,采用改进的图像分割方法对地面机场中的某些大型飞机进行型号识别.分析感兴趣的飞机参数,并在先验信息的基础上确定感兴趣区域(ROI),在待检区域和ROI匹配的基础上提取飞机目标,通过比较结构信息和不变矩信息实现地面飞机目标的检测与识别.实验结果表明,该方法的查全率为88.15％,查准率为80.67％,能达到预期目标.     

采用独立分量分析Zernike矩的遥感图像飞机目标识别

为了提高遥感图像目标自动识别系统的准确性,提出了一种新的采用独立分量分析(ICA)Zern ike矩的飞机目标识别方法.首先对分割后的目标区域进行独立分量分析处理,将待识别目标形状转换到标准形式,然后对标准化后的图像目标提取Zern ike矩作为特征向量进行识别.通过实验表明此方法具有鲁棒性,能有效地消除遥感图像目标尺度、旋转、平移、反转和扭曲影响,能够有效地识别遥感图像飞机目标.     

基于形状上下文识别算法的车牌识别研究

研究图像文字准确识别问题.由于目标图像形状复杂,蜕化后的车牌文字发生形变、残缺等,影响图像识别的精确性.为了实现自动文字识别和判断,提高准确率,提出了一种利用形状上下文特征的车牌文字快速识别算法.首先利用将车牌图形进行定位和二值化处理,然后提取文字的轮廓,对轮廓上的点求取形状上下文特征.采用Contrario算法,形状自身的统计特性来设置判别阈值,实现车牌文字识别的完全自动化处理.进行仿真的结果显示,新提出的方法能准确的将车牌字符与标准字符进行比对并进行识别,特别在图像蜕化和发生形变的时候,能保持识别的准确率,证明识别方法可以方便的拓展到其他类型的文字处理系统中,可为图像文字识别提供有效手段.     

显著图和多特征结合的遥感图像飞机目标识别

目的 遥感图像飞机目标的检测与识别是近年来国内外研究的热点之一。传统的飞机目标识别算法一般是先通过目标分割,然后提取不变特征进行训练来完成目标的识别。在干扰较少的情况下,传统算法的识别效果较好。但遥感图像存在着大量的干扰因素,如光照变化、复杂背景及噪声等,因此传统算法识别精度较低,耗时量较大。为快速、准确识别遥感图像中飞机目标,提出一种基于显著图和全局特征、局部特征结合的飞机目标识别算法。方法 首先使用改进的Itti显著算法提取遥感图像中的显著目标;接着使用基于区域增长和线标记算法寻找连通区域来确定候选目标的数量和位置;然后提取MSA（multi-scale autoconvolution）、Pseudo-Zernike矩和Harris-Laplace特征描述子,并使用标准差和均值的比值来评估特征的稳定性,再把提取的特征结合成特征向量;最后应用支持向量机的方法完成对候选目标的识别。结果 实验结果表明,本文算法检测率和识别率分别为97.2%和94.9%,均高于现有算法,并且耗时少,虚警率低（为0.03）,对噪声干扰、背景影响以及光照变化和仿射变化均具有良好的鲁棒性。结论 本文算法使用了图像的3种特征信息,包括MSA、Pseudo-Zernike矩和Harris-Laplace特征描述子,有效克服单一特征的缺点,提高了遥感图像飞机目标的识别率和抗干扰能力。     

基于卷积神经网络的遥感图像飞机目标识别

遥感图像的识别技术一直被广泛运用于民用和军事领域。针对采集到的遥感飞机图像存在大量干扰,如遮挡、噪声、视角变化等因素,提出一种改进的基于卷积神经网络的遥感图像目标识别算法。在复杂环境下,运用卷积神经网络对飞机目标进行识别,避免了在特征提取过程中信息的丢失,提高了识别率。实验结果证明了该算法在遥感图像飞机目标识别中的可行性,能克服尺度变化及目标姿态变化等因素的影响。同时提出的算法较传统CNN、BP神经网络和支持向量机(SVM)方法具有更好的识别效果,鲁棒性更强。     

基于先验形状的人工目标识别与轮廓恢复

以具有典型形状特征的操场为例,探讨了形状特征在人工目标自动识别中的应用。基于形状特征的人工目标识别,一般首先将图像分割为多个基元,然后依据人工目标有较规则形状的特点,以形状特征作为指标进行识别。由于高分辨率遥感图像细节信息丰富,这种方法所提取的目标轮廓往往不完整。本文提出了"图像-基元-目标-轮廓恢复"的识别模式,在目标识别后采用加入形状先验知识的主动轮廓模型对目标进行轮廓恢复。实验结果表明,这种方法可以有效地修正目标提取结果中的轮廓缺失。     

Third-order moment spectrum and weighted fuzzy classifier for robust 2-D object recognition

In this paper, a robust position, scale, and rotation invariant system for the recognition of closed 2-D noise corrupted images using the bispectral features of a contour sequence and the weighted fuzzy classifier are derived. The higher-order spectrum based on third-order moment, called a bispectrum, is applied to the contour sequences of an image to extract a 15-dimensional feature vector for each of the 2-D images. This bispectral feature vector, which is invariant to shape translation, scale, and rotation transformation, can be used to represent a 2-D planar image and is fed into a weighted fuzzy classifier for the recognition process. The experiments with eight different shapes of aircraft images are presented to illustrate the high performance of the proposed system even when the image is significantly corrupted by noise.     

分数阶Fourier域低分辨雷达飞机回波的分形特性分析与目标分类

常规低分辨雷达体制下的目标分类与辨识是雷达目标识别领域的一个研究难点。研究表明,地、海、空等雷达杂波具有分形特性,不同类型目标会对回波分形特性产生不同的影响,但在强杂波背景下,回波的分形特性更多地表现为杂波的特性。作为一种非平稳信号分析工具,分数阶Fourier变换可以有效地获取目标回波信号的细节特征并充分抑制杂波,且具有快速算法。为此,论文立足于分形及其相关理论,拟从分数阶Fourier域对常规雷达飞机目标回波的分形特性进行分析,估计和分析其分形参数,并对分数阶Fourier域回波分形特征在飞机目标分类中的应用进行探讨。研究结果表明,在最优变换阶数下,分数阶Fourier域飞机目标回波具有显著的分形特性,且充分反映了目标的特性,分形测度分析可以揭示回波的动力学演化机制,且最优变换域回波分形特征可以有效用于飞机目标的分类和识别。     

Stop-sign recognition based on color/shape processing

This paper presents a robust vision-based stop-sign reconition technique based on sequential processing of color and shape. The primary red-green-blue color coordinate system is first transformed into the saturation-hue-brightness color coordinate system. This color coordinate system allows the red color area of a stop sign to be bounded under various brightness conditions caused by weather, sun angle, or shadows. A combination of a median filter, a morphological filter, Sobel edge operator, and Hough transform is then employed to obtain the boundary contour. It is demonstrated that the parameters of eight straight lines representing the octagonal sides are sufficient for this purpose. Experimental results indicate that stop signs are successfully distinguished from other traffic sighs and background clutter.     

基于密集卷积神经网络的遥感飞机识别

传统的飞机识别方法受模糊、遮挡、噪声以及光照等多种因素的干扰时会降低识别率,且卷积神经网络主要依赖局部特征,却丢失了轮廓特征等重要的全局结构化特征,从而导致算法对于受干扰飞机图像识别效果不佳。因此,基于密集卷积神经网络提出一种结合局部与全局特征的联合监督识别方法,以密集卷积神经网络为基础得到图像特征,通过结合局部特征（卷积神经网络特征）与全局特征（方向梯度直方图特征）进行分类,分类器目标函数使用softmax损失和中心损失联合监督方法。实验结果表明,局部特征与全局特征的结合使算法更加智能化,且损失函数联合监督方法能够实现图像深层特征的类内聚合、类间分散,该算法能有效解决卷积神经网络对受到多种干扰的遥感图像识别率低的问题。     

基于模板匹配的纸币号码识别系统

设计了一种能准确识别纸币号码的系统;该系统首先通过CCD摄像头采集图像,然后经过图像处理、扫描法定位、模板匹配几个过程输出号码串;为了提高识别率,采用基于图像轮廓提取和利用图像上、下矩对字符进行粗分类的模板匹配算法,显著减少模板匹配的计算量;实验结果表明,该方法取得了较高的识别率,并且已经在一个实际的系统中得到应用.     

车辆牌照上英文和数字字符的结构特征分析及提取

为了研制高性能的车辆牌照自动识别系统，在详细分析车辆牌照上英文和数字字符结构特点的基础上，选择字符图象中的闭合曲线作为其整体特征，将笔画端点，三叉点和四叉点作为其细节特征，同时将笔画中的拐角点作为其辅助结构特征，三者可分别用于字符的粗分类，细分类和相似字符区分，进而提基于图论和细节点特征的闭合曲线检测算法以及基于二值图象外边缘轮廓线的笔画拐角点检测算法，将上述结构特征用于车辆牌照上英文和数字字符识别，测得识别率达96％，用PⅢ550计算机完成结构特征抽取和字符识别所用时间约20ms／字符，表明这些结构特征适用于车辆牌照上英文和数字字符的快速识别。     

Analyzing the Mallat Wavelet Transform to Delineate Contour and Textural Features

Analyzing natural scenes is made difficult when both contour and textural features are present. The problem of building suitable contour models from such images is compounded given texture region segmentation results in poor edge localization and multiscale edge representations cannot always separate salient contour features from irrelevant textural clutter. To overcome these problems, a novel algorithm is presented which first creates a multiscale edge representation using the Mallat wavelet transform and then recombines the edge map at each scale to create a single contour map where textural clutter has been minimized. This algorithm is then applied to natural and synthetic images containing contour features at different spatial scales and texture of varying spatial frequency and orientation. The results show that contour and textural features can be discriminated at each scale and the resulting contour map serves as a more effective representation on which subsequent localization and recognition tasks are based.     

语音控制的四旋翼飞行器设计与实现

基于语音识别技术,设计了一套语音远程控制四旋翼飞行器的系统。使用LD3320语音处理芯片和STM32微处理器实现语音识别功能,采用NRF24L01将识别结果传输到飞行器。选用STM32作为四旋翼飞行器的主控芯片,采用六轴运动组件MPU6050、三轴数字罗盘HMC5583L等传感器对飞行器的姿态进行实时测量,再利用数字滤波器对姿态信息进行处理,然后采用四元数进行姿态解算,最后运用双闭环PID控制算法实现姿态控制的要求。测试结果表明,通过语音可以控制四旋翼的正常飞行及姿态变化,系统稳定可靠。     

利用Hausdorff距离人脸图像定位算法

利用 Hausdorff距离的人脸图像定位算法是动态人脸识别系统的预处理工作 .定位算法与识别系统相结合 ,可提高人脸识别率 .由于动态人脸图像在移动过程中成像大小不是完全相同的 ,这样对进一步运动中人脸图像相互关系有较大的影响 ,提出了利用 Hausdorff距离来对图像中人脸进行定位 ,将图像中人脸部分提取出来并对其大小做调整 ,过滤掉背景信息 ,一定程度上简化了后续识别工作