基于神经网络的畸变图像校正方法研究

基于神经网络的畸变图像校正方法与传统畸变图像校正方法相比,降低了构建模型的难度.因此,文章对基于神经网络的畸变图像校正方法进行重点研究,首先在量子遗传法中引入免疫学中的克隆选择算法,然后将其与BP算法进行结合,发挥二者的融合优势,以满足畸变图像校正的需求,实验结果表明,这种方法的应用效果十分显著.     

流场测速中基于深度卷积神经网络的光学畸变校正技术

基于光学成像的流场测量技术,如粒子图像测速技术（PIV）,易受到因流体中折射率的不均匀性或晃动的介质边界引起的光学畸变而带来的影响。这些畸变会使得示踪粒子在图像上的位置分布产生误差且严重影响图像清晰度,从而增大流场速度测量的误差。为了提高光学流场速度测量的测量精度,自适应光学系统可以应用于其中去校正光学畸变。基于图像流场测量中的光学像差具有频率高,动态范围大,空间分辨率高等特点,对于这一应用场景,基于波前校正器件的自适应光学系统受到了器件本身性能的影响。基于深度学习的自适应光学技术在流场测量中的应用,建立了一种基于深度神经网络的无波前校正器件自适应光学校正技术,以深度神经网络代替传统的波前校正器件,用于粒子图像测速技术中的光学畸变校正。为了生成神经网络所需要的训练和测试数据集,搭建了可以实现波前测量的粒子图像测速实验平台,分析并建立了光学畸变在粒子图像上的图像退化模型。最后,以校正后PIV图像的校正效果和流场速度测量结果作为评价标准,对所建立神经网络的畸变校正性能进行了分析。     

字符识别中的畸变字符校正算法研究

文章提出了一种基于模板匹配的畸变字符识别算法。该算法可以自动校正由于柱面透视投影所引起的畸变字符图像,显著提高柱面字符识别的正确率。然后对校正后的图像进行字符定位,最终通过模板匹配算法对字符做出判决。试验结果表明,畸变字符校正算法有效地提高了算法对于圆柱面上字符的识别能力,在测试中取得了良好的效果。     

基于卷积神经网络DL算法的文字图像识别研究

为提高文字图像识别结果与文字图像实际分类结果的相似度,引入卷积神经网络DL算法,开展对文字图像识别方法设计研究.通过构建卷积神经网络文字图像识别层级模型、基于DL算法的模型训练、文字图像识别结果分类,提出一种全新的识别方法.分析对比实验结果得出,设计方法的识别结果相似度更高,识别误差更小,可以实现对文字图像识别精度的提...     

基于卷积神经网络的车道线实例分割算法

车辆行驶环境感知是自动驾驶领域的重点和难点问题,其中车道线检测是车辆行驶环境感知的基础.针对不同实例车道线难以区分、现有区分算法时间复杂度高、不同行驶场景需人为调整超参数等问题,提出了一种三分支车道线实例分割算法,并对分割结果进行自适应聚类以拟合不同实例车道线.针对车载摄像头获取的图像数据不均衡特点,用基于三分视野法的...     

基于CNN的SAR图像目标分类优化算法

随着合成孔径雷达技术的成熟,传统方法已经难以满足海量SAR数据的分类精度和速度需求。为解决上述问题,采用卷积神经网络对海量SAR数据进行分类。针对SAR图像数据的特点,对卷积神经网络结构参数进行调整,提高网络训练速度,克服权重更新中的梯度消失,改善网络训练过程中收敛慢的问题,提升目标分类准确率。同时提出了一种ZCA白化与主成分分析相结合的方法对SAR图像进行预处理,进一步提升了网络的训练速度以及目标分类的准确率。实验采用的是美国MSTAR数据库,通过上述优化方法得到了较好的分类效果。     

一种基于集成卷积神经网络的SAR图像目标识别算法

针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别问题,提出了一种基于集成卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先对原始数据集进行数据增强的预处理操作,以扩充训练样本;接着通过重采样的方法从训练样本中获取不同的训练子集,并在训练各基分类器时引入Dropout和Padding操作,有效增强了网络泛化能力;然后采用Adadelta算法与Nesterov动量法结合的思想来优化网络,提高了网络的收敛速度和识别精度;最后采用相对多数投票法对基分类器的分类结果进行集成。在MSTAR数据集上进行的实验结果表明,集成后的模型识别准确率达到99.30%,识别性能优于单个卷积神经网络,具有较强的泛化能力和较好的稳健性。     

基于全卷积神经网络的SAR图像目标分类

近年来,卷积神经网络(Convolutional Neural Network,CNN)在合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标分类中取得了较好的分类结果。CNN结构中,前面若干层由交替的卷积层、池化层堆叠而成,后面若干层为全连接层。全卷积神经网络（All Convolutional Neural Network, A-CNN）是对CNN结构的一种改进,其中池化层和全连接层都用卷积层代替,该结构已在计算机视觉领域被应用。针对公布的MSTAR数据集,提出了基于A-CNN的SAR图像目标分类方法,并与基于CNN的SAR图像分类方法进行对比。实验结果表明,基于A-CNN的SAR图像目标分类正确率要高于基于CNN的分类正确率。     

基于神经网络的改进型红外图像自适应非均匀校正算法

针对传统的基于神经网络的自适应非均匀性校正(Neural-Network-based Non-Uniformity Correction, NN-NUC)算法在 实际应用中存在校正能力有限和容易产生鬼影的问题,深入分析了NN-NUC算法中的鬼 影产生过程,并给出了抑制鬼影的一般性方法;然后结合实际红外成像系统的特点,提出 了一种改进型NN-NUC算法。仿真实验结果表明,该算法可以最大限 度地抑制场景鬼影的产生,并可有效减小系统输出图像的非均匀性噪声。此外,本文算法 计算量小,且易于用硬件实现,因此具有很好的工程应用价值。     

基于F-CNN的雷达目标辨识算法

针对雷达真实目标、地杂波和密集假目标的辨识问题，提出了一种基于分解卷积神经网络的雷达目标辨识算法。以深度可分离卷积为基础建立分解卷积神经网络模型。为了减少模型参数，通过减少卷积核数量和全连接层连接节点数量，减少识别特征种类，建立了精简分解卷积神经网络。实测数据的处理结果表明，该算法与现有卷积神经网络方法相比，精简分解卷积神经网络对真实目标样本、地杂波样本和密集假目标样本具有更高的识别正确率，且精简模型参数数量不到现有方法的十分之一。     

Face Image Recognition Based on Convolutional Neural Network

With the continuous progress of The Times and the development of technology,the rise of network social media has also brought the“explosive”growth of image data.As one of the main ways of People’s Daily communication,image is widely used as a carrier of communication because of its rich content,intuitive and other advantages.Image recognition based on convolution neural network is the first application in the field of image recognition.A series of algorithm operations such as image eigenvalue extraction,recognition and convolution are used to identify and analyze different images.The rapid development of artificial intelligence makes machine learning more and more important in its research field.Use algorithms to learn each piece of data and predict the outcome.This has become an important key to open the door of artificial intelligence.In machine vision,image recognition is the foundation,but how to associate the low-level information in the image with the high-level image semantics becomes the key problem of image recognition.Predecessors have provided many model algorithms,which have laid a solid foundation for the development of artificial intelligence and image recognition.The multi-level information fusion model based on the VGG16 model is an improvement on the fully connected neural network.Different from full connection network,convolutional neural network does not use full connection method in each layer of neurons of neural network,but USES some nodes for connection.Although this method reduces the computation time,due to the fact that the convolutional neural network model will lose some useful feature information in the process of propagation and calculation,this paper improves the model to be a multi-level information fusion of the convolution calculation method,and further recovers the discarded feature information,so as to improve the recognition rate of the image.VGG divides the network into five groups(mimicking the five layers of AlexNet),yet it USES 3*3 filters and combines them as a convolution sequence.Network deeper DCNN,channel number is bigger.The recognition rate of the model was verified by 0RL Face Database,BioID Face Database and CASIA Face Image Database.     

基于卷积神经网络的鲁棒高精度目标跟踪算法

目标跟踪是计算机视觉中重要的研究领域之一.为了跟踪复杂场景中外观变化剧烈的目标,本文提出了一种基于卷积神经网络的目标跟踪算法.算法中的网络模型结构包括预训练的特征提取层和自适应更新的分类器层.在开始跟踪前,首先训练全连接层和分类器层的参数,以及目标的特征与位置之间的线性关系.其次,定义了评估跟踪结果可信度的标准.如果得到的跟踪结果的可信度较高,则根据跟踪结果的特征调整位置,提高跟踪结果的精确度.最后,在训练网络时,每次迭代都选择分类器得分的最高的负样本参与训练.该策略可以提高模型的分辨能力.在OTB50测试集中的实验结果表明,我们的算法取得了良好的跟踪结果.     

基于无预训练卷积神经网络的红外车辆目标检测

为解决基于卷积神经网络的目标检测算法对预训练权重的过度依赖,特别是数据稀缺条件下的红外场景目标检测,提出了融入注意力模块来缓解不进行预训练所带来的检测性能下降的方法.本文基于YOLO v3算法,在网络结构中融入模仿人类注意力机制的SE和CBAM模块,对提取的特征进行通道层面和空间层面的重标定.根据特征的重要程度,自适应...     

基于卷积神经网络的红外与可见光图像融合

非下采样剪切波变换(NSST)域中低频子带的融合需要人工给定融合模式,因此未能充分捕获源图像的空间连续性和轮廓细节信息.针对上述问题,提出了基于深度卷积神经网络的红外与可见光图像融合算法.首先,使用孪生双通道卷积神经网络学习NSST域低频子带的特征来输出衡量子带空间细节信息的特征图.然后,根据高斯滤波处理的特征图设计了基于局部相似性的测量函数来自适应地调整NSST域低频子带的融合模式.最后,根据NSST域高频子带的方差、局部区域能量以及可见度特征来自适应地设置脉冲耦合神经网络参数完成NSST域高频子带的融合.实验结果表明:该算法QAB/F指标略弱于对比算法,但SF、SP、SSIM以及VIFF指标分别提高了约50.42％、14.25％、7.91％以及61.67％,有效地解决了低频子带融合模式给定的问题,同时又克服了手动设置PCNN参数的缺陷.     

基于卷积神经网络迁移学习的飞机目标识别

飞机目标识别是地面情报系统的一项重要关键技术。近年来火热的深度学习方法,如卷积神经网络,展现出对于图像识别任务的优越性能。但是,训练卷积神经网络需要大量的带标签样本以估计规模庞大的模型参数,因而限制了其在雷达目标识别领域中的应用。针对飞机目标识别中的小样本问题,文中引入适用于有限数据场景的迁移学习技术,预先在其他大样本高分辨距离像数据上训练一个初始卷积神经网络模型,再结合当前飞机目标识别任务调优模型参数。在实测数据上的实验结果显示,与仅使用卷积神经网络的方法相比,所提方法可显著提升识别准确率,验证了方法的有效性。