基于Prewitt算子的卷积神经网络人脸识别方法

为了提高人脸识别算法的识别性能,提出了基于Prewitt算子的卷积神经网络人脸识别方法。首先通过直方图均衡化和Prewitt算子对人脸图像进行预处理;然后将其输入卷积神经网络进行训练,并采用指数衰减法来设置学习率加快收敛速度,使用L2正则化和Dropout来防止过拟合。该方法在ORL人脸数据库上的识别时间为0.2 s,识别率达到了98.1%。实验结果表明,利用Prewitt算子和改进的卷积神经网络能缩短识别时间,并且能提高识别率,具有一定优越性。     

基于视觉图像与激光点云融合的交通标志快速识别方法

交通标志对车辆交通起到重要作用和意义,而智能交通中交通标志识别由于标志特征提取效果差,导致识别率低、识别时间长,因此,提出一种新的基于视觉图像与激光点云融合的交通标志快速识别方法。采用双边滤波方法预处理原始激光点云数据;通过归一化处理得到视觉图像激光点云融合的目标空间激光点云位置测距数值。通过测距值获取目标图像位置,归一化处理交通标志视觉图像,引入k均值聚类算法(k-means clustering algorithm)二聚类处理图像,采用制作的切割模板切割图像感兴趣区域(ROI),提取交通标志图像的深度特征,结合卷积神经网络二次过滤特征,重新标定二次过滤后的特征,最终利用卷积神经网络模型实现交通标志快速识别。经实验对比证明,采用所提方法的提取各个类型交通标志特征的提取效果较好,并且识别率达到89.74%,识别时间仅为13.1s,干扰下识别时间最高仅为15.1s,验证了该方法可以快速且准确识别各个类型的交通标志。     

基于PCA初始化卷积核的CNN手写数字识别算法

针对卷积神经网络对手写数字识别训练在卷积核随机初始化情况下收敛速度慢和识别率低的问题，提出一种主成分分析（PCA）初始化卷积核的卷积神经网络（CNN）手写数字识别算法。算法首先选取训练样本集并将其送入CNN，在相应层对Feature Map进行全覆盖取图像块处理，然后进行分层PCA学习，将学习到的特征向量做为对应卷积层的卷积核参数进行初始化，最后再用这些卷积核对原始图像进行卷积操作。实验结果表明，与随机初始化卷积核的CNN手写数字识别算法相比，改进的算法在应用MNIST数据库训练时不仅收敛，而且在产生相同均方误差的情况下迭代次数少，识别率高。     

基于视频分段的空时双通道卷积神经网络的行为识别

针对原始空时双通道卷积神经网络（CNN）模型对长时段复杂视频中行为识别率低的问题，提出了一种基于视频分段的空时双通道卷积神经网络的行为识别方法。首先将视频分成多个等长不重叠的分段，对每个分段随机采样得到代表视频静态特征的帧图像和代表运动特征的堆叠光流图像；然后将这两种图像分别输入到空域和时域卷积神经网络进行特征提取，再在两个通道分别融合各视频分段特征得到空域和时域的类别预测特征；最后集成双通道的预测特征得到视频行为识别结果。通过实验讨论了多种数据增强方法和迁移学习方案以解决训练样本不足导致的过拟合问题，分析了不同分段数、预训练网络、分段特征融合方案和双通道集成策略对行为识别性能的影响。实验结果显示所提模型在UCF101数据集上的行为识别准确率达到91.80%，比原始的双通道模型提高了3.8个百分点；同时在HMDB51数据集上的行为识别准确率也比原模型提高，达到61.39%，这表明所提模型能够更好地学习和表达长时段复杂视频中人体行为特征。     

基于多特征融合和卷积神经网络的植物叶片识别

植物叶片识别是植物自动分类识别研究的重要分支和热点,利用卷积神经网络进行图像分类研究已成为主流.为了提高植物叶片识别准确率,提出了基于多特征融合和卷积神经网络的植物叶片图像识别方法.首先对植物叶片图像进行预处理,提取LBP特征和Gabor特征,将多特征相加融合输入网络进行训练,使用卷积神经网络(AlexNet)构架作为分类器,利用全连接层对植物叶片进行识别.为了避免过拟合现象,使用"dropout"方法训练卷积神经网络,通过调节学习率、dropout值、迭代次数优化模型.实验结果表明,基于多特征融合的卷积神经网络植物叶片识别方法对Flavia数据库32种叶片和MEW2014数据库189种叶片识别分类效果较好,平均正确识别率分别为93.25％和96.37％,相比一般的卷积神经网络识别方法,该方法可以提高植物叶片的识别准确率,鲁棒性更强.     

双通道卷积神经网络在静态手势识别中的应用

针对静态手势识别任务中,传统基于人工提取特征方法耗时耗力,识别率较低,现有卷积神经网络依赖单一卷积核提取特征不够充分的问题,提出双通道卷积神经网络模型。输入手势图片通过两个相互独立的通道进行特征提取,双通道具有尺度不同的卷积核,能够提取输入图像中不同尺度的特征,然后在全连接层进行特征融合,最后经过softmax分类器进行分类。在Thomas Moeslund和Jochen Triesch手势数据库上进行实验验证,结果表明该模型提高了静态手势识别的准确率,增强了卷积神经网络的泛化能力。     

低光照环境下的图像恢复与目标识别方法

现有的低光照图像目标识别方法通常将图像恢复与目标识别任务分开处理,且在图像恢复质量和计算时间上无法满足目标识别任务的要求.针对这些问题,首先,提出一种高效的图像恢复卷积神经网络架构,通过融合不同尺度的特征图来聚合多级上下文特征信息,减少卷积层的信息冗余,提高图像恢复任务的实时性.并且设计了一个局部-全局注意力模块,通过校准各特征图的局部信息和特征通道之间的关系,提高恢复网络对噪声和图像内容的区分能力.其次,提出了一种图像恢复和目标识别任务协同处理的方法.利用目标识别的高级语义信息指导图像恢复网络学习,从而突出目标的结构和纹理等特征,使恢复结果更加适应目标识别任务.实验结果表明,该方法在图像恢复质量、计算时间和目标识别率上明显优于已有方法.     

基于注意力机制编码器-解码器的手写数学公式识别模型

针对现有的手写数学公式识别（HMER）方法经过卷积神经网络（CNN）多次池化后，图像分辨率降低、特征信息丢失，从而引起解析错误的问题，提出基于注意力机制编码器-解码器的HMER模型。首先，采用稠密卷积网络（DenseNet）作为编码器，使用稠密连接加强特征提取，促进梯度传播，并缓解梯度消失；其次，采用门控循环单元（GRU）作为解码器，并引入注意力机制，将注意力分配到图像的不同区域，从而准确地实现符号识别和结构分析；最后，对手写数学公式图像进行编码，将编码结果解码为LaTeX序列。在在线手写数学公式识别竞赛（CROHME）数据集上的实验结果表明，所提模型的识别率提升到40.39%，而在3个级别的允许误差范围内，识别率分别提升到52.74%、58.82%和62.98%。相较于双向长短期记忆（BLSTM）网络模型，所提模型的识别率提高了3.17个百分点；而在3个级别的允许误差范围内，识别率分别提高了8.52、11.56和12.78个百分点。可见，所提模型能够准确地解析手写数学公式图像，生成LaTeX序列，提升识别率。     

基于多尺度卷积神经网络的交通标志识别

基于多纵卷积神经网络的交通标志识别算法识别率较高,但识别和训练时间较长,实用性较差。为此,构造一种基于多尺度卷积神经网络的道路交通标志识别模型。通过改进单尺度卷积神经网络中特征提取的基网络,将网络不同层级所产生的特征融合为多尺度特征并提供给分类器,以提高低层特征的利用率。在GTSRB数据集上的实验结果表明,该模型准确识别率达到99.25%,与多纵卷积神经网络模型相比,其在保证高精度的同时,识别和训练时间的降幅均超过90%,更适用于真实路况下交通标志的精准检测。     

基于卷积神经网络的火焰智能识别研究

传统方法无法描述火焰变化特点，导致识别错误率高，识别时间长，为获得更加理想的识别结果，设计基于卷积神经网络的火焰识别算法。采集火焰图像，对火焰图像进行预处理，提高火焰图像的清晰度，并提取火焰识别特征，采用卷积神经网络对特征和火焰状态之间的关系进行模拟，构建火焰智能识别模型。在相同测试平台下，与其他方法进行对照实验，结果表明，所提方法描述火焰的变化特点，大幅度提升火焰识别正确率，同时缩短火焰识别时间，识别整体性能明显优于经典方法，具有较高实际应用价值。     

基于双通道空洞卷积神经网络的手势识别

为了提高手势识别过程中识别率,提出了一种基于双通道卷积神经网络(CNN)的识别算法.首先,对原始手势图像进行预处理,得到手部边缘图像;然后,分别选取手势图像和手部边缘图像作为CNN的两个输入通道;最后,在全连接层进行特征融合,并用SoftMax分类器对输出结果进行分类.通过实验证明:该算法能有效提高手势识别率,达到99...     

基于卷积神经网络的掌纹识别

随着社会的发展,身份信息的安全问题日益凸显。为解决用户身份识别过程中受环境影响较大,以及掌纹识别时提取掌纹特征复杂的问题,本文进行了"基于卷积神经网络(CNN)的掌纹识别"的研究。运用该算法的优势在于简化了掌纹识别的前期预处理,可以直接将采集的原始图像进行输入,然后识别。通过卷积操作和最大池化操作,减少了训练参数量,大大节约了时间。最后使用Softmax分类器对结果进行分类。实验结果显示,该方法对不同人的掌纹有较高的识别率,克服了传统掌纹识别精度差,识别时间长,人工提取特征困难的缺点。     

基于分形维度的林业遥感图像树种分类识别

传统的树种分类识别方法未进行最大池化操作,导致树种分类识别精度差。现引入分形维度进行林业遥感图像树种分类识别。通过ROI区域截取获取遥感树种图像,利用直方图均衡化方法进行原始图像预处理,以便获得高质量与清晰度的林业遥感图像;通过分形维度理论分析提取的林业遥感图像纹理特征,完成卷积神经网络模型的优化构建;将林业遥感图像纹理特征输入卷积层,经卷积层的卷积操作并计算特征数据,池化池通过最大池化操作卷积层输出的数据;通过Relu激活函数对林业遥感图像树种纹理特征进行深度分析,利用Softmax分类器实现树种分类识别。实验结果表明,上述方法预处理后的遥感图像质量高,且林业遥感图像树种分类识别的效率高,分类识别的时间低至35.7ms,分类识别的准确率高达95.62%。     

基于局部特征的卷积神经网络模型

传统卷积神经网络对于特征不明显或歧义性大的图像识别率较低。针对该问题,在卷积神经网络的基础上通过增加局部特征提取层和概率权重综合层,构建基于局部特征的卷积神经网络模型。该模型对输入图像的局部进行识别,得到局部图像的分类概率信息,综合分析所有局部图像的分类概率信息得到最终网络输出。手写字符识别实验结果表明,与经典的卷积神经网络模型相比,该模型识别率较高,尤其是在输入图像特征较为模糊的情况下优势更为明显。     

基于CapsNet的中国手指语识别

传统的手指语识别采用卷积神经网络的方法，模型结构单一，在池化层会丢弃很多信息； Capsule（胶囊）是在神经网络中构建和抽象出的子网络，每个胶囊都专注于一些单独的任务，又能保留图像的空间特征。分析了中国手语中手指语的特征，构建并扩展了手指语图片训练集，试图用CapsNet（胶囊网络）模型解决手指语的识别任务，对比了不同参数下CapsNet的识别率，并与经典的GoogLeNet卷积网络作对比。实验结果表明，CapsNet在手语识别任务上能达到较好的识别效果。     

基于深度学习的图像文字识别技术在数字化审计中的应用

通过整合的数字化审计平台获取所需审计信息，对所获信息中的图像展开小波变换分解，滤除审计图像噪声的同时提升其质量。结合基于Canny算子的边缘检测与区域分割技术分割完成预处理的审计图像，将完成分割的审计图像输入卷积神经网络，通过卷积层卷积处理审计图像提取审计图像文字特征。经下采样层累积卷积结果得出审计图像文字特征映射图，通过全连接网络判定所提取审计图像文字特征，输出识别结果后通过基于Relief算法的多特征融合方法改进卷积神经网络识别结果。实验结果表明，该方法具有较好的噪声滤除与分割效果，能够精准、清晰识别审计图像中的文字信息。     

基于拉普拉斯卷积网络和SMM分类器的小麦麦粒识别

为了提高小麦麦粒识别的识别率,采用了拉普拉斯卷积网络(Convolution Network Based on Laplacian Eigenmap,LENet)和支持矩阵机(Support Matrix Machines,SMM)分类器相结合的方法对小麦麦粒进行识别。拉普拉斯卷积网络是一种无反馈的轻量型级联卷积神经网络,可以用来提取小麦麦粒的特征,该网络通过拉普拉斯特征映射来学习网络的参数,输出层通过块直方图编码和矩阵化处理实现,最终提取的特征使用SMM分类器进行分类。通过在建立的小麦麦粒图像数据库上的实验表明,该麦粒识别方法要优于一些传统特征提取分类方法,取得了较好的识别效果。     

基于改进卷积神经网络的周界入侵检测方法

监控系统已经成为周界入侵防范的重要手段之一,但是目前局限于被动式监视。对此,提出一种通过对监控系统传回的视频图像进行人体目标识别进而实现主动周界入侵检测的方法。针对目前人体目标检测算法场景适用性较差的问题,提出一种基于改进卷积神经网络的行人检测算法,该方法在深层特征的基础上融入浅层特征,利用浅层特征校正深层特征在识别目标过小时的局限性,最后利用Softmax进行分类。实验结果证实,改进后的卷积神经网络对行人的姿态和适用场景都具有较高的鲁棒性,并且在INRIA库上的识别率为98.82%, 在NICTA库上的识别率为99.82%,在CVC库上的识别率为94.50%,在Daimler库上的识别率为99.92%。     

仿射不变的多尺度自卷积熵提取方法

为从在不同视角获取的同一场景图像中提取更加独特的不变特征,提出一种图像仿射不变特征的提取方法.首先基于多尺度自卷积变换(MSA)构造了一组新的变换量--多尺度自卷积熵(MSAE);并让明了该熵具有仿射不变性;最后利用最小距离分类器分别对视点变换图像,以及加噪声,加部分遮挡视点变换图像进行分类识别实验.实验结果表明,MSAE特征能够获得更高的正确识别率.     

基于异步多时域特征的动态手势识别方法

准确及时地手势识别在增强现实技术中具有重要的意义。针对表征复杂手势序列的时空特征,提出了一种基于异步多时域时空特征的手势识别方法。该方法通过轻量级三维卷积网络提取视频序列的不同时间步态的短期时空特征,通过改进的卷积长短期记忆网络学习长期时空特征,将不同步态的时空特征融合为异步多时域特征,以此来对手势进行分类识别。通过与其他主流方法进行比较,实验结果证明了提出的方法具有较高的动态手势识别率。