基于卷积神经网络中层特征学习的交通标志图像识别

为解决目前方法不能有效对交通标志进行检测定位,定位交通标志效率低下,存在误检漏检的问题,提出基于卷积神经网络中层特征学习的交通标志图像识别。计算图像的显著度并输出感兴趣区域;提取底层图像特征,构建优化目标函数并训练视觉词典,使用PCA方法提取交通标志图像特征并与视觉词典进行卷积,通过空间金字塔池化提取多层次特征;使用SoftMax分类器进行分类。结果表明：该方法的召回率为96%,准确率为97%,取得良好效果,小标志的召回率为94.5%,准确率为95.5%,有利于远距离交通标志识别,标志的平均定位时间为0.006 s,实时性强。     

基于语义分割的槟榔内核轮廓检测

为了实现首饰的自动识别,设计了一套基于机器视觉的首饰识别系统,并提出相应的算法。采用8种首饰作为试验样本,利用G+R分量和的颜色阈值分割法,并用27×27的模板对二值化图像进行滤波,采用2×2窗口内像素灰度值之和并结合阈值的边缘提取方法。提取面积特征和图像形心到边缘的距离特征。对面积判断其大小在设定数值范围内,对距离特征采用互相关算法处理。实验结果表明,该方法的识别准确率达100%,识别一个首饰所用时间约3秒,满足在实际中应用的要求。     

基于Logistic回归的零件图像区域提取

针对机器人自动化生产线中视觉定位零件的问题进行了研究,为了能够快速的在复杂背景中提取出零件图像区域,提出了一种基于Logistic回归的零件图像区域提取的机器视觉算法。首先,在工作场景图像中采集若干正类和负类样本点;然后,将样本点的BGR值进行格式上的整理并保存;其次,将整理的数据代入按照梯度上升法推导的公式中,计算Logistic最佳回归系数;最后,载入待处理图像,使用Logistic回归分类器对其中的每个像素进行分类,提取出零件区域。实验表明,该算法提取出的零件图像区域边缘清晰,实时性高,且由于输入为像素点的BGR值,因此对零件的外形没有要求,也不需要额外的夹具。     

人脸图像ICM时间序列识别方法

提出一种仿生物视觉算法模型的彩色人脸图像识别方法——视觉交叉皮层时间序列人脸特征提取算法。将彩色人脸图像从RGB空间转换至HSI空间,对HSI空间的各个图像分量分别提取时间序列,将各个分量的时间序列连接形成整体的人脸图像特征。该序列对不同人脸图像具有较高的区分度,而对于不同角度的相同人脸图像却表现出一致性。用第一范式距离作为判据进行人脸图像识别,并与PCAI、CA以及基本的PCNN进行比较,实验结果表明,提出的方法识别速度明显高于比较的几种方法,识别准确率可以达到86.73%。     

基于视觉描述符的图像大数据分类算法仿真

图像大数据化是不可阻挡的科技进程,但随着图像数量的增多,传统分类算法在图像识别与分类上具有一定的局限性。为解决大数据图像分类的精确度低下的问题,提出一种融合图像视觉描述符与图像初级特征的分类算法。首先利用迁移学习的优势,从VGG18的最大池化层提取图像的初级特征;然后加个图像预处理,采用“82圆型LBP算子”与“化Canny算子”分别提取同质纹理描述符与边缘直方描述符;最后将图像基础特征与视觉描述符相融合构建基于支持向量机的图像识别分类模型(DES-SVM)。仿真结果表明,经图像视觉描述符与图像初级特征相融合的建模方式,有效的提高了图像分类的精确度,较传统SVM模型相比,DES-SVM模型在UKB图像库与ZBD图像库上准确率、召回率与F指标分别提高了7.85%、8.42%和8.13%。构建的DES-SVM图像识别分类模型通过视觉描述符提取的方式有效的提升了模型的性能。     

基于神经网络与特征融合的胶囊内镜图像识别模型

当前消化道胶囊内镜图像识别算法存在两个局限,一是要对有差别的病灶设计具体的特征检测算法;二是通过深度学习开展迁移学习时,原训练数据与胶囊内镜图像存在较大差异.因此,提出一种小型通用的基于神经网络与特征融合的胶囊内镜图像识别模型.对图像分离G通道、Log变换和直方图均衡化预处理;采用三个相同卷积神经网络分别对三种预处理后的图像提取特征;采用Bagging算法进行特征融合与识别.对Kvasir数据集的实验表明,该模型准确率为96.89％,比RGB输入、传统机器视觉和经典神经网络模型高出2.05百分点以上,其AUC均值达到0.99,灵敏度达到98.55％,特异度达到96.51％.该模型能为医生诊断提供辅助作用.     

远程采集无人机图像的特征识别方法研究

地面对空中无人机的视觉识别中,由于无人机的飞行速度、角度呈现非线性变化;使得采集的疑似图像存在特征模糊、衰退等问题,传统的模式识别方法无法提取无人机图像的主要特征,极大程度上降低了图像的识别概率;提出一种引入球面谐波基图像特征细分的无人机识别算法,建立球面谐波基图像识别模型,利用无人机图像的球面谐波基图像近似率,对模糊图像的差异特征进行依次识别;实验结果表明,利用改进算法建立的模糊无人机图像差异特征识别模型,具有一定的优越性,提高了无人机识别的准确率。     

Gabor小波和改进LBP的零件表面粗糙度识别

目的 为了提取零件表面图像的纹理特征并对其表面粗糙度分类识别,有效提高识别的正确率,提出了联合Gabor小波和改进局部二值模式(LBP)的纹理特征提取方法。方法 针对传统LBP算子忽略了邻域内灰度差幅值特征的问题,提出了M_LBP(magnitude considered LBP)算子。采用Gabor小波对零件表面图像滤波,并计算各子图像 Gabor幅值特征GMM(Gabor magnitude maps)。应用M_LBP算子计算各GMM的M_LBP特征谱,进而构造得到零件表面图像的纹理特征向量,最后通过KNN(K-nearest neighbor)算法对零件粗糙度分类识别。结果 本文提出的算法有效细化了表面图像纹理特征,对粗糙度差别为0.2 μm的零件识别准确率达到98%,远高于利用传统LBP算子提取的纹理信息的识别准确率。结论 本文提出了一种有效细化LBP纹理特征的M_LBP算子,并通过与Gabor小波的结合,突破了传统LBP算子尺度、方向单一,幅值信息被忽略的局限性,能实现较高精度的粗糙度识别。     

机器视觉感知三维图像中的人体行为识别算法

研究机器视觉感知中的人体行为准确识别问题.机器视觉感知中,采集的信息多为二维平面信息,在合成三维图像感知信息过程中,传统的因式分解合成法运用形状基数量固定,很难表达复杂行为特征,造成行为特征会出现一定的偏差,人体行为识别准确性不高.为了避免上述缺陷,提出了一种新的机器视觉感知中的人体三维行为识别算法.采集人体行为图像,并检测图像的轮廓区域,对检测区间间隙初始划分,通过把三维不定特征在三维空间进行空间映射,完成模糊性的消除,为人体三维行为识别提供数据基础.根据提取的消除模糊性后的人体三维行作为特征分量,对人体三维行为进行识别.实验结果表明,利用这种算法进行人体三维行为识别,能够准确的识别人体的行为,极大地提高了人体行为识别的准确率.     

经编机布匹瑕疵的在线视觉检测

为实现经编机织布过程中布匹瑕疵的实时检测,提出了一种基于机器视觉的实时检测方法。离线训练时分别学习有瑕疵和无瑕疵纹理布匹图像,自动求取纹理基元周期和纹理方向,用以构建实用的两方向Gabor滤波器组,进而提取有和无瑕疵图像特征。在线检测时,以离线所构建的Gabor滤波器组分解图像,以离线所求取的参数窗口化Gabor子图,进而提取子图特征并采用特征变化率来代替原始特征的方法以消除光照不均影响。实验表明,该方法可以适应不同纹理布匹检测需求,消除光照影响,布匹检测准确率高达99%,检测一帧（54 pixel×600 pixel）的平均时间为100 ms,实时性和准确性高,可实现经编机布匹瑕疵的在线实时检测。     

微电子封装位置在线实时图像识别算法研究

提出一种针对流水线上微电子点胶封装位置的在线实时图像识别算法。通过对封装位置所在圆的颜色特征分析,提取R分量进行图像灰度化,采用迭代法对灰度图像进行阈值分割去除复杂背景得到二值图像,利用中值滤波法平滑二值图像消除分割后的噪声,运用Sobel算子提取边缘获得边缘信息,利用Hough变换找出边缘信息中待识别圆的中心位置,完成对封装位置的检测。实验结果表明,利用机器视觉技术可以快速、准确地对微电子封装位置进行定位,具有很好的理论和实际应用价值。     

基于机器视觉的无夹具加工数控系统研究

本文介绍了基于机器视觉的轮廓零件自动定位寻位加工方法。该研究在可视化操作平台上,采用松弛复原图像,边缘特征抽取算法,可对任意定位的轮廓零件自动生成数控加工程序。仿真试验表明,该研究能满足无夹具数控加工的要求。     

基于机器视觉的刚性接触网绝缘子病害检测系统

针对刚性接触网绝缘子病害造成的城市轨道交通弓网故障,以及在雨雾环境下对绝缘子裂纹病害检测的工程需求,设计了基于机器视觉的刚性接触网绝缘子病害检测系统。基于深度摄像头和激光雷达技术,采用暗通道先验算法预处理在雨雾环境下的图像;采用SURF算法实现绝缘子的快速特征识别;采用小波变换和维纳滤波技术进一步优化图像;采用改进型Canny算法提取绝缘子裂纹病害边缘,使得系统对绝缘子病害检测的准确率达到92.5%,误判率仅为5%。     

基于小样本学习的SAR图像识别

深度学习已成为图像识别领域的一个研究热点。与传统图像识别方法不同,深度学习从大量数据中自动学习特征,并且具有强大的自学习能力和高效的特征表达能力。但在小样本条件下,传统的深度学习方法如卷积神经网络难以学习到有效的特征,造成图像识别的准确率较低。因此,提出一种新的小样本条件下的图像识别算法用于解决SAR图像的分类识别。该算法以卷积神经网络为基础,结合自编码器,形成深度卷积自编码网络结构。首先对图像进行预处理,使用2D Gabor滤波增强图像,在此基础上对模型进行训练,最后构建图像分类模型。该算法设计的网络结构能自动学习并提取小样本图像中的有效特征,进而提高识别准确率。在MSTAR数据集的10类目标分类中,选择训练集数据中10%的样本作为新的训练数据,其余数据为验证数据,并且,测试数据在卷积神经网络中的识别准确率为76.38%,而在提出的卷积自编码结构中的识别准确率达到了88.09%。实验结果表明,提出的算法在小样本图像识别中比卷积神经网络模型更加有效。     

视觉假体中动态图像识别研究

为了确定低分辨率动态图像识别的最小信息需求,通过灰度化、二值化、边缘提取和匹配不同的仿真光幻视模板等处理策略将绘画过程视频处理为五种分辨率（24×24,32×32,48×48,64×64和128×128）的像素化动态视频,对其进行视频复杂度分析,并使用简化的Itti算法提取特征点来分类有效信息,记录并统计分析不同分辨率下的被试者识别时间以及识别准确率。实验结果表明,随着不同分辨率下的视频复杂度的升高,识别时间逐渐减少,识别准确率不断升高;动态视频的像素化分辨率越高,识别所需特征信息越少,当视频像素化分辨率达到64×64或128×128时,被试者只需少量特征信息即可完成识别。     

基于人工智能的三维多媒体视觉图像识别研究

为解决传统图像识别方法在实际应用中对三维多媒体视觉图像正确识别个数较少,无法满足高精度识别需要问题,开展基于人工智能的三维多媒体视觉图像识别研究。提取三维多媒体视觉图像特征,识别图像变化特征,基于人工智能完成图像特征识别。通过实验进一步证明,设计的识别方法与传统识别方法相比,有效提高了对图像的正确识别率,实现对三维多媒体视觉图像的高精度识别。     

基于残差网络的血管内超声图像识别

为提高血管内超声(Intravenous Ultrasound,IVUS)图像在动脉粥样硬化识别准确率,实现更高效的计算机辅助诊断,提出综合使用图像增强、特征提取和基于批量归一化(Batch Normalization,BN)优化残差网络的血管内超声图像识别方法。使用Sobel算子在原图像水平和垂直方向进行边缘检测,在此基础上获得锐化增强图像,结合使用灰度共生矩阵提取纹理特征信息;为丰富网络的特征信息,防止梯度消失,使用残差学习对卷积神经网络进行改进。批量归一化通过拟合数据特征分布减少内部协变量转移加速网络收敛。实验结果表明上述方法相比较传统机器学习与改进前的卷积神经网络识别错误率平均降低了58.23%。     

基于机器视觉技术的运动动作实时跟踪方法研究

利用机器视觉能代替人眼进行测量和判断,研究基于机器视觉技术的运动动作实时跟踪方法。使用基于机器视觉的运动动作特征提取算法,提取运动视频流中的关键帧,获取其感兴趣区域及其SIFT特征点,根据特征点计算动作图像的特征向量,将其当作AD-DWTAdaBoost算法的输入样本,采用基于AD-DWTAdaBoost的运动动作识别算法辨识样本中的运动动作后,使用改进均值漂移算法实时跟踪目标运动动作。实验结果表明：运动动作特征提取稳定性参数的极值和均值都处于稳定范围;识别不同运动动作所需时间速度倍率最高可达6.16%;各视频帧的中心距离误差基本都保持在15像素以下,并能实时跟踪运动动作。     

基于支持向量机的瑕疵检测算法

金属表面具有高反光和拉丝特性,金属表面细小瑕疵的图像检测一直是非常困难的问题,本文提出了一种基于支持 向量机的金属表面细小瑕疵检测算法.算法采用将图像分成小块并用支持向量机分类的方法.将图像分割为小的子块,适用于细小瑕疵的检测;运用机器识别的方法,克服了传统图像算法难以检测金属表面瑕疵的缺点.对近200个样本的测试结果表明该算法的准确率高达93.75%.     

用于交通图像识别的改进尺度依赖池化模型

针对交通标志在自然场景中所占的比例较小、提取的特征量不足、识别准确率低的问题,提出改进的尺度依赖池化（SDP）模型用于小尺度交通图像的识别。首先,基于神经网络深卷积层具有较好的轮廓信息与类别特征,在SDP模型只提取浅卷积层特征信息的基础上,使用深卷积层特征补足型SDP（SD-SDP）映射输出,丰富特征信息;其次,因SDP算法中的单层空间金字塔池化损失边缘信息,使用多尺度滑窗池化（MSP）将特征池化到固定维度,增强小目标的边缘信息;最后,将改进的尺度依赖池化模型应用于交通标志的识别。实验结果表明,与原SDP算法比较,提取特征量增加,小尺度交通图像的识别准确率较好地提升。