统计模式识别概论及应用

本文采用统计模式识别方法对车辆进行识别,利用主成分变换法对车辆和背景训练及测试样本进行特征提取,并应用遗传算法对特征提取阶段的结果进行特征选择,然后对测试样本做同样的提取特征的处理,最后应用训练好的支持向量机分类器进行分类识别检测。此基于统计特征的车辆识别算法不仅具有较好的适应性,而且能有效的提高识别率和降低误识别率。     

基于深度卷积生成对抗网络的植物图像识别方法的研究

提出使用深度卷积生成对抗网络进行植物图像识别方法.首先,利用生成式对抗网络生成植物图像样本,然后,利用判别网络中的卷积神经网络来提取图像特征,实现对生成网络产生的样本进行判别,以提升模型对图像数据分布的理解,从而达到了通过构建卷积神经网络对生产样本的质量进行测试的目标.实验结果表明,该方法生成的植物图像能够有效的提高卷积神经网络的识别准确率.     

基于注意力机制和Faster R-CNN深度学习的海洋目标识别模型

为进一步提升对复杂海洋目标的检测能力,引入自适应尺度的注意力机制,提出一种适应多尺度复杂海洋目标的改进Faster R-CNN模型,该模型通过将卷积网络与SKNet网络相结合,增强模型的特征提取能力与特征有效性,并针对船舶、蚝排、红树林、海岸线4类典型海洋目标,利用91卫图助手与无人机高清影像建立了12 000张样本库,分别基于改进的Faster R-CNN模型与原模型进行对比测试试验。结果表明:改进的模型虽然略微增加了计算量,但其特征提取能力与目标检测能力明显强于原模型,整体识别准确率为87.1%;在4类典型海洋目标中,船舶的识别准确率最高,可达94.4%,而红树林由于其特征比较复杂,边界不明显,其整体识别准确率为75.1%。研究表明,引入SKNet网络的Faster R-CNN网络模型,不仅增强了模型对多尺度复杂目标的特征提取能力,更适用于对复杂海洋目标的检测与识别。     

基于机器视觉的高速公路收费车型识别与异常车辆辨识系统

本文研究的基于机器视觉的高速公路收费车型识别与异常车辆辨识系统基于图像特征、神经网络技术,提取车牌号、车型、品牌、颜色、轴型等车辆特征信息,识别出收费车型,应用大数据分析手段,融合收费车型数据、车辆微特征数据、历史车辆特征记录、稽查系统黑名单等多源数据,辨识出非法改装车辆、车牌车辆信息不符车辆、历史缴费黑名单车等异常车辆,为高速公路收费和稽查提供数据支撑和依据。     

基于图像处理的社区车牌检测系统

智能交通的出现缓解了现今严峻的交通问题,车牌检测作为其一重要环节,应用十分广泛。本文针对社区停车场问题提出基于图像处理的车牌检测系统设想。该设想对社区住户的车辆牌照进行自动检测,综合运用图像预处理、图像增强、车牌定位等技术提取车牌信息以识别该车辆是否为本社区车辆,防止住户私有车位被外部车辆占用,同时可以促进该地区停车场业的发展。     

基于电子车牌的车辆追尾预警系统研究

本文针对行车安全中追尾以及盲区检测等问题,基于现有车载电子车牌,将射频识别技术(RFID技术)应用于前后相邻车辆之间距离、速度及加速度等关键参数的获取和动态变化分析。通过建立车辆各个运动状态下的动力学安全距离模型,对行车安全预警机理以及预警级别进行实时检测与分析。实验结果表明,基于RFID动态测距技术的车辆追尾预警系统能够提高行车安全性,根据不同级别的预警,提醒司机采取适当的行车措施,避免发生追尾事故的发生,减少国民经济损失。     

基于MATLAB的声纹识别系统软件的设计

本文基于MATLAB,利用语音模型匹配的方法设计并完成了一个与文本相关的声纹识别软件系统。系统预先由麦克风向计算机录入各个说话人的语音样本,经预处理、基音周期和MFCC参数提取、多重迭代训练后得到各说话人语音的隐马尔可夫(HMM)参考模型。实验时将输入的语音样本进行测试,根据被测试语音模型和参考模型的匹配度来进行识别。实验结果表明,本系统的识别率将随着训练次数的增多而提高,系统基本可达到高于85%的正确识别率和实时识别的要求。     

结合有色点对搜索和区域统计特征的车牌定位算法分析

为了提高车牌检测系统中车牌定位的效率,文章利用HSV和RGB双重颜色模型对蓝白像素点建立定性描述模型,基于该模型提出一种结合蓝白有色点对搜索和区域统计特征信息的车牌定位方法。该方法首先通过搜索有色点对并结合角点和车牌纹理等特征确定车牌的粗略区域,然后利用垂直/水平投影、霍夫直线检测以及颜色提取方法实现车牌精确定位。测试结果表明,针对复杂环境和不同光照条件下的车牌,新方法能够实现车牌的快速精确定位。     

基于GRU递归神经网络的城市道路超车预测

城市道路中的超车行为尤其是违规超车等,对交通秩序与安全造成严重影响。随着电子警察与卡口等车牌识别系统的广泛应用,通过上下游车牌识别与时间对比,可以较为精确地获取车辆在路段之间的超车关系。基于电子警察处理的超车数据建立了基于GRU递归神经网络的城市道路超车率预测模型,预测城市道路超车率的变化趋势,并与循环神经网络(recurrent neural network,RNN)、反向传播(back propagation,BP)神经网络进行对比。在苏州工业园区星湖街-现代大道路段的测试结果表明,基于GRU递归网络的超车预测模型的绝对值误差为12.52%,相比于其他2种模型,精度高、泛化能力强、鲁棒性强。     

面向嵌入式应用的高性能车型识别系统

现如今,城市化现象日益严重,智能交通发展迅速。目标识别作为计算机视觉的重要组成部分,带动了车辆检测和识别系统的发展,具有着很重要的现实意义。它有着可克服录像或者监控设备获取信息模糊和实时检测的优势,在获得测试图片之后,系统会根据深度学习训练出来的分类器首先对车辆的前脸进行检测,然后基于框出的车前脸部分进行车标检测,识别出车型类别。该系统适用于交通管理,有利于解决通行自动扣费、事故调查、交通堵塞预防等问题的解决。