基于深度学习的车标识别方法研究

对交通监控录像中车牌污损、遮挡的肇事车辆信息进行确认是现阶段智能交通系统中的一个重要问题,车标作为一个关键特征,可以起到辅助判别的作用.提出了一种基于深度学习的车标识别方法,相对于以人工提取特征为主的传统车标识别方法,该方法具有可自主学习特征、可直接输入图像等优点.实验表明,这种方法正确率较高,在光照变化和噪声污染下的准确性和稳定性较好,能够有效降低车标识别的错误率.     

A General BRDF Representation Based on Tensor Decomposition

Generating photo‐realistic images through Monte Carlo rendering requires efficient representation of light–surface interaction and techniques for importance sampling. Various models with good representation abilities have been developed but only a few of them have their importance sampling procedure. In this paper, we propose a method which provides a good bidirectional reflectance distribution function (BRDF) representation and efficient importance sampling procedure. Our method is based on representing BRDF as a function of tensor products. Four‐dimensional measured BRDF tensor data are factorized using Tucker decomposition. A large data set is used for comparing the proposed BRDF model with a number of well‐known BRDF models. It is shown that the underlying model provides good approximation to BRDFs.     

树状卷积神经网络的车标识别应用

为了提高在自然环境下车标识别率,提出一种多通路树状结构的卷积神经网络模型.该模型采用多通路树状结构,在传统卷积网络单一种类卷积核的卷积层上,使用多种类型的卷积核进行卷积操作,并且采用树状网络结构.通过对每个通路的顶层提取特征,作为全连接层的输入,进行车标的分类任务.通过理论分析和实验表明,与传统的卷积神经网络训练获得的分类器相比,车标识别率提升至98.43%.     

基于分类器集成的核爆地震模式识别

分类器集成是一种解决复杂模式识别问题的有效方法,它通过形成一组分类器并将它们的结果进行组合,可以显著地提高分类系统的泛化推广能力。论文将分类器集成技术用于核爆地震信号的模式识别,并以前馈神经网络作基分类器为例,研究了不同的分类器个体生成方法和决策形成规则对识别效果的影响。     

一种基于目标优化学习的车标识别方法

摘 要：近年来,车标识别因其在智能交通系统中的重要作用,受到研究者的广泛关注。 传统的车标识别算法多基于手工描述子,需要丰富的先验知识,且难以适应复杂多变的现实应 用场景。相比手工描述子,特征学习方法在解决复杂场景的计算机视觉问题时具有更优性能。 因此,提出一种基于目标优化学习的车标识别方法,基于从原图像中提取的像素梯度差矩阵, 通过目标优化,自主学习特征参数。然后将像素梯度差矩阵映射为紧凑的二值矩阵,通过特征 码本的方式对特征信息进行编码,生成鲁棒的特征向量。基于公开车标数据集 HFUT-VL1 和 XMU 进行实验,并与其他车标识别方法进行比较。实验结果表明,与基于传统特征描述子的 方法相比,该算法识别率更高,与基于深度学习的方法相比,训练和测试时间更少。     

基于张量分解融合RGB-D图像的物体识别

为了充分利用RGB-D图像的深度图像信息，提出了基于张量分解的物体识别方法。首先将RGB-D图像构造成一个四阶张量，然后将该四阶张量分解为一个核心张量和四个因子矩阵，再利用相应的因子矩阵将原张量进行投影，获得融合后的RGB-D数据，最后输入到卷积神经网络中进行识别。RGB-D数据集中三组相似物体的识别结果表明，利用张量分解融合RGB-D图像的物体识别准确率高于未采用张量分解的物体识别准确率，并且单一错分实例的准确率最高可提升99%。     

一种基于低秩恢复稀疏表示分类器的人脸识别方法

针对基于稀疏表示分类器(Sparse Representation-based Classification,SRC)的人脸识别方法用单位阵作误差字典不能很好地描述人脸图像噪声和误差以及由于训练样本不足可能造成字典不完备的问题,提出一种基于低秩恢复稀疏表示分类器(Low Rank Recovery Sparse Representation-based Classification,LRR_SRC)的人脸识别方法。该方法首先采用低秩矩阵恢复(LRR)算法将训练样本矩阵分解为一个低秩逼近矩阵和一个稀疏误差矩阵。然后,由低秩逼近矩阵和误差矩阵组成字典。在此基础上,得到测试样本在该字典下的稀疏表示。更进一步,基于测试样本的稀疏表示系数和字典,对测试样本进行类关联重构,并计算其类关联重构误差。最后,基于类关联重构误差,完成测试样本的分类识别。在YaleB和CMU PIE人脸数据库上的实验结果表明,提出的基于LRR_SRC的人脸识别方法具有较高的识别率。     

基于张量分解的分布式主题分类模型

针对大规模数据分类时计算时间长以及分类精度下降等问题,提出使用张量分解求解LDA主题模型参数,实现对海量网络数据的采集、分类、挖掘.该方法使用矩量法将LDA模型求解转化为低维的张量分解问题,通过分解和反射进行参数的传递,运用大数据平台Spark的进行分布式计算.实验结果表明,改进的模型参数计算方法在时间效率和困惑度方面都得到了提升,并且分类信息更加直观,更加适用于大规模网络数据分类工作.     

基于局部加权表示的线性回归分类器及人脸识别

线性回归分类器(Linear Regression Classifier,LRC)是一种有效的图像分类算法,然而LRC未关注数据的局部结构信息,忽略了类内样本之间的差异性,因此当人脸图像存在表情、光照、角度、遮挡等变化时分类性能不佳.针对此问题,文中提出了一种基于局部加权表示的线性回归分类器(Local WeightedRepresentation based Linear Regression Classifier,LWR-LRC).LWR-LRC首先以测试样本与所有样本的相似性为度量,构建每类样本的加权代表样本;然后将测试样本分解为加权代表样本的线性组合;最后将测试样本分类到重构系数最大的类别.LWR-LRC考虑了样本的局部结构,构建了每类样本的最优代表样本,使用代表样本进行计算,在提高鲁棒性同时,大幅缩短了计算时间.在AR,CMU PIE,FERET和GT数据集上的实验的结果表明,LWR-LRC与NNC,SRC,LRC,CRC,MRC,LMRC等算法相比,在性能上有很强的优越性.     

基于免疫克隆的核匹配追踪集成图像识别算法

为了从分类器集成系统中选择一组较优个体子集,从而改善集成学习系统的性能,提出一种基于免疫克隆选择的核匹配追踪集成图像识别算法.该算法充分利用免疫克隆算法的快速收敛于全局最优解的特性,对训练得到的多个子核匹配追踪分类器进行免疫克降选择,得到一个具有更好推广性能的集成系统.对Brodatz纹理图像库以及SAR图像进行目标识别.仿真实验结果表明,相比传统核匹配追踪分类器集成和基于遗传算法的选择集成方法,本文方法有更好的集成性能.     

基于EMD分解的车辆振动识别

启动的车辆都将产生一定程度的微振动信息。这些微振动信息与发动机转速,车辆结构相关,对于给定的车辆,具有独特性。激光测振仪的应用,使得运用微振动信息实现远距离非接触式车辆目标自动识别变得可能。文中主要研究车辆的微振动特性,利用经验模态分解（EMD）提取车辆振动的特征函数。实验证明,该方式能有效的运用于车辆识别中。     

一种用于人脸识别的contourlet域稀疏表示分类器

超完备稀疏表示法可以有效解决人脸识别领域中由于光照、表情变化、遮挡和噪声问题等原因造成的性能瓶颈.基于超完备稀疏表示法,将人脸识别问题看作是为多个线性回归模型中的分类问题,提出了一种基于Contourlet域的稀疏表示分类器,改进了利用主成分分析进行数据预处理所造成的鉴别信息丢失,提升了稀疏表示分类器的鉴别能力.在ORL库、Yale库、扩展Yale库和PIE库上大量实验结果验证了算法的有效性.     

基于D-S证据理论的特征融合车标识别方法

在针对现有的智能交通对车辆多维信息识别存在识别精度不高的情况,特别是对于车标识别,很大程度上识别结果依赖于高分辨和高质量的图像.提出了一种新的车标识别方法,用于识别卡口捕获的低质量车标图像,该方法是基于D-S证据理论的特征融合方法,提取Hu不变矩和HOG特征,采用不同的分类器构造基本概率分配（BPA）,采用改进D-S证据理论进行融合,根据判别规则给出最终的识别结果.通过实验证明在低分辨的情况下仍能保持较高的准确率,分类准确率达94.29%,相比单一的特征识别,具有更强的鲁棒性.     

快速局部协同表示分类器及其在人脸识别中的应用

针对协同表示分类器(CRC)计算时间复杂度较高的问题,利用重构系数的大小与样本标签之间的正相关性,提出了局部快速协同表示器并用于人脸识别.首先使用最小二乘法求解L2范数约束下的线性回归问题;然后对重构系数进行筛选,舍弃对分类不利的负重构系数;最后抛弃原CRC算法中的样本重构环节,转而使用最大相似性准则确定测试样本所属分...     

最小类方差支持向量机与零空间分类器的集成

最小类方差支持向量机(MCVSVM)充分考虑数据的分布信息,但是在小样本情况下却仅利用类内散度矩阵非零空间中的信息。为了综合利用类内散度矩阵非零空间和零空间中的信息来进一步提高分类性能,文中首先在零空间中建立一种分类器——零空间分类器(NSC),然后再把MCVSVM和NSC进行融合,从而进一步提出集成分类器(EC)。不同于MCVSVM和NSC,EC综合考虑非零空间和零空间中的信息,体现出更强的泛化能力。最后通过实验验证算法的有效性。     

基于SVM的车型检测和识别算法

根据模式识别理论和支持向量机(SVM)网络技术,对运动车辆的检测和模式识别、分类进行了研究,提出了基于双帧差“或”运算检测法和基于SVM网络的车型识别和分类算法。实验结果表明,所设计的检测方法和SVM模式识别方法能够快速有效地识别车辆类型并正确地进行分类。     

Reduced Pattern Training Based on Task Decomposition Using Pattern Distributor

Task decomposition with pattern distributor (PD) is a new task decomposition method for multilayered feedforward neural networks (NNs). Pattern distributor network is proposed that implements this new task decomposition method. We propose a theoretical model to analyze the performance of pattern distributor network. A method named reduced pattern training (RPT) is also introduced, aiming to improve the performance of pattern distribution. Our analysis and the experimental results show that RPT improves the performance of pattern distributor network significantly. The distributor module's classification accuracy dominates the whole network's performance. Two combination methods, namely, crosstalk-based combination and genetic-algorithm (GA)-based combination, are presented to find suitable grouping for the distributor module. Experimental results show that this new method can reduce training time and improve network generalization accuracy when compared to a conventional method such as constructive backpropagation or a task decomposition method such as output parallelism (OP).     

基于改进卷积神经网络与集成学习的人脸识别算法

针对复杂卷积神经网络(CNN)在中小型人脸数据库中的识别结果容易出现过拟合现象,提出一种基于改进CNN网络与集成学习的人脸识别算法。改进CNN网络结合平面网络和残差网络的特点,采用平均池化层代替全连接层,使得网络结构简单且可移植性强。在改进CNN网络的基础上,利用基于投票法的集成学习策略将所有个体学习器结果凸组合为最终结果,实现更准确的人脸识别。实验结果表明,该算法在Color FERET、AR和ORL人脸数据库上的识别准确率分别达到98.89%、99.67%和100%,并且具有较快的收敛速度。     

一种面向不平衡数据的结构化SVM集成分类器

为改进面向不平衡数据的SVM分类器性能,以结构化SVM为基础,提出一种基于代价敏感的结构化支持向量机集成分类器模型.该模型首先通过训练样本的聚类,得到隐含在数据中的结构信息,并对样本进行初始加权.运用AdaBoost策略对各样本的权重进行动态调整,适当增大少数类样本的权重,使小类中误分的样本代价增大,以此来改进不平衡数据的分类性能.实验结果表明,该算法可有效提高不平衡数据的分类性能.     

基于模糊模式识别的车型分类研究

根据目前中国路桥车辆收费标准，提出了一种基于模糊模式识别的车型分类系统。车辆经过环形线圈传感器时，形成感应曲线，提取感应曲线的特征并进行特征分离，利用模糊模式识别方法对车型进行匹配分类。研究结果已在路桥收费系统以及交通流量统计中得到应用。