基于移动端的嵌入式鸟类识别系统设计与开发

针对基于深度学习的识别方法对数据量要求较高、应用比较困难,对于鸟类数据有限的情况,本文开发一种基于深度学习的移动端嵌入式鸟类识别系统,利用单通道盲源分离对鸣声进行预处理,输入到迁移学习VGG-16模型进图像特征提取实现鸟类物种的分类。采用基于MFCC的双模态决策级特征并训练Mobilenet轻量化模型,将算法移植到Android客户端,以18种鸟类为研究对象进行测试,实验结果表明,该方法在识别准确率达到99%以上,软件推动了鸟类个体自动识别在鸟类调查和监测领域的广泛应用。     

结合迁移学习和Inception-v3模型的路面干湿状态识别方法

针对传统方法对路面干湿状态识别分类正确率较低的情况,提出了基于迁移学习的路面干湿状态识别方法。利用深度卷积神经网络强大的特征学习和表达能力,自动学习干湿路面的特征,并采用迁移学习的方法将Inception-v3模型在ImageNet图像数据集上学习得到的知识深度迁移至路面干湿状态识别任务。实验结果表明,所提算法在测试集上测得的分类准确率约为94.5%,与非迁移学习算法和基于底层视觉特征识别学习的算法相比,具有更高的准确性和良好的鲁棒性,以及较强的泛化能力。     

复杂背景下的车型自动分类研究

针对复杂背景下的车辆自动分类问题,提出了一种新的车型识别方法.该方法是首先采用自适应高斯混合模型进行背景抽取,然后以背景抽取后的车辆侧面图像作为特征图像,设计了顶长比、顶高比和前后比3种参数对车型进行表达,最后通过训练-BP神经网络分类器对车型进行自动分类.对9个样本进行分类测试时,取得了均方误差小于0.0023、识别率达到100%的测试结果,表明笔者设计的车型分类系统可有效地实现车型的自动分类.     

自动车型分类技术在高速公路的应用

车型自动判别系统是智能交通的重要组成部分。本文简要介绍了国内外几种车型的自动识别技术,并着重介绍了基于车辆几何外形特征的非接触式自动车型分类器(Automatic Vehicle Classification)。其可利用红外光学检测技术采集车辆几何尺寸,并运用模式识别理论和基于统计模式的识别算法,利用国标车型分类数据库,实现车型的自动分类。     

基于深度学习模型的表面肌电信号手势动作识别算法研究

本文提出了一种基于深度学习模型的表面肌电信号手势动作识别算法,采用瑞士Ninapro公开数据库,通过2阶巴特沃斯滤波器进行带阻滤波对原始信号进行预处理,并利用标准偏差滤除无信号段,采用时间窗重叠的方式将原始数据扩充至符合深度学习模型训练的数据量。最后将预处理后的数据输入34层ResNet深度学习模型并得出识别结果。实验结果显示本文提出的算法较比同类论文取得了更高的识别精度,在52手势动作分类识别准确率达到92. 66%,验证了本算法的有效性。     

深度预警网络的车辆识别与检测

针对驾驶过程中目标车辆实时检测准确度问题,提出一种基于YOLO和Darknet-19等融合式算法设计的深度预警网络,旨在实现对目标车辆的特征提取。网络基于车载单目摄像机拍摄的实时场景照片进行测试数据集的制作,预训练采用PASCAL VOC 2007数据集。应用于夜间可见度低的情况下,网络测试结果较YOLO网络准确率提高了4.89%,召回率提高了18.02%;应用于白天可见度高的情况下,准确率提高了8.72%,召回率提高了7.79%;平均检测时间也有所下降,实现了目标车辆检测准确度及速率的提高。     

基于Matlab的小波纹理特征融合指纹识别系统

传统指纹识别通常要经过二值化、细化的过程,对指纹特征点进行特征提取,存在速度慢、效率低的弊端。本系统采用基于小波纹理特征融合的深度学习算法,并改进的神经网络算法,通过深度学习方法对指纹图像数据库进行训练,指纹图像首先采用SVM进行指纹图像导入,用Spliteachlable对图像进行分类,用Imfilter对图像进行特征提取,最后将如上特征进行矩阵,用户端采用Matlab实现,实验结果显示特征融合后的识别精度为99.95%。     

基于模糊理论的车型识别在不停车收费系统中的应用

在高速公路收费站中,车辆的类型决定了收费的标准,那么在不停车收费系统中,能够快速准确识别出车型是关键,因此本文介绍了一种基于模糊理论的车型识别方法,该方法与其他模式识别方法相比较,其算法简单,能够更加快速准确识别车型,并且安装容易,易于维护。     

基于Inception-v3模型的蛇类图像识别

本研究基于迁移学习方法,重新训练TensorFlow深度学习库中的Inception-v3卷积神经网络模型,对5种代表性蛇类进行高精度分类。模型训练结果显示,训练集总体准确率达到99%,测试集总体准确率达到92.3%,模型交叉熵损失值维持在0.015,具有良好的分类准确性。本研究针对此模型开发了一款Web系统,实现了模型Web线上部署,系统实测评估结果显示,对于5种实际蛇类图片,模型实际分类准确率维持在88%-96%之间,具有良好的泛化能力。     

基于Leap Motion的三维自由手势操作

基于Leap Motion设备,提出了用自由手势控制三维模型变换的新方法,并设计了三维操作的手势库。通过低成本的Leap Motion实时获取手部运动的帧数据,用基于规则的分类和基于监督式学习的分类相结合的方式,实现了单手和双手操作三维模型的平移、旋转和缩放。为了提高手势识别的准确率和连贯性,在动态识别过程中,引入了预处理和后置处理模块,识别准确率达到95.59%。用户测试的结果表明,用户对新的交互方式接受度较高,操作结果符合用户的预期,在可用性和满意度方面表现良好。