一种基于图理论的非刚体形状匹配算法

提出了一种基于图理论的非刚体形状匹配算法.该方法在每次迭代过程中,先利用形状上下文算法获得待匹配形状点集的初始匹配,然后利用图理论剔除误匹配点,并估算匹配点集之间的TPS(thin plate spline)变换参数,再利用这些参数使待匹配点集相互逼近,最终实现非刚体的形状匹配.实验结果表明该算法提高了匹配的精度.     

基于SIFT算法的目标匹配和识别

针对目标跟踪过程易受噪声干扰导致跟踪效果不理想,甚至丢失跟踪目标的问题,利用了尺度不变特征变换（SIFT）方法对单帧图像进行了目标特征点的提取和匹配,并结合线性卡尔曼滤波和聚类分析,剔除误匹配,实现了目标位置的最小均方误差估计。仿真结果表明,当图像存在不同程度的噪声影响时,基于SIFT的卡尔曼滤波目标匹配算法能有效减小目标跟踪误差,精确识别目标位置,提高目标跟踪精度。     

基于形状匹配及纹理筛选的汽车轮毂型号识别

为了对轮毂型号进行识别,提出一种基于形状匹配及纹理筛选的轮型识别算法。首先,确定一个轮辐形状为标准模板并得出其边缘图,把模板作为移动窗口在待识别轮毂图片中移动,逐一计算模板到轮毂图片各感兴趣区域(ROI)的最小二维欧氏距离。若此距离小于设定阈值,则判定搜索到一个与模板相同的形状;然后对待识别的轮毂图片进行随机游走,得出游走直方图,通过改进对游走直方图相似度的评价方式,得出纹理偏差度;最后通过对纹理偏差度的比较确认正确的轮型。识别过程具有非接触、灵活、准确的优点,实验表明对于干扰较大图片也具有较高的识别率和较好的鲁棒性。     

用于遥感图像目标快速匹配识别的改进混合溢出树算法

提出一种基于标记的混合溢出树(SHSPT)特征匹配算法,用于遥感图像的目标匹配识别。针对特征数据建立和预处理,提出了基于中心点的数据分割方法,通过定义数据密集区域的中心,舍去边缘稀疏数据,提取出分割后的数据。进行特征匹配时,使用二进制数组表示数据空间,标记分割后的特征向量数据,通过比特操作计算特征向量间的距离,缩短计算时间。最后对特征匹配方法进行改进,采用待匹配特征距离的均值代替尺度不变特征变换(SIFT)匹配算法的次临近特征距离,从而得到更多的匹配点。实验证明,基于标记的混合溢出树特征匹配算法占用内存空间比传统的混合溢出树算法减少约68%,匹配准确度与原算法接近,匹配时间平均缩短了约32.8%,解决了航天遥感图像数据量大,特征维数较高,匹配识别时间长,占用计算机内存大等问题。     

基于PCL的自动化机器人视觉形状特征识别算法分析

目前提出的自动化机器人视觉形状特征识别算法识别时间过长,导致识别精准度较低.为了解决上述问题,基于PCL技术研究了一种新的自动化机器人视觉形状特征识别算法.通过云数据采集、数据预处理、提取特征点、分割处理图像完成阈值图像处理.从形状轮廓的长度、直径、离心力、斜率以及曲率、角点这几个决定性因素作为特征分析的切入点实现轮廓...     

空中目标的免疫识别算法

基于生物免疫系统的自我-非我识别能力,采用新的检测器生成方法和匹配规则,综合识别目标的先验信息,提出一种基于阴性选择的免疫识别算法。结合空中军事目标的检测和识别问题,对提出的算法进行了应用研究。实验结果表明,基于阴性选择的免疫识别算法用于目标检测和识别可以识别已知类型和未知类型目标,漏判率为0.375%,误判率为0.006%,检测精度达99.563%,而且对不同的入侵目标表现出很好的鲁棒性。     

用于遮挡形状匹配的弦角特征描述

为了在兼顾形状匹配算法的检索率和运算效率的同时实现部分遮挡目标的精确匹配,提出了一种基于弦角轮廓特征的形状描述算法。该算法基于轮廓点的空间位置关系构造每个轮廓采样点的弦角轮廓特征描述子,利用描述子的自包含属性描述开轮廓的形状特征。采用L1度量方法计算两个轮廓点的弦描述子之间的距离,获得匹配代价矩阵。最后利用积分图算法计算匹配代价矩阵的相似度,实现部分遮挡目标的识别。基于MPEG-7形状数据库和Kimia216形状数据库进行了目标识别实验。实验结果表明:该算法对部分遮挡目标具有良好的鲁棒性,而且有较高的运算效率,部分匹配的检索率达到83.63%,提高了19.09%,实验结果优于现有部分遮挡形状匹配算法。该算法较好地满足了遮挡形状的匹配和识别对速度、准确率和抗遮挡能力等方面的要求。     

用于快速形状匹配的精确型高度函数特征描述

在形状匹配过程中为了提升高度函数描述子的检索精度和对边界噪声与局部变形的鲁棒性,本文提出了一种精确型高度函数特征描述算法。首先提取目标形状外轮廓,构造轮廓采样点的精确型高度函数描述子并进行特征降维,接着利用优化后的并行动态规划进行形状匹配,最后引入形状复杂度分析提升匹配效果。基于点的几何特征显著性,提出形状精度理论,进一步分析局部形变与边缘噪声对形状特征描述的影响。在MPEG-7数据库、Swedish Leaf数据库、Tools数据库和ETH-80大型3D数据库上进行匹配实验以及在Kimia99数据库上进行抗噪实验,实验结果表明:本文提出的算法效率高,匹配时间仅为高度函数描述子的12.5%,在MPEG-7和ETH-80上的检索率最高分别为90.38%和90.07%;在Swedish Leaf和Tools上,检索精度最高分别为95.07%和94.86%,检索性能和鲁棒性均优于高度函数和其他重要算法;在添加噪声的Kimia 99上,该算法的抗噪性能优于高度函数描述子,即使在噪声水平为2.0的情况下,依旧能保持91.92%的检索率。本文提出的算法检索精度高,效率高,鲁棒性好,抗噪性强,具有较好的可扩展性,能有效地应用于形状检索领域。     

基于形状匹配的片状元件贴片角度纠偏算法

针对上位机模板匹配中精度和速度之间的矛盾,结合FPGA高速并行运算的优势,提出了一种基于FPGA的形状匹配快速纠偏算法。主要在FPGA上利用形状匹配及最小二乘法计算片状元器件角度偏差,并且使用单指令数据流算法实现加速。实验表明,与传统上位机模板匹配算法相比,该文法进一步提高了纠偏精确度,且在纠偏精度保证的情况下,大大减少纠偏时间。     

采用改进尺度不变特征变换在多变背景下实现快速目标识别

提出一种改进的尺度不变特征变换(SIFT)算法,用于实现多变背景下的快速目标识别。首先,构建目标图像尺度空间,提取SIFT特征点并将其按大小分类,目标识别时只需比较同一类型的特征点。然后,由SIFT特征点子区域方向直方图计算得到4个新角度用于代表特征点的方向信息,并且在目标识别时根据角度信息限制特征点匹配范围,从而提高SIFT算法的运算速度。最后,计算目标图像和待识别图像之间的尺度因子,在尺度因子约束条件下进行目标特征点匹配,从而有效地保证正确匹配数量,提高目标识别的鲁棒性。实验结果表明:当目标在待识别图像中发生局部遮挡、旋转、尺度变化或者弱光照等情况下,改进的SIFT算法能够完成多变背景下快速目标识别任务,平均识别速度提升了40%。     

The fault feature extraction and classification of gear using principal component analysis and kernel principal component analysis based on the wavelet packet transform

The vibration signal of a gear system is selected as the original information of fault diagnosis and the gear system vibration equipment is established. The vibration acceleration signals of the normal gear, gear with tooth root crack fault, gear with pitch crack fault, gear with tooth wear fault and gear with multi-fault (tooth root crack & tooth wear fault) is collected in four kinds of speed conditions such as 300 rpm, 900 rpm, 1200 rpm and 1500 rpm. Using the method of wavelet threshold de-noising to denoise the original signal and decomposing the denoising signal utilizing the wavelet packet transform, then 16 frequency bands of decomposed signal are got. After restructuring the decomposing signal and obtaining the signal energy in each frequency band, the signal energy of the 16 bands is as the shortlisted fault characteristic data. Based on this, using the methods of principal component analysis (short for PCA) and kernel principal component analysis (short for KPCA) to extract the feature from the fault features of shortlisted 16-dimensional data feature, then the effect of reducing dimension analysis are compared. The fault classifications are displayed through the information that got from the first and the second principal component and kernel principal component, and these demonstrate they have a different and good effect of classification. Meanwhile, the article discusses the effect of feature extraction and classification that caused by the kernel function and the different options of its parameters. These provide a new method for a gear system fault feature extraction and classification.     

基于手指融合特征和粒子群优化的手形识别

针对基于手部几何特征的手形识别方法可利用的个体信息有限的问题,提出了一种将手指轮廓特征与几何特征相融合的身份识别方法。该算法首先分离手指,采用曲线拟合算法定位手指中轴线;然后采用分步对齐方法规范化手指,并提取手指轮廓特征和几何特征;最后采用粒子群算法对手指截取系数和权值系数进行优化,以进一步提高识别准确率。实验结果表明:采用该方法后,识别率可达98.61%。该方法手指定位更准确,更充分地利用了手部信息,且避免了特征点定位不准及手指根部不稳定轮廓特征对识别准确率的影响,具有较高的识别率和良好的鲁棒性。     

Automatic segmentation,counting, size determination and classification of white blood cells

The counts, the so-called differential counts, and sizes of different types of white blood cells provide invaluable information to evaluate a wide range of important hematic pathologies from infections to leukemia. Today, the diagnosis of diseases can still be achieved mainly by manual techniques. However, this traditional method is very tedious and time-consuming. The accuracy of it depends on the operator’s expertise. There are laser based cytometers used in laboratories. These advanced devices are costly and requires accurate hardware calibration. They also use actual blood samples. Thus there is always a need for a cost effective and robust automated system. The proposed system in this paper automatically counts the white blood cells, determine their sizes accurately and classifies them into five types such as basophil, lymphocyte, neutrophil, monocyte and eosinophil. The aim of the system is to help for diagnosing diseases. In our work, a new and completely automatic counting, segmentation and classification process is developed. The outputs of the system are the number of white blood cells, their sizes and types.     

基于小波变换、二维主元分析和EBF神经网络的指纹识别方法

指纹识别是模式识别中的一个十分重要课题。结合小波变换(WT)、二维主元分析(2DPCA)和椭球基函数（EBF）特点,本文提出了一种基于WT和2DPCA的EBF神经网络指纹识别方法。首先,利用小波变换将原始图像分解为高频分量和低频分量,并忽略水平高频与垂直高频分量,获得原始图像的基本特征。然后,通过2DPCA算法对该图像进行降维,获取降维特征;最后结合椭球基函数神经网络(Ellipsoidal Basis Function Neural Network, EBFNN)完成指纹识别。本算法将2DPCA优化的特征提取与EBFNN的自适应性相结合,在FVC2000（国际指纹竞赛数据库）上作了测试。并与WT-PNN算法和WT-2DPCA-RBF算法进行比较。实验结果表明,本文提出的算法在平移、旋转及光照变化的指纹数据库上的识别效果优于WT－PNN算法和WT-2DPCA-RBF算法。     

散斑运动模糊复原的直线电机动子位置检测

图像测量技术具有非接触性、抗干扰性等优点被越来越多地应用到双次级永磁直线电机动子位置检测中。针对图像采集过程中所产生的图像模糊问题,提出了一种精确辨识运动模糊参数的方法,实现了直线电机动子位置的精确测量。采用数字散斑图像作为原始拍摄面,通过相机获得包含动子位置信息的序列运动模糊图像。利用奇异值分解对运动模糊图像进行去噪重构预处理,降低噪声对运动模糊参数辨识精度的影响。求取预处理后图像的倒谱图,通过主成分分析找到倒谱图二值化后亮线的主矢量方向即为模糊方向;同时作出倒谱三维图,利用其负峰值中两个最小值坐标求出模糊长度。根据计算的模糊参数值复原模糊散斑图像,再利用图像亚像素测量方法获得动子位置。实验结果表明:本文算法的计算耗时比Radon算法缩短了5倍多,不同位移下的平均绝对误差仅为0.084 7mm,满足直线电机动子位置检测的实时性和高精度要求。     

基于PCA的时间分辨油荧光光谱分析及优化

激光诱导荧光技术可广泛应用于油污染的监测中,然而普通的油荧光光谱技术只能实现油污染监测的粗分类,无法区分原油与燃料油的荧光特征。本文基于主成分分析方法(PCA)的时间分辨油荧光分类方法,实验测量了20种油样本的时间分辨荧光光谱特征,给出了对应的荧光寿命和时间分辨油荧光光谱的时序特征。在此基础上,利用前三个主成分构成的三维特征矢量空间,通过分析不同采集时刻下油样本矢量间相关距离的变化,对油样本的时间分辨荧光光谱进行聚类分析。为了体现油荧光变化的时序性,引入矢量距离的离散度参量,提出基于PCA进行时间分辨油荧光光谱分析的优化方法。实验结果表明,基于时间分辨油荧光光谱识别可实现原油与燃料油的光谱时序特征区分,具备良好的油荧光分类效果。     

焊接缺陷的磁光成像小波多尺度识别及分类

针对焊缝微小凹陷、未熔合和焊偏等焊接缺陷,提出了基于磁光成像无损探伤的小波多尺度边缘提取算法及主成分分析-误差反向传播神经网络(PCA-BP)缺陷分类模型;研究了焊件表面及近表面缺陷的可视化无损检测及分类方法。首先,通过对焊件施加感应磁场,利用法拉第磁致旋光原理构成磁光传感器,获取焊接缺陷磁光图像。然后,针对焊接缺陷磁光图像存在噪声干扰、对比度低且成像背景复杂等特征,基于小波模极大值的多尺度边缘信息融合方法,设计了具有高抗噪性的缺陷边缘检测算法。最后,通过PCA法对磁光图像列方向灰度变量进行预处理,得到能表征95%磁光图像列方向灰度变量信息的256个特征点作为输入特征量,构建了三层BP神经网络模型,对焊接缺陷样本进行分类。试验结果表明,所提方法能准确识别微小凹陷、未熔合和焊偏等焊接缺陷,模型分类准确率可达90.80%。