基于机器视觉的储粮害虫检测与识别

研究了基于视频的储粮害虫检测与基于粗糙集的储粮害虫图像识别技术.通过对采集的视频图像序列进行运动目标检测分割,提取静态储粮害虫图像;通过对储粮害虫图像进行预处理,直接将图像像素值作为条件属性构造决策表,通过基于遗传算法的属性约简,有效压缩规则集,依据计算得到的规则隶属度输出图像的匹配结果.实验表明采用粗糙集方法识别储粮害虫图像能够取得比较好的效果.     

基于混沌优化的仓储害虫检测与分类识别研究

为了提高仓储害虫自动识别和检测技术,提出一种基于混沌优化算法(COA)和支持向量机(SVM)的仓储害虫检测与分类技术.利用声音传感器采集害虫声音信号,经过降噪和数值归一化处理,通过COA和SVM进行多次载波,寻求变量的最优特征值.模拟试验结果表明:该方法对复杂模式的识别能力较强,达到较高的识别率,而且大大缩短检测时间,提高检测效率,也为仓储害虫的快速检测和分类研究开辟了新的途径.     

基于多特征融合和混合核SVM的目标识别方法

针对可见光和红外传感器具有不同感知特性的问题,提出了一种基于多传感器特征信息融合和混合核SVM的图像目标识别方法,方法包含多特征提取、主成分分析和混合核SVM分类三个部分.在特征提取中利用可见光和红外图像的互补性,分别提取同一场景可见光与红外图像的灰度共生矩阵以及灰度直方图统计特征,得到一组目标融合的特征量,进一步进行目标分类与识别;利用主成分分析法降低特征的维度,减少计算量;利用混合核SVM方法对目标特征进行分类识别.结果表明,在室内环境中对不同人群密度等级进行分类时,所提出方法的精度可达88.21%.     

基于Pseudo-zernike不变矩的肺部图像特征提取及分类研究

为准确、快速地分析肺部图像的特征,提出了一种基于Pseudo-zernike不变矩的肺部特征分析方法.通过对肺部图像进行预处理和基于Pseudo-zernike不变矩的特征提取,利用具有良好识别性能的SVM分类器对提取的肺部图像特征值做分类研究.实验结果表明,该方法能够很好地表征肺部图像的特征,具有良好的分类准确率.     

多极化SAR图像目标的智能识别应用研究

针对小样本集的多极化合成孔径雷达(SAR)图像目标,提出利用迁移学习、多极化SAR图像增广以及网络架构适应性改进,实现了多极化SAR图像目标端到端的智能分类识别;利用实测机载全极化SAR目标图像进行了实验.实验结果表明,与传统机器学习SVM方法相比,基于多极化SAR深度学习方法所包含的多个神经网络隐含层能自适应地提取目标高层语义特征,其目标分类识别精度更高,从而验证了本文深度学习方法用于多极化SAR图像目标识别分类的有效性.     

基于SVM的水果分类算法研究

利用6个二类SVM分类器,设计并实现了基于图像的水果种类识别系统。系统首先对采集到的水果图像进行颜色空间转换、增强、分割、边缘提取等一系列的预处理工作,并对水果图像的特征及相关参数进行测量,利用SVM分类器对水果图像进行分类识别,并在文章最后给出了下一步的研究方向。     

利用体全息相关器实现车辆牌照旋转不变识别

为了使用综合判别函数作为输入在光折变晶体中记录匹配滤波器,利用不同旋转角度的参考图像集训练出该图像的综合判别函数,再通过角度复用存储在晶体中,从而构建出一个体全息旋转不变光学相关器.同时,在光路中直接引入光学子波滤波器,大大地提高了相关器的判别能力.实验结果表明上述方法可以较好地完成车辆牌照旋转不变识别.     

一种有效的SAR图像目标识别方法

根据不变矩特征提取和支撑矢量机分类的优势,提出了一种有效的SAR图像目标识别方法.首先对样本SAR图像进行预处理。然后提取目标区域的不变矩特征并计算灰度均值,将其组成特征向量训练SVM分类器,最后用训练好的SVM分类器对要识别的SAR图像进行目标识别.采用该方法对一些含有桥梁和坦克的SAR图像进行目标识别实验,取得了较好的识别结果.     

形状上下文在害虫识别上的应用

将形状上下文引入到害虫识别中,在对害虫图像进行预处理得到二值图像的基础上,用形状上下文描述害虫的轮廓特征.首先,使用Robert算子,在二值图像中寻找害虫的轮廓并采样获取边界点集,然后利用边界点集,通过改进的对数极坐标变化计算得到目标图像的形状直方图.利用形状直方图进行2图像之间的相似性度量,计算出匹配代价.实验结果表...     

CNN-SVM模型在抽油机井故障诊断中的应用

针对传统的示功图识别方法对抽油机井进行故障诊断存在人工选取示功图特征,识别准确度低等问题,基于人工智能理论,提出一种卷积神经网络(CNN)和支持向量机(SVM)相结合的示功图智能识别模型。利用卷积神经网络对示功图图像特征自动提取,利用支持向量机根据提取的深层图像特征给出故障诊断结果。结果表明,将CNN与SVM结合用于示功图识别不仅省去了人工选取示功图特征这一环节,而且识别准确度也高达99.71%,测试性能优于其他识别模型。该模型的提出为抽油机井故障的快速准确诊断提供了可行的解决方案,对油田高效作业具有重要意义。     

数据压缩在人脸识别中的应用

提出一种基于DCT正变换和小波变换按照灰度值近似压缩的一种图像信息压缩方法和图像复原方法,对人脸识别中的图像进行数据压缩处理后进行归一化,并根据归一化向量的特征值所对应的特征矩阵存储图像,将位图存储过程变换为数据文件的存储,节约了存储空间.最后用Lucy-Richardson算法对压缩后的图像进行了恢复,以测试压缩过程中对图像冗余信息的删除是否有效,测试结果表明该方法对人脸识别中图像进行数据压缩是有效的,并且达到了人脸识别对图像精度的要求.     

基于图像处理和支持向量机的微型齿轮缺陷检测

针对微型齿轮缺陷传统检测手段落后、准确率低、不易在线实施、受人为因素影响等问题,提出了以电荷耦合器件为图像传感器,采用图像处理技术和支持向量机对齿轮缺陷进行检测的方法。首先,系统采用发光二极管照明光源提供高强度背光照明,使用A102FCCD数字摄像头采集齿轮的图像,经过图像采集卡传输到计算机。其次,采用边缘保持滤波器对含有噪声的原始数字图像进行降噪处理,采用迭代阈值法和Otsu双阈值法对齿轮图像进行分割,形成二值化图像。然后获取齿轮样本,提取样本特征。最后用支持向量机来构造齿轮缺陷识别模型。该方法识别正确率达97.8%。理论分析及实验结果表明,该方法检测成本低廉、可靠性高、推广性强、容易在线实施。     

基于2D Gabor滤波器和LBP的车牌识别研究

本文提出一种基于2DGabor滤波器和LBP的车牌识别方法,与基于2DGabor滤波器的方法相比,该方法降低了图像维数,识别时间短,识别精度高。首先利用2DGabor滤波器对归一化后的图像进行低通滤波,然后使用LBP提取车牌纹理特征,最后用支持向量机作为分类器。在课题组自建的车牌库上进行实验,取得了94.3%的识别率和每张图像0.291s的识别时间,说明该方法基本满足实际需要。     

半径间隔界驱动卷积神经网络模型的图像识别

基于支持向量机（SVM）的卷积神经网络（CNN）模型结合了大间隔原理,在图像识别中表现出了优异的泛化性能。然而,该方法忽视了一个关键:SVM的泛化性能不仅取决于不同类之间的间隔,还与所有样本的最小包含球（MEB）的半径有关。针对这一事实,文章提出一种基于半径间隔界（RMB）驱动的CNN模型的图像特征提取和识别的方法。与传统CNN模型相比,该模型采用基于SVM泛化误差界的策略来指导CNN深度模型学习和相应分类器构建,不仅考虑了不同类别之间的间隔,还考虑了MEB的半径。该模型能提高深度卷积模型的泛化能力而不会额外增加网络的复杂度,还能够应用于不同的深度模型中而不受限于某一特定的网络结构。在多个数据集上的实验结果表明,相比于基于Sofmax损失的CNN模型、基于中心损失的CNN模型以及基于 SVM 的 CNN 模型,该模型能够提取到鉴别性更强的图像特征,取得更高的识别率。     

基于支持向量机的图像纹理识别方法

将支持向量机(SVM)应用于基于内容的图像检索领域，提出一种基于Gabor小波变换和支持向量机分类器的新型集成纹理识别方法.目标是利用Gabor小波设计的多通道小波滤波器对图像目标进行小波变换，用Gabor小波变换系数的模的平均值和标准差生成表示目标图像的特征向量，将特征向量归一化后用支持向量机进行训练和识别.最后，利用Brodatz纹理库中的纹理图像进行了试验并与其他几种方法进行了比较.结果表明，该方法的识别率在小样本情况下要优于其他几种方法，并且具有更好的泛化和推广能力.     

基于LTP和HOG纹理特征融合的中亚文档图像文种识别

针对中亚地区存在一些相似度较高的文种,提出一种基于具有旋转不变性的统一局部三值模式(rotation invariant uniform local ternary pattern,riu2-LTP)和方向梯度直方图(histogram of oriented gradients,HOG)特征交叉融合的文档图像文种方法...     

基于Mutual Boost和支持向量机的表情识别

主要研究自动人脸表情识别（FER）,首先使用Gabor算法提取人脸图像的特征,再针对Gabor特征维数高、冗余大及利用传统的AdaBoost算法进行特征选择时特征间仍存在较大冗余的特点,引入了基于互信息的AdaBoost算法（MutualBoost）进行特征选择,降低特征维数和减少特征间的冗余信息量。然后再以SVM分类器进行分类。本算法在JAFFE表情库上进行测试,结果验证了算法的有效性。