基于移动端的月季花快速识别方法研究

花卉植物的快速识别是当今园艺植物的研究热点。选取自然背景下的月季花作为研究对象,结合移动端的便利和优势,提出针对月季花的快速识别方法。对人机交互式分割预处理后的图像,使用主颜色提取算法和形状特征描述算法提取主颜色和形状特征,采用改进的融合GLCM和LBP算法提取纹理特征。通过特征选择算法对提取到的特征进行优化后,得到18个强分类特征,采用Random Forest算法对1 000幅图像进行实验,平均识别率可达93.5%。研究结果表明,该方法具有良好的识别效果和较快的识别速度。     

基于随机游走模型的物体识别

针对传统物体识别算法中只依赖于视觉特征进行识别的单一性缺陷,提出了一种结合先验关系的物体识别算法。在训练阶段,通过图模型结构化表示先验关系,分别构建了图像-图像、语义-语义两个子图以及两子图之间的联系,利用该图模型建立随机游走模型;在识别阶段,建立待识别图像与随机游走模型中的图像节点和语义节点的关系,在该概率模型上进行随机游走,将随机游走的结果作为物体识别的结果。实验结果证明了结合先验关系的物体识别算法的有效性;提出的物体识别算法具有较强的识别性能。     

基于移动端的应用程序前端开发

通过分析当前时代背景下互联网技术发展给移动端应用程序前端开发带来的更多机遇与挑战,预测这一新兴领域的发展前景,并对Mobile以及Web的前端开发进行简单对比,阐述了这两种前端开发方向的异同,从而构建较为完整和系统的应用程序前端开发框架.在此基础上,对移动客户端开发的3种模式进行详细介绍,并对其底层技术逻辑和优劣势做出...     

基于移动端的高校请假系统的设计与实现

高校中传统的纸质请假模式存在效率低、信息汇总困难等问题,已不能满足学生考纪管理的需求。构建基于移动端的请假系统,以移动互联思想重构请假、审批、信息反馈、数据汇总等流程,对请假信息进行多维度的数据挖掘,分析学生行为,为学生管理决策提供精准的数据支撑。     

基于深度卷积神经网络的物体识别算法

针对传统物体识别算法中人工设计出来的特征易受物体形态多样性、光照和背景的影响,提出了一种基于深度卷神经网络的物体识别算法。该算法基于NYU Depth V2场景数据库,首先将单通道深度信息转换为三通道;再用训练集中的彩色图片和转换后的三通道深度图片分别微调两个深度卷积神经网络模型;然后用训练好的模型对重采样训练集中的彩色和深度图片提取模型第一个全连接层的特征,并将两种模态的特征串联起来,训练线性支持向量机（LinSVM）;最后将所提算法应用到场景理解任务中的超像素特征提取。所提方法在测试集上的物体分类准确度可达到91.4%,比SAE-RNN方法提高4.1个百分点。实验结果表明所提方法可提取彩色和深度图片高层特征,有效提高物体分类准确度。     

基于形态图表示的三维物体识别算法

基于形态图表示的三维物体识别的基本思路是：首先建立待识别物体的模型库，找出模型集中所有模型物体的形态图和特征视图，并提取以它们的拓扑结构信息和几何信息；其次对物体真实图像作轮廓提取和0边界跟踪，得到二维图像的线架图，同时提取出它的拓扑结构信息和几何信息；最后将物体图像的拓扑结构信息和几何信息与模型库中模型物体的拓扑结构信息和几何信息匹配，从而达到识别的目的。文中提出了在生成线图链码时提取其拓扑结构信息和几何信息的方法，由拓扑结构信息和几何信息构造特征矩阵的方法，以及识别过程中特征矩阵的匹配算法。     

基于几何特征的曲面物体识别

基于几何特征的曲面物体识别方法是通过从景物深度图象上提取景物表面的高斯曲率和平均曲率、曲率直方图,曲率的熵等几何信息,将景物用一个属性关系图ＡＲＧ来表示,并与模型库中的模型ＡＲＧ图进行优化匹配,从而来识别曲面景物。该方法主要是针对机器零部件等人造曲面物体的识别问题而设计的,其曲面几何特征的描述方法对二阶曲面比较有效,实验表明,应用该方法可成功地从深度图象中识别机器零部件等曲面物体,且有较好的识别结     

基于Tsfresh-RF特征提取的人体步态识别算法

惯性传感器(IMU)由于尺寸小、价格低、精度高以及信息实时性强等优点, 在人体运动信息的获取与控制等方面得到广泛应用, 但在步态识别的时间序列特征提取和步态环境数据等方面还存在着明显的局限. 本文针对人体下肢步态识别特征提取的复杂性及适用性差等问题, 提出基于Tsfresh-RF特征提取的人体步态识别新方法. 首先, ...     

基于移动端的产品溯源在电商税收信息共享平台框架中的实现

文章首先针对移动端电商税收信息共享平台框架构建理论展开探讨,在此基础上重点论述移动端产品溯源信息查询系统构建技术,分别从结构设计与软件程序优化层面进行,提出几点相关功能完善措施。以图表结合形式展开论述,为信息共享平台设计建立一个适合的硬件环境基础。     

基于证据理论融合多特征的物体识别算法

为了提高物体的识别正确率,提出一种基于证据理论融合多特征的物体识别算法。提取物体图像的颜色直方图和尺度不变特征,采用极限学习机建立相应的图像分类器,根据单一特征的识别结果构建概率分配函数,并采用证据理论对单一特征识别结果进行融合,得出物体的最终识别结果,采用多个图像数据库对算法有效性进行测试。测试结果表明,该算法不仅提高了物体的识别率,而且加快了物体识别的速度,具有一定的实际应用价值。     

基于SSU-SGD的动态手持物体识别

连续目标中包含更加丰富的信息,为了更好地获取动态手持物体中的视觉信息,以不同背景下的动态手持物体为目标,基于步长自学习更新的SGD算法（简称SSU-SGD）提出了适用于动态手持物体识别的三个基准,通过自学习出不同的步长,分别在已知类、未知类和已知对象的基础上进行巩固训练,用于后续的动态手持物体识别中。用AlexNet和VGG网络对三个不同基准下的naive策略和累积策略进行了编程实验与仿真,经实验验证,该方法可以有效提高运行速度和训练精确度,并且有效提高了动态手持物体识别过程的实时性,可以进一步应用于实际。     

随机森林手势识别算法的高效嵌入式软件实现

无接触手势识别技术作为一种自然的人机交互方式,可以应用于手机、平板和可穿戴设备.为了高效实现超声手势识别嵌入式系统中采用的一对其余多分类随机森林算法,提出一种其推理过程的嵌入式软件实现方案.设计更精简的模型节点数据结构,以降低手势模型占用的存储空间.为节省系统能耗并缩短运行时间,利用分支定界的方法及时排除不可能产生...     

基于深度信息的手势识别算法研究

针对在复杂背景中传统手势识别算法的识别率低问题,利用Kinect的深度摄像头获取深度图像,分割出手势区域后进行预处理;提取手势的几何特征,并提出深度信息的同心圆分布直方图特征,融合手势的几何特征和深度信息的同心圆分布直方图特征;学习训练随机森林分类器进行手势识别.文中通过在复杂背景条件下对常见的“石头”、“剪刀”、“布”3种手势进行测试,实验结果表明:文中所提方法具有很好的平移,旋转和缩放不变性,能适应复杂环境的变化.     

基于组件词表的物体识别

提出一种基于组件词表的物体识别方法,通过AdaBoost从物体样本图像的组件中选取一些最具区分性的组件,构成组件词表。每幅图像都用词表中的组件来表征,在此基础上用稀疏神经网络来训练分类器。实验结果表明,该方法识别精度较高,对于遮挡和复杂背景有较强的鲁棒性。     

基于模型的三维物体识别

实现了一个完整的基于模型的三维物体识别系统,它可识别灰度图象中包含的物体,如对遮挡加以限制,还可识别被遮挡的物体.该系统能实现物体的自动建模,也可先定性识别某一物体的立体图对以获取高层知识,然后在高层知识的指导下准确地匹配立体图对中相对应的特征.此外,还提出了利用最能表示物体特征的表面(特征面)来识别物体的方法,以提高系统抗噪声的能力.大量实验证明,该系统具有相当的稳健性.     

移动目标的快速识别算法

本文针对现有技术中存在的问题提出一种对复杂背景下的多个移动物体进行目标快速识别与跟踪的复合算法。该算法中采用对连续图像进行差影计算来确定移动目标区域，从而能去除复杂背景干扰，可以明显提高目标识别的速度和准确率。该系统已被实验证明其有效性和实用性．可广泛应用于监测与识别系统，也可应用于无人监控．无人自主操作等各种领域。本文中所提到的算法现为国家某重点项目中的关键技术。     

优化非线性激活函数-全局卷积神经网络的物体识别算法

传统的物体识别算法识别精度、自适应能力弱等问题已然不能满足实际的仓储物流领域对物体识别精度的要求.近年来,相关学者提出了基于深度学习的物体识别算法,它得到一定的推广和应用.但是,深度学习在物体识别的应用过程中存在以下问题:一是深度学习模型中激活函数的非线性建模能力弱;二是深度学习模型大量重复的池化操作丢失信息.鉴于此,...     

基于电磁波小尺度衰落的移动物体检测

随着无线网络技术的发展,出现了针对网络信号能量强度的大量研究。提出一种新颖的基于电磁波小尺度衰落效应的移动物体检测方法。该方法以静止环境中稳定信号能量强度作为依据,通过滚动窗算法捕捉移动物体出现时的小尺度衰落效应,从而实现移动物体的检测。实验结果表明该方法可有效地检测到移动物体,达到100%的检测率。由于该方法仅依赖于电磁波的小尺度效应,因此可在各种无线网络环境中实现。该方法可用于构建安全监控系统,且实施简单,无需专用传感器。     

一种端到端的考场多目标行为识别算法

人工监考存在监考人员容易疲惫、监考行为缺乏客观的执行准则、违规行为证据无法留存等问题,因此越来越多的高校建设了智能化教室,并在教室开始实施利用行为识别进行自动化的监考任务,以期在监考工作中解放人工劳动的同时提供公平公正客观的监考程序。在实际考场监控的边缘设备中利用TSN双流、3DCNN等结合时空特征的网络很难实现实时的、相对准确的监控任务。提出一种端到端的考场多目标行为识别算法。相对于以提取空间、时序特征并进行融合为主流思想的行为识别算法,利用视频帧以多目标检测和多目标行为识别相结合的行为识别算法在考场环境中更加快速准确。算法借助了多标签学习、注意力机制和特征金字塔等策略来改进任务,同时利用迁移学习对本地采集的考场行为视频数据集进行再训练,得到最终的考场行为识别模型,结果表明达到了主流数据集中上水平,并在考场环境中具有良好的高效性与准确性。