运动目标识别方法与仿真研究

运动目标识别与跟踪在军事和工业领域具有广泛的应用前景。典型的跟踪方法有相关匹配算法、光流算法、基于运动轮廓算法等。典型的识别方法有：模板匹配目标识别法、基于相似性度量识别法、基于遗传算法目标识别算法等。本文提出了一种基于神经网络的识别与跟踪方法,并研究了运动目标识别与跟踪仿真模型和实现方法。     

基于神经网络的目标识别模型验证方法研究

针对多传感器目标识别仿真模型的验证问题,提出了一种基于多神经网络的“分层有序”的模型验证方法。该方法利用神经网络的自组织和自学习能力,通过对各种目标识别模型关键行为特性的学习,将实际系统行为归类为其中的一种模型,从而对模型的可信性做出评估。仿真结果进一步说明了该方法的可行性和有效性。     

基于对角切片谱的小波神经网络水下目标识别

目前水下目标识别技术识别率与实时性两难现状的解决,对舰船水下辐射噪声的正确提取具有实际意义。为了使水下目标识别更切合作战实际需要,在得到稳定、可靠的目标识别率的同时,实现高效与实时性,提出了基于对角切片谱的小波神经网络水下目标识别系统。系统充分利用高阶谱既能抑制高斯噪声又包含丰富识别信息的特点以及小波神经网络具有自适应、自学习以及逼近特性和自动收缩平移功能的优点,对三类舰船的实测数据进行仿真,结果表明,三类舰船目标的平均识别率达到90.4%,同时收敛速度也比普通神经网络提高16.9%,证明系统在水下目标识别中具有很好的应用价值。     

复杂场景下的运动目标识别算法

目标识别是计算机视觉的基本目的,同时也是人工智能领域的重要组成部分之一.随着信息化时代的来临,视频采集工具的普及,海量的视频数据给人工识别带来了巨大挑战.现阶段,在智能交通领域、生产质检领域等简单场景中,视频识别技术已经得到广泛的应用.如何从复杂场景中实现目标的识别和检测则成为了更加重要和困难的问题.针对该问题,本文提出了一种复杂场景下的运动目标识别算法.首先,提出一种改进的光流算法,通过时间序列以及空间像素变化对运动目标区域进行快速标记;其次,对目标区域进行滑动窗口检测,匹配人体各部位模型,并将反馈信息利用树形结构进行人体建模,实现在复杂场景下识别运动目标.通过实验进行评估,该方法能够在保证较高准确率的情况下,相比基于深度学习的检测算法检测速度更快,可以满足实时监测的要求.     

基于Matlab Web Server的神经网络目标识别方法

提出了一个通过网络访问Matlab Web Server从而可以远程实现目标识别的方法.为使Matlab Web Server正常运行,对系统的使用环境进行了一定规则的配置,而进行目标识别的神经网络算法也作了适当的修改以适应所在环境.实验结果表明该系统在远程仿真上是可行的,它克服了目标识别只能单机运行的缺点.     

基于支持向量机的水中目标识别

本文阐述了有关统计学习理论和支持向量机算法,提出了基于支持向量机的水中目标识别方法.该方法与传统方法相比,克服了后者固有的模型选择与过学习问题、非线性与维数灾难问题、局部极小问题.最后进行了水中目标的对比识别实验,实验结果说明,相对于近邻法和神经网络法,支持向量机算法对水中目标有更高的识别性能.     

基于人工鱼群优化BPNN的AUV目标识别方法

为了削弱复杂恶劣的环境对水下成像造成的不利影响及满足水下机器人目标识别任务实时性的需求,提出了基于人工鱼群算法(AFSA)优化BP神经网络的水下目标识别算法,通过构造组合不变矩对水下目标进行特征提取,提高了目标的聚类性能.引入具有全局寻优能力的AFSA,其在增加单纯神经网络收敛速度的同时避免算法陷入局部最优,进而建立了完整的基于人工鱼群神经网络的水下目标识别系统.在不同的水下目标中对该系统进行实验,通过比较提取的不同的目标图像,结果表明所建立系统具有较优的聚类性能和较高的识别精度.该方法用于水下目标识别是可行的、有效的.     

基于机器视觉的动态多点手势识别方法

提出了一种高效的基于HSV颜色空间的多目标检测跟踪方法,实现通过摄像机实时检测跟踪多个指尖目标;定义了一套基于指尖运动轨迹的动态手势模型,并提出了动态手势识别方法;对于两点动态手势,通过BP神经网络进行手势学习和手势识别,而对于模拟鼠标手势和四点动态手势,利用指尖之间相互位置关系进行手势识别.测试结果表明,该方法能够快速、准确的跟踪多个运动的指尖目标并进行动态多点手势识别.     

基于BP神经网络的红外目标识别技术

论文主要研究的是基于BP神经网络的红外目标识别技术,红外目标的检测识别是红外搜索与跟踪系统、精确制导系统、红外预警系统等的一项核心技术.论文重点是介绍对空中飞机目标的识别,空中目标识别是防空作战辅助决策的关键环节之一.根据红外目标的各种属性,提取构建样本特征库,从而建立基于BP神经网络原理的空中目标识别模型.利用BP神经网络的训练函数采集样本特征数据,得到稳定的权值和阈值,为后续的目标识别分类提供依据.该模型主要利用神经网络的记忆、联想、容错功能,进一步提高目标识别的稳定性和可信度,降低了个别误判而造成目标识别错误的概率.     

基于多CPU的目标识别与跟踪系统设计

设计了一个实时图像采集、目标识别与跟踪系统;系统功能包括图像采集、运动估计、目标识别、摄像机云台控制等;系统功能主要由3片CPU完成,其中由2片DSP构成的图像采集处理单元实现两路图像采集、目标识别和运动估计,识别和估计结果通过系统总线送给跟踪控制系统;由1片ARM构成的目标跟踪控制系统对2路摄像机的云台和镜头等实现实时控制,使目标一直位于视场中;该系统采样率为10fps,当运动目标的距离在100 m以内,速度小于15 m/s时,可以实现实时识别与跟踪;该系统可以应用于视频监控等应用领域。     

一种新型随机二进制神经网络

二进制数据表示具有简洁高效的特点,随机噪声有助于系统摆脱局部极小.新型的随 机神经网络模型采用随机加权联接,内部数据表示为随机二进制序列形式,实现十分高效.文中 分别就前馈型网络和反馈型网络进行了深入的讨论,给出了前馈型网络的梯度下降学习算法, 为反馈型网络设计了快速有效的模拟退火算法和渐进式Boltzmann学习算法.通过对PARITY 问题的测试,发现了新模型的一些有趣特征,实验结果表明梯度下降学习效果显著.利用渐进式 Boltzmann学习,反馈型网络被成功地用于带噪声人脸识别.     

基于回归神经网络自适应快速BP算法

动态递归网络Elman网络结构简单，运算量少，适合于实时系统辨识。以Elman网络结构推导了在线学习算法。针对于传统BP算法会产生局部收敛和收敛速度慢等缺点，提出了一种改进的自适应BP算法，运用到回归神经网络，提高了在线学习的速度与收敛速度，仿真实验表明了此算法的有效性和快速性。     

基于支持向量机的人脸检测算法

人脸检测是建立自动人脸识别系统的基础，该文提出了一种新的基于支持向量机的人脸检测算法，支持向量机是在统计学习理论的基础上发展起来的一种通用机器学习算法，采用支持向量机可以建立类似于神经网络的分类器，但是克服了神经网络中可能遇到的局部极小值和过学习问题，试验结果表明该算法鲁棒性好，检测精度高，具有很强的实用价值。     

3D reconstruction and face recognition using kernel-based ICA and neural networks

Kernel-based nonlinear characteristic extraction and classification algorithms are popular new research directions in machine learning. In this paper, we propose an improved photometric stereo scheme based on improved kernel-independent component analysis method to reconstruct 3D human faces. Next, we fetch the information of 3D faces for facial face recognition. For reconstruction, we obtain the correct normal vector’s sequence to form the surface, and use a method for enforcing integrability to reconstruct 3D objects. We test our algorithm on a number of real images captured from the Yale Face Database B, and use three kinds of methods to fetch characteristic values. Those methods are called contour-based, circle-based, and feature-based methods. Then, a three-layer, feed-forward neural network trained by a back-propagation algorithm is used to realize a classifier. All the experimental results were compared to those of the existing human face reconstruction and recognition approaches tested on the same images. The experimental results demonstrate that the proposed improved kernel independent component analysis (IKICA) method is efficient in reconstruction and face recognition applications.     

基于细胞神经网络运动目标跟踪算法研究

运动目标跟踪是模式识别、图像处理、计算机视觉等领域的重要课题,它把图像处理、自动控制、信息科学有机结合起来,针对背景是静止的运动物体图像序列,提出了基于细胞神经网络移动目标跟踪,该算法大部分采用细胞神经网络结构,能够实现高效、快速的移动目标跟踪,可以满足实时需要,在实验基础上验证了该算法的有效性。     

融合LeNet-5和Siamese神经网络模型的人脸认证算法研究

基于人脸信息的身份认证对于个人安全和社会稳定都具有非常重要的意义。传统的人脸认证方法依赖人工构造视觉特征,易受外界条件影响,识别精度不高。深度学习模型以自主学习方式进行特征提取,能从复杂的数据中提取到人脸的隐性特征。然而大部分深度学习人脸认证方法需大量带有身份标记的训练样本,额外增加了标记数据的成本。针对以上问题,提出了融合LeNet-5和Siamese神经网络模型的人脸认证算法。该算法在Siamese神经网络框架基础上,引入LeNet-5卷积神经网络,将单分支LeNet-5卷积网络扩充为结构相同且参数共享的双分支LeNet-5卷积网络,通过缩小卷积核、增加卷积层来调整网络结构,使用Contrastive Loss函数对融合网络进行训练。实验结果表明,该算法在不同的人脸数据集上,均获取较高的识别精度。     

基于深度学习的运动目标交接算法

针对多摄像机非重叠视域下存在的运动目标不连续性和不确定性的问题, 提出一种基于深度学习的运动行人目标的交接算法. 首先基于深度卷积神经网络构建人脸特征提取模型, 对人脸特征提取模型进行训练, 获得精确的人脸特征. 然后比较两种常用的相似度度量方法, 选择其中一种更适合的相似度度量方法, 以完成最优的人脸匹配过程, 提高人脸匹配的准确率. 最后通过对不同摄像机下的人脸进行特征匹配找到最匹配的人脸, 实现运动目标的交接. 实验表明, 深度神经网络可以减少运动目标丢失的概率, 准确地提取到运动目标的人脸特征, 有效完成多摄像机下运动目标的交接跟踪任务.     

基于身份证和人脸双重识别技术的智能门禁系统设计

针对智能门禁系统实名制管理及安全性问题,设计了一种基于身份证和人脸双重识别技术的智能门禁系统,通过RFID射频识别技术实现了身份证识别,通过宽度学习卷积神经网络算法实现了人脸识别,设计了智能门禁系统的通信指令,提出了一种基于优先级的周期性多任务调度算法,有效地提高实时多任务系统的整体控制性能;经实验结果表明,该智能门禁系统可实现网络化管理以及实名化开锁,可以应用于门禁系统、政府公租房、长短租公寓、民宿网约房、家庭联网门锁、写字楼等多领域。     

Face recognition based on dictionary learning and subspace learning

Dictionary learning plays an important role in sparse representation based face recognition. Many dictionary learning algorithms have been successfully applied to face recognition. However, for corrupted data because of noise or face variations (e.g. occlusion and large pose variation), their performances decline due to the disparity between domains. In this paper, we propose a face recognition algorithm based on dictionary learning and subspace learning (DLSL). In DLSL, a new subspace learning algorithm (SL) is proposed by using sparse constraint, low-rank technology and our label relaxation model to reduce the disparity between domains. Meanwhile, we propose a high-performance dictionary learning algorithm (HPDL) by constructing the embedding term, non-local self-similarity term, and time complexity drop term. In the obtained subspace, we use HPDL to classify these mapped test samples. DLSL is compared with other 28 algorithms on FRGC, LFW, CVL, Yale B and AR face databases. Experimental results show that DLSL achieves better performance than those 28 algorithms, including many state-of-the-art algorithms, such as recurrent regression neural network (RRNN), multimodal deep face recognition (MDFR) and projective low-rank representation (PLR).     

Compact deep learned feature-based face recognition for Visual Internet of Things

The Visual Internet of Things has received much attention in recent years due to its ability to get the object location via image information of the scene, attach the visual label to the object, and then return information of scene objects to the network. In particular, face recognition is one of the most suitable means to Visual IoT because face feature is inherent label for human being. However, current state-of-the-art face recognition methods based on huge deep neural networks are difficult to apply in the embedded platform for Visual IoT due to the lack of computational resources. To solve this problem, we present compact deep neural network-based face recognition method for Visual Internet of Things. The proposed method has a low model complexity to operate in an embedded environment while using deep neural networks, which is strong against posture and illumination changes. We show competitive accuracy and performance results for the LFW verification benchmark and the collected mobile face recognition dataset. Additionally, we demonstrate that the implementation of the proposed system can be run in real time on the Android-based mobile embedded platform.