机器视觉和AdaBoost的柑桔溃疡病自动检测

将计算机视觉技术应用于柑桔病害识别问题,实现了快速准确的识别柑桔溃疡病.从特征构造,特征选择和识别系统设计三方面进行了研究.在特征构造上采用了Gabor变换,边缘识别等方法得到了包括颜色、纹理及形状的综合特征;在特征选择上采用了AdaBoost算法实现;最后通过AdaBoost学习方法构造分类器并利用滑动窗口技术进行病害区域检测.实验结果证明该方法对柑桔溃疡病其识别准确率高于95%,在训练轮数较多的情况下能够接近99%的识别率,且该识别率较稳定.实验结果显示计算机自动识别效果与专家目测相当,在生产中具有一定的实用价值.     

基于高斯概率模型的水稻重叠病斑分割算法

研究水稻病斑中的重叠病斑识别问题,针对诊断水稻图像信息和及早防治.传统的水稻病斑分割算法都是对病斑的像素进行直接的操作,容易造成像素信息的丢失,存在着识别准确性差问题,造成后期的识别率不高.为解决上述问题,提出了基于像素概率模型的水稻病斑分割方法.通过自适应病斑分割算法,用高斯混合模型描述每一像素的色彩分布情况,再以具有最大适应度值的子模型作为当前分布模型来描述每一病斑像素的特征,避免了对像素的直接操作.仿真结果表明,方法能够有效的分割大部分重叠水稻病斑特征,提高了识别准确性,取得了比较好的效果.     

模糊识别技术在玉米病斑识别中的应用研究

研究玉米病斑识别问题,提高识别准确率。人们知道玉米可能会同时出现多种病斑,当多种病斑重叠生长时病斑颜色将发生改变,传统的高斯模型识别算法只根据图像颜色特征进行识别,无法识别重叠病斑,造成识别准确率不高。为此提出一种模糊识别技术,首先根据学习集获取病斑的中心,基于同一种病斑纹理特征向量不突变的规律,引入模糊均值对图像特征向量遍历,得到病斑连通图即完成病斑的识别,避免了只对颜色特征的依赖。实验证明,这种方法能够使玉米重叠病斑准确识别,取得了满意的效果。     

基于手机拍摄图像分析的苹果病害识别技术研究

为提高用低分辨率图像识别苹果病害的准确率,建立了完整的预处理流程,用类间方差闻值分割法和形态学运算等方法抽取图像的病态部位.根据病斑形状及Hu不变矩提取病斑的形状特征,提取病斑的H方差结合H-S直方图特征作为病斑的颜色特征,用计盒维数法提取病斑纹理特征.在对特征进行优选的基础上,构建BP神经网络病害识别模型.识别实验结果表明,用优选的8个特征和BP神经网络模型对5种病害的平均正确识别率达92.6%,可有效识别苹果病害.     

基于改进DTW的机器人语音指令识别系统研究

动态时间规整(Dynamic Time Warping)是语音识别中的一种经典算法,该算法简单有效,在实现孤立词识别系统中得到了广泛的应用.为了提高机器人语音识别系统的识别率和识别速度,文中采用了一种改进的DTW语音识别算法.在MATLAB 7.0环境下,对改进的语音端点检测和改进的DTW算法进行仿真实验,实验证明改进的算法提高了识别率,并且减少了识别所用的时间;将该算法移植到机器人上,在安静的环境下进行试验,结果表明机器人能准确而又快速地识别语音内容.最后,得到了改进的语音识别算法能够有效提高识别率和识别速度的结论.     

基于中值滤波和形态学的条码边缘检测

针对边缘模糊会导致二维条码识别率下降的问题,提出了一种基于中值滤波和数学形态学相结合的二维条码边缘检测识别算法,该算法能够有效地抑制噪声,保护边缘细节,提高检测精度,从而有效地降低边缘模糊时条码识别的影响.文中选取PDF417二维条码为应用对象,与传统的几种边缘检测算法相比.实验结果表明,该算法能够更有效地识别条码边界,显著地提高了条码的识别率.     

自适应语音识别算法仿真研究

研究语音识别准确性优化问题,针对目前由于不同说话人语音存在差异,实现语音词汇识别难,造成识别率较低等.为了解决上述问题,提出了一种新的自适应的短语音孤立词识别算法并加以实现.算法主要根据提取梅尔倒谱系数和动态时间弯折的模板匹配的优点,首先对输入语音信号进行端点检测,可以较好地对特定人的孤立词进行识别.同时算法给出了MFCC参数提取,对端点检测效果进行性能分析与评价.采用Matlab工具实现了语音识别系统,并设计了良好的人机交互界面,系统能够快速处理输入的语音,比较了不同人声音情况下的识别率.实验结果表明算法具有非常高准确的识别效果.     

基于TLD和DTW的动态手势跟踪识别

针对动态手势跟踪稳定性的不足和识别效率的问题, 提出一种基于TLD和DTW的动态手势跟踪识别框架. 首先利用基于Haar特征的静态手势分类器获得手势区域, 然后使用TLD跟踪算法对获得的手势区域进行跟踪以获取手势轨迹, 最后提取轨迹特征, 使用改进的DTW算法进行识别. 实验表明, 该框架能够长时间稳定地跟踪手势区域, 并能够在保证识别率的基础上显著提高识别效率.     

自底向上的应用层组播树重构算法

分析传统应用层组播树重构算法的不足,结合前向式重构技术,提出一种自底向上的应用层组播树重构算法.采用自底向上的方法将备用父节点的本地选择策略和全局选择策略进行有机结合.仿真结果表明,该算法在组播树的恢复时延、重构树的质量、树重建的控制开销方面都有一定的改进.     

基于改进DTW的机器人语音指令识别系统研究

动态时间规整(Dynamic Time Warping)是语音识别中的一种经典算法,该算法简单有效,在实现孤立词识别系统中得到了广泛的应用。为了提高机器人语音识别系统的识别率和识别速度,文中采用了一种改进的DTW语音识别算法。在MATLAB 7.0环境下,对改进的语音端点检测和改进的DTW算法进行仿真实验,实验证明改进的算法提高了识别率,并且减少了识别所用的时间;将该算法移植到机器人上,在安静的环境下进行试验,结果表明机器人能准确而又快速地识别语音内容。最后,得到了改进的语音识别算法能够有效提高识别率和识别速度的结论。     

光学遥感图像多目标检测及识别算法设计与实现

针对目前光学遥感图像处理与分析多集中在单目标检测及识别领域的局限性,多目标检测及识别成为了一个非常值得关注的研究课题,提出了一种光学遥感图像多目标检测及识别算法.首先,采用自适应阈值算法对目标快速检测分割;然后,结合图像金字塔思想和基于尺度不变特征变换的特征包(BoF-SIFT)特征提出了一种分层的BoF-SIFT特征表示目标的全局特征和局部特征,详细地描述了目标的分布特性;最后,采用基于径向基核函数的支持向量机为弱分类器的AdaBoost算法,经过不断更新权重之后得到一个强分类器对待测试目标图像完成分类识别,识别率达到了93.52%.实验结果表明,所提算法对多类遥感图像目标的分割效果显著,特征选取恰当,识别方法快速有效.     

基于AdaBoost的微博垃圾评论识别方法

针对微博上存在的大量垃圾评论,提出一种基于AdaBoost的微博垃圾评论识别方法。该方法首先提取表示微博评论的特征值向量,由8个特征值组成,然后通过AdaBoost算法在这些特征上训练出若干个比随机预测好的弱分类器,最后将得到的弱分类器加权集合成高精度的强分类器。从实际的热门新浪微博中提取评论数据集进行实验,结果表明所选取的8个特征是有效的,该方法对于微博垃圾评论的识别拥有较高的识别率。     

AdaBoost算法在车牌字符识别中的应用

提出了一种基于AdaBoost的车牌字符自动识别算法。AdaBoost是一种构建准确分类器的学习算法，它将一族弱学习算法通过一定规则结合成为一个强学习算法，从而通过样本训练得到一个识别准确率理想的分类器，将之用于车牌字符识别，对车牌图像进行实验，对车牌字符样本进行特征提取，用特征来训练有效分类器，用MATLAB完成了对车牌照数字识别的模拟，结果证实此算法对车牌字符识别有一定准确性，具有良好的效果。     

基于扩展Haar特征的AdaBoost人脸检测算法

对于常用的基于Haar特征的AdaBoost人脸检测算法存在漏检率与误检率高等不足, 增加了Haar特征的扩展种类, 这些新增Haar特征能够有效减少因眉毛与眼睛灰度值近似而引起的误判, 同时去除一些针对人脸分辨效果不好的特征来提高算法的实时性, 深入分析了利用Haar特征与AdaBoost算法构成的级联分类器的特点. 实验数据结果验证了改进后算法的可行性.     

一种复杂背景下的人脸检测方法

针对在复杂背景下现有人脸检测算法存在检测率低和误检率高等问题,提出了一种基于改进AdaBoost算法和肤色校验相结合的彩色图像人脸检测方法.首先对传统AdaBoost算法进行了改进,通过改进样本权值参数和弱分类器加权参数,有效地抑制了困难样本权值的过分增大,加强了分类器对样本的识别能力,并提高了系统的检测率;然后将Ad...     

基于 Kanade -Lucas的人眼跟踪算法研究 *

在基于 AdaBoost算法识别驾驶员眼部疲劳状态时 ,环境光照、视角的频繁变化是影响识别稳定性的重要因素 ,为此提出了一种基于 Kanade-Lucas( K-L)光流跟踪与 AdaBoost级联分类器相结合的改进算法。该算法利用 AdaBoost算法识别并存储人眼的角点特征 ,在 AdaBoost算法无法正确识别时 ,利用 ( K-L)光流跟踪算法跟踪正确识别的角点有效地提高了人眼识别率 ,降低了误识别率 ,并降低了重复识别的运算量。     

基于改进型AdaBoost网络模型的斑马鱼胚胎血管识别

基于图像特征与改进型AdaBoost网络模型,对斑马鱼节间血管的识别进行了研究.对3组斑马鱼胚胎荧光图像训练集的节间血管进行正负样本选取,使用Haar-like特征图提取图像特征,通过Ada-Boost网络模型对所提取的特征训练形成级联分类器,根据识别效果,调整改进网络的系数得到改进型级联分类器,最终实现了节间血管的精确识别和统计.实验结果表明:对于节间血管提取的准确率和识全率分别达到了93.8%和91.1%,说明该算法检测准确率高,对不同组别图像均有稳定的检测效果.     

基于AdaBoost的计算机生成图像检测算法

提出了一种基于AdaBoost的计算机生成图像检测算法;该算法从空间域和变换域提取JPEG图像的特征值,利用特征组合技术来检测计算机生成图像.其中,小波域特征值是图像小波子带系数及其线性预测误差的高阶统计量,空间域特征是图像的梯度能量特征值.利用AdaBoost算法来构造分类器.相比于其它分类算法,AdaBoost算法是将弱学习算法通过一定规则上升为一种强学习算法,从而通过实际样本训练得到一个识别率较为理想的分类器.仿真实验表明,对计算机生成图像的检测率有了很大的提高.     

基于卷积特征和贝叶斯分类器的人脸识别

为解决传统人脸识别算法特征提取困难的问题,提出了基于卷积特征和贝叶斯分类器的人脸识别方法,利用卷积神经网络提取人脸特征,通过主成分分析法对特征降维,最后利用贝叶斯分类器进行判别分类,在ORL（olivetti research laboratory）人脸库上进行实验,获得了99.00%的识别准确率。实验结果表明,卷积神经网络提取的人脸图像特征具有很强的辨识度,与PCA（principal component analysis）和贝叶斯分类器结合之后可有效提高人脸识别的准确率。