基于独立分量分析的二级指纹分类算法

针对传统指纹分类算法分类不均衡的缺陷,提出一种基于独立分量分析的二级指纹分类算法。从高阶统计相关性角度出发提取一组特征指纹图像,以该组图像为基,利用该组图像构成的特征空间将指纹图像线性表出,结合系数向量和Henry分类模式将指纹库细分为11个子类,建立二级索引。应用结果表明,该算法可节省运算时间,降低复杂度。     

基于BagofWords的木材识别研究

将BagofWords算法引入木材图像识别领域中．介绍BagofWords算法在木材识别上的实现过程。首先用SURF提取特征点，然后再对这些特征点进行聚类，得到类心。基于类心得到各个训练树种的向量柱形图和待识别树种图片的向量柱形图。选择分类器对用向量柱形图描述的木材图像进行分类。这将提高木材识别的效率．为没有木材专业知识的人能较为准确地辨别树种提供较为可靠的方法。     

基于聚类算法和层次支持向量机的人脸识别方法

提出一种基于聚类算法和层次支持向量机的人脸识别方法。该方法在训练阶段把利用小波变换提取的图像特征先进行聚类,再利用聚类的结果来训练层挺支持向量机;识别阶段先利用层次支持向量机初步判断待识别图像最可能所属的人,最后利用免疫算法对待识别的人脸图像进行确认。实验表明,该算法效果较佳。     

基于质心角度的字符图像识别算法

提出了一种利用质心角度识别字符图像的方法:将Harris算法提取出的字符图像的角点作为候选角点,通过聚类算法计算出更准确的新角点,并计算出字符图像的质心以及连接质心到新角点的向量.质心角度是两个相邻向量的夹角,字符特征是由质心角度按顺时针(或逆时针)方向排列组成的向量.质心角度具有关于位移、拉伸、旋转不变性的几何特征,是对图像特征较好的规一化.实验结果表明该方法提高了字符图像的识别率,从而验证了该方法的有效性.     

基于矩与支持向量机的舰船目标识别方法

为可靠快速地识别出各种姿态下的舰船目标,提出了一种基于矩与支持向量机(SVM)的目标自动识别方法.根据实际航空摄影模型的特点,将三维舰船模型相对其俯仰轴,偏航轴和横滚轴作相应旋转,投影到二维图像空间,建立舰船样本训练库与测试库,提取舰船各种姿态下的矩特征;基于SVM设计多类分类器进行识别,并进一步计算不同训练和测试样本数下的分类精度.实验结果证明:提出的方法在舰船模型图像和真实遥感图像中的识别精度高,且样本训练和目标识别时间短,经数据库中多幅图像测试,识别系统鲁棒性强.     

三维纹理图像特征准确识别技术仿真研究

研究场景构建中纹理图像的三维特征识别,提高识别准确率。由于图像的效果取决于纹理识别,在三维空间中分析纹理图像时,仅使用聚类算法利用三维图像的空间坐标和三维像素灰度特征对其进行分类识别,忽略了不同方向光照对纹理图像的影响而简单聚类分类,导致因提取的特征信息不足而造成识别准确率不高的问题。因此,提出了一种机器学习的三维特征识别方法。通过变换光照的角度得到不同光照下的纹理图像,提取出多面光照下的三维图像特征信息,并利用机器学习算法对特征信息进行准确训练和分类识别,可避免聚类算法利用信息不足的特征进行分类而造成的识别准确率不高的问题。实验表明,这种方法能够有效提取出特征信息并进行准确分类,具有较高的识别准确率,取得了满意的结果。     

基于多维向量模型模糊聚类的图像识别研究

从建立像素色彩空间的多维向量模型出发,采用一种改进的模糊C均值聚类算法对图像进行分割,从而得到一组图像像素空间的特征区域向量,并采用特征向量相似度计算方法计算图像相似度,进而比较两幅图像相似度大小,以达到图像识别的目的.通过实验对图像相似识别效果进行验证,实验表明,基于多维向量模型模糊聚类方法在图像识别中有一定应用价值.     

基于改进LSD和AP聚类的路径边缘识别策略

起重机金属结构攀爬机器人的路径边缘识别策略分为 3 个步骤。①图像预处理,利 用改进的过颜色算子进行灰度化;②使用基于支持向量机(SVM)最优分类线的方法确定梯度阈 值,并增设主方向角约束,改进线段分割检测(LSD)算法,得到直线段检测图像;③对直线段进 行特征提取,构建聚类数据集,基于数据集动态变化的特点,将基于先验信息的判别模型与近邻 传播(AP)聚类算法相结合,改进 AP 聚类算法,对直线段进行聚类,筛选出构成路径边缘的直线 段,并拟合得到最终的路径边缘线。实验结果表明,相较 AP 聚类和其他聚类算法,改进 AP 聚 类算法的筛选准确率最高;基于改进 LSD 和 AP 聚类的路径边缘识别策略的识别成功率为 96%, 且满足精度和实时性要求。     

基于监督核哈希生成视觉词袋模型的图像分类

为了解决大规模数据集下传统视觉词袋模型生成时间长、内存消耗大且分类精度低等问题,提出了基于监督核哈希(Supervised Hashing with Kernels,KSH)的视觉词袋模型.首先,提取图像的SIFT特征点,构造特征点样本集.然后,学习KSH函数,将距离相近的特征点映射成相同的哈希码,每一个哈希码代表聚类中心,构成视觉词典.最后,利用生成的视觉词典,将图像表示为直方图向量,并应用于图像分类.在标准数据集上的实验结果表明,该模型生成的视觉词典具有较好的区分度,有效地提高了图像分类的精度和效率.     

一种基于人脸图像的年龄估计方法

有关年龄估计的研究在人机交互领域有着非常重要的意义。该文提出一种基于人脸图像的年龄估计方法,该方法首先基于颅面成长模式理论建立人脸测量模板,在此模板上计算面部几何比例特征,然后运用分数阶微分提取人脸局部区域的纹理特征,结合这两类特征构成个体年龄特征向量;通过聚类学习的方法训练年龄特征向量获得年龄-特征映射矩阵,最后由此矩阵表决出输入人脸的估计年龄。实验结果表明,基于这两种特征构建的年龄估计模型可以获得较好的年龄估计结果,年龄误差较小,分类准确率接近人的主观判断结果。     

一种结合结构信息的指纹细节点特征提取算法

提出了一种新的指纹特征提取方法,引入细节点与中心点的角度差以及细节点到中心点所穿越的脊线数作为细节特征的向量,采用一种改进的Bresenham 画线算法计算穿越的脊线数,提取出了指纹图像的特征信息。实验表明该算法能准确有效地提取出指纹图像的结构特征信息。     

基于超像素空间金字塔模型的场景识别研究

针对以往场景识别研究中将图像分割成大小相等的矩形区域进行特征提取而导致识别率低的问题,提出了一种基于超像素空间金字塔模型的场景识别方法：先对图像做不同分辨率的超像素分割,在得到的每个图像子区域中提取PACT特征,然后利用K-means聚类构建出图像集的视觉词典。在进行场景识别时,将每幅图像所有分割子区域的PACT特征连接成一个特征向量,并加入bag of words特征进行分类,最终的场景分类结果在支持向量机LIBSVM上获得。实验结果表明该算法能够有效提高识别率。     

基于两种纹理特征聚类的图像检索

设计和实现两种不同的分形维数作为纹理特征进行聚类的方法.提取几百幅不同图像的两种纹理特征,对特征库按聚类算法建立索引结构,形成图像的分类库,通过两种不同纹理特征的检索与无聚类的特征检索相比,实验结果表明聚类方法大大缩短了检索时间.结论:作为海量图像的检索,有效的图像特征结合聚类是一个有力工具,在研究信息分类与识别等方面具有应用潜力.     

基于不变矩和SVM分类的三维目标识别方法

在计算机视觉问题的研究中,针对三维目标识别,可综合应用图像的不变矩特征和支持向量机分类方法,为快速目标识别,减少计算量,提出了一种红外图像中多视点目标的识别方法.首先获取各类三维目标的若干二维视图,将视图放在一起进行标准化处理并提取它们的不变特征矩.然后对每组视图的Zernike矩进行聚类;将聚类中心对应的Zernik...     

基于脑功能网络和共空间模式分析脑电情绪识别

传统脑网络的情绪分类将聚类系数、平均最短路径等拓扑属性作为分类特征。针对这些属性易受网络连接阈值和特征选择的影响,难以完全表征不同情绪状态下的网络空间拓扑结构差异的问题,提出了一种基于脑网络和共空间模式的脑电情绪识别方法(EEG emotion classification based on common spatial patterns of brain networks topology,EEC-CSP-BNT)。该算法基于互信息在各个子频段内计算电极间的功能连接矩阵,同时利用共空间模式(common spatial pattern,CSP)分析学习空间滤波器,构建分类特征,最后通过分类器(如Fisher线性判别、支持向量机、K最近邻)实现基于脑电的情绪分类。基于DEAP和SEED数据集的实验结果表明,相比于脑网络拓扑属性,EEC-CSP-BNT能有效提取脑网络拓扑结构的分类信息,提高脑电情绪识别性能。     

面部表情图像的分析与识别

本文通过对若干类面部表情图像的分析，建立了基于部件分解组合的人脸图像模型。根据对部件形状和相对位置的分析，提出了表情的分类树，建立了表情模型的向量表示。根据能量优化原理，利用模板匹配方法提取目标特征，得到人脸表情的表征向量，由模式分类方法实现表情的识别。     

基于稀疏编码的脑脊液图像快速识别模型

考虑到采用传统的图像分割算法很难准确地分割脑脊液(CSF)细胞图像,提出了一种基于稀疏编码的脑脊液图像快速识别模型。该模型首先利用稀疏编码提取图像中的局部特征以及特征描述子,然后将特征描述子转换成线性空间金字塔匹配(SPM)结构,最后将计算结果输入到线性支持向量机(SVM)中进行训练和预测。对脑脊液细胞图像做了异常识别和分类测试,其中异常识别准确率达到了89.4±0.9%,且对每张760×570的图像平均识别时间只需1.3s, 由此可以表明所提出的模型能够有效快速地区分脑脊液细胞是否异常。     

蚁群算法在指纹增强中的应用

自动的指纹识别系统是基于生物特征的身份识别技术的重要组成部分。指纹增强技术可以有效地加强指纹的脊线特征,为指纹细节的提取和匹配奠定可靠的基础。依据蚁群算法的聚类特性,提出了一种基于蚁群算法的指纹增强方法,提高了指纹图像的质量。     

基于未知类语义约束自编码的零样本图像分类

为缓解传统零样本图像分类模型中存在的领域偏移问题,提出一种基于未知类语义约束自编码的零样本图像分类模型.首先,利用预训练的ResNet101网络提取所有已知类和未知类图像的视觉特征;其次,通过编码器将提取的图像深度视觉特征从视觉空间映射到语义空间;然后,通过解码器将映射后得到的语义向量重构为视觉特征向量,在语义自编码器的训练过程中,利用未知类图像的聚类视觉中心和未知类语义类原型的分布对齐施加约束,以缓解领域偏移问题;最后,基于经编码器预测得到的测试图像语义向量和各测试类语义类原型之间的相似性,采用最近邻算法实现零样本图像分类.在AwA2和CUB数据集上的实验结果表明,所提出模型具有较高的分类准确度.     

自适应注意力选择与脉冲耦合神经网络相融合的沙漠车辆识别

针对现有车辆识别模型不适用于沙漠背景的不足,提出一种基于自适应四元数注意力选择模型与脉冲耦合神经网络相融合的车辆识别算法.首先建立自适应四元数注意力选择模型,将图像背景、颜色、亮度等多方面信息并行处理计算注意力显著图,并利用图像缩放与双线性插值提升计算效率;然后将显著图输入脉冲耦合神经网络,利用神经元脉冲传播特性提取感兴趣区域;最后提取区域尺度不变特征并结合多层分类回归树完成目标识别.实验结果表明,该算法计算时间短、区域提取完整、识别虚警率低;以分辨率0.6m×0.6m的沙漠图像为例,文中算法较形态学及支撑向量机算法识别率分别提升了5.8%和15.4%.