基于改进K-Means算法的车辆识别方法

车辆的检测和识别一直是道路监控、安全辅助驾驶、车辆自主导航等领域的重要研究内容.文中基于机器视觉方法,在Lab颜色空间通过对经典K-Means算法的聚类中心、聚类数和距离测度三方面的改进实现了L分量的聚类,从而达到图像分割的目的.提取图像的矩形度、Hu矩和Affine矩的特征,针对不同的车型建立各自的模板,利用改进Hu不变矩和仿射不变矩的组合不变矩对分割后图像进行车型的识别.实验结果表明,文中提出的方法对于复杂环境下的车辆检测和识别具有良好的可靠性和鲁棒性     

基于颜色聚类和Hu不变矩的道路交通标志检测

介绍了一种基于颜色分割和区域描述的交通标志检测方法。该方法利用在RGB空间的颜色聚类算法分割出感兴趣色彩区域,然后进行形态学处理,最后结合Hu不变矩对道路交通标志进行识别。识别结果表明,基于颜色聚类和Hu不变矩的交通标志识别方法具有很强的抗图像平移、缩放和旋转识别能力,并具有实现简单、识别速度快、准确率高等特点,有较高的实用价值。     

基于小波矩的车辆特征提取算法研究

车辆目标图像特征提取是智能交通系统中车辆识别与分类的关键问题。在车型提取算法中,矩特征是较为常用的车型特征描述子。针对Hu矩的七个特征分量在数量级上差别较大且受比例因子影响的问题,基于不变矩和小波能量的原理和特点的研究,重点提出了基于小波矩的特征提取算法,并应用于车辆的特征提取。最后的实验对实际车辆图像进行采集,对预处理图像进行小波分解得到三级子图像,对子图像求取修正Hu不变矩,将不变矩作为特征量,利用最小邻距离分类得出识别结果。最后的实验结果显示,通过这种方法提取的特征量具有平移、旋转、比例不变性,能反映目标图像的重要的、本原的属性,与传统Hu矩相比,识别率提高了13.5%,达到了预期的目标。     

复杂背景下BP神经网络的手势识别方法

针对手势图像的肤色特点,结合肤色在RGB空间的阈值分割和YCbCr颜色空间上的聚簇特性,以及背景模型的应用,有效减少了背景中类肤色的干扰,完成了手部图像在复杂背景下的检测和分割;并采用图像的7个不变Hu矩描述子来表征不同二值化的手势轮廓;最后采用BP神经网络进行手势识别。实验结果表明该方法有较好的识别率和鲁棒性。     

面向枪支图像的特征提取与识别方法研究

本文提出了一种针对枪支图像进行处理的特征提取以及识别方法。首先,利用边缘检测技术获得图像的Hu不变矩的七个特征值;然后,将提取的特征值利用模糊聚类算法计算枪支类图像和非枪支类图像各自的聚集中心;最后,将测试图像库中的图像与训练库中的图像进行基于Hu不变矩特征值和聚类中心的对比。本文提出的方法能够将枪支图像快速、有效地识别出来,以达到净化网络环境的效果。     

基于红外图像的飞机目标关键攻击部位识别

针对红外成像制导空空导弹增强攻击毁伤效果的要求,提出了一种基于红外图像的飞机飞行姿态识别和飞机目标几何轮廓分析的关键攻击部位识别方法。该方法利用模糊C均值聚类算法将经过降噪处理的红外飞机图像分割成背景、飞机机身和尾焰三部分;分别计算飞机目标的Hu矩和归一化转动惯量来构成组合不变矩,同时结合分割图像的面积比特征来实现飞机飞行姿态的识别;通过对飞机机头、机轴、机翼或尾翼的提取并依照相应的比例关系,来实现对飞机关键攻击部位如驾驶舱的识别。为了提高关键攻击部位的识别速度和精度,利用当前帧获得的稳定判别参数来指导后续帧图像的处理。试验结果表明,提出的方法能够准确有效地识别红外飞机目标的关键部位,可为空空导弹的精确打击提供必要的支持。     

基于多特征的车辆一致性检测的研究与应用

文中主要研究封闭区域内多摄像机间车辆跟踪时车辆的同一性识别问题,提出一种基于车辆多种特征的、多摄像机间的车辆目标一致性匹配方法。该方法采用背景减除法分割出感兴趣区域,对感兴趣区域采用灰度和彩色区间分割相结合的方法定位车牌,并识别车牌信息及车辆的HSI颜色信息;同时利用边缘检测算法和矩不变量技术对车型进行识别,最后采用特征加权法对车辆进行一致性匹配。实验结果表明这种匹配方法在外界条件良好时可以较好地检测出同一车辆目标。     

曲波变换用于磨粒图像不变矩的提取

曲波变换(curvelet)具有各向异性和良好的曲线奇异性表达能力。为了克服Hu不变矩和不变小波矩在表达铁谱磨粒形貌信息方面的不足,将曲波变换引入磨粒特征提取过程,并与Hu不变矩结合,提出一种基于曲波变换的磨粒图像不变矩提取方法。首先利用曲波变换将图像进行分解与重构,得到不同尺度的子图像;然后提取各子图像的Hu不变矩,获得图像的曲波不变矩;最后将该方法应用于典型磨粒识别,总识别率达到83.33%。实验结果表明,与Hu不变矩和不变小波矩相比,磨粒图像的曲波不变矩能更好地表达磨粒的形貌特征。     

Hu新增不变矩在零水印中的应用

文章提出了一种使用Hu新增不变矩的零水印算法。该方法融合Hu不变矩及其新增的几个不变矩的特征,形成一组更为完备的特征矢量。文章利用这些特征矢量可以更好的构建零水印系统。在模式识别领域中使用这种方法可以实现对目标图像更为准确的识别;在图像检索领域中此方法比单一的Hu不变矩具有更好的检索性能。它不但保持原有Hu矩的平移、尺度、旋转不变性,而且比原有的Hu不变矩包含了更多的细节信息因此可以更全面地描述图像。所以将新增的几个不变矩和7个Hu不变矩应用到数字水印中,在一定程度上可以很好的提高水印系统的整体鲁棒性和可靠性。     

用于模式识别的极半径不变矩

提出了用于目标物识别和分类的极半径不变矩，对目标物进行分割后，先求出目标物的形心，进而求出极半径矩、归一化矩和归一化的中心矩，在此基础上，给出了5个具有平移、旋转和尺度变换不变性的特征量用于物体形状的识别，文中给出了这些不变矩的特性，并给出了极半径不变矩和边界序列矩以及Hu提出的不变矩的实验比较结果，该文提出的极半径不变矩，既可用于区域目标的识别，也可用于边界形状的识别。     

基于区域划分和四元数的彩色图像复制粘贴篡改检测

现有的篡改检测方法中特征点提取不充分会导致篡改检测精度不高,特征点描述符识别率差,针对该问题提出一种基于颜色矩的区域划分和四元数Hu矩的彩色图像复制粘贴篡改检测算法。首先,使用自适应形态重建算法对图像进行超像素分割,通过密度聚类算法对图像自适应划分区域;其次,提出一种关键点提取方法得到均匀的SIFT特征点;然后,在一种新颖的彩色图像四元数表示方法中构建局部高斯金字塔提取Hu矩特征;最后,利用2NN进行特征匹配后,结合Delaunay三角形算法定位出复制粘贴篡改区域。在公共数据集上的实验结果表明,该算法可以更有效地定位篡改区域。     

基于改进Canny算子和神经网络的人体行为识别模型

为了提高了人体行为识别的正确率,提出了一种基于改进Canny算子和神经网络的人体行为识别模型（ICanny-RBF）。采用改进Canny算子对人体行为图像进行预处理,提取人体行为轮廓,提取7个不变矩特征作为RBF神经网络的输入向量,训练出能够识别人体行为的RBF神经网络模型,并采用取k-means算法确定RBF神经网络聚类中心,采用Weizmann数据集进行仿真实验。仿真结果表明,与传统方法相比,提出的ICanny-RBF模型提高了人体行为的识别正确率。     

利用D-S证据理论的夜间车辆检测

为了有效检测夜间车辆,提出了一种利用D-S证据理论进行夜间车辆检测的方法。首先在YCrCb颜色空间中采用阈值法对道路场景图像进行分割得到明亮块,提取各个明亮块的轮廓,利用轮廓四邻域偏红度水平消除非尾灯等虚假目标。其次,使用尾灯聚类算法组合车灯对,得到车辆假设。最后,利用车辆车尾中车灯对的面积比、互相关值以及车灯对组合框长宽比等结构化特征信息来构建基本信任分配函数,运用D-S证据理论,融合这些特征信息得到总的信任度值,最终设立信任度阈值验证车辆假设。该方法减少了主观阈值的数量,可有效降低经验不足导致阈值确定不当的风险,提高辨别率。实验结果表明,该方法效果明显,提高了检测精度,减少了误判,同时提高了系统的鲁棒性。     

线性插值框架下矩阵步态识别的性能分析

针对现有的步态周期检测方法检测效果不佳以及行走速度变化对步态识别性能有很大影响的问题,提出的基于矩的步态周期检测方法中,Zernike矩需要人体居中、尺度归一的前期预处理过程,而伪Zernike矩具有能描述运动图像的特点,它可以避免人体居中、尺度归一等处理,以便直接测试步态的周期性.根据行走时的两帧之间的特征取决于前一帧和后一帧的特征,提出了基于线性插值的矩阵步态识别算法框架,并且将投影特征、Hough变换特征、Trace变换特征和Fan-Beam映射特征应用在CASIA(B)步态库上,验证了框架的有效性,为解决步态识别问题带来新的方法与思路.这种基于线性插值的矩阵步态识别特征本质上是一种权值不同的能量形式.     

基于图像聚类的交通标志CNN快速识别算法

为了提高交通标志图像识别的准确性和实时性,提出一种基于图像聚类的交通标志CNN快速识别算法。利用图像聚类算法对原始数据集进行样本优化;采用多种图像预处理操作使样本整体质量进一步提升;构造了深度为9的CNN结构,通过多次训练得到最终的网络模型,将待识别的图像输入到CNN模型来实现自动识别。在德国交通标志数据集（German traffic sign recognition benchmark, GTSRB）和比利时交通标志数据集（Belgium traffic sign dataset, BTSD）上证明了算法的有效性,单张图片的识别速度只需0.2 s,识别精度高达98.5%以上。本算法具有识别速度快、准确率高的特点,可为智能驾驶的可靠性和安全性提供理论依据和技术支持。     

基于图像识别的袋装粮数量识别研究*

设计了一种基于平面图像识别的袋装粮数量智能识别方法。对粮库现场采集的图像样本,运用数字图像处理技术对图像进行降噪和对象体特征突显;然后运用区域增长法对图像中每一闭合像素区域进行聚类分割;最后根据相应几何特征值判定粮袋身份并通过其椭圆度的范围,以实现粮袋所属面的判定,达到对粮堆重量的自动识别。     

基于改进的卷积神经网络LeNet-5的车型识别方法*

针对现有车型识别算法的耗时长、特征提取复杂、识别率低等问题,本文引入了基于深度学习的卷积神经网络(Convolutional Neural Network CNN)方法。此方法具有鲁棒性好,泛化能力强,识别度高等优点,因而被广泛使用于图像识别领域。在对公路中的4种主要车型(大巴车,面包车,轿车,卡车)的分类实验中,我们运用改进后的卷积神经网络LeNet-5,使车型训练、测试结果均达到了98%以上。另外,本文还研究了改进网络中的Dropout层对车型识别效果的影响。与传统算法相比,经过本文改进后的卷积神经网络LeNet-5,在减少检测时间和提高识别率等方面都有了显著提高,在车型识别上具有明显的优势。     

一种改进和提取Zernike特征矩的方法

数字图像的离散性使Zernike矩的计算存在误差,降低了特征描述能力。采用一种方圆转换方法将矩形图像转化为抽象的圆形图像,计算转化后图像Zernike矩,改进Zernike矩的计算方法,从而减少计算误差,提高计算速率,提高Zernike矩的特征描述能力。同时根据统计理论,提出一种规范的特征提取方法。经车牌字符识别实验验证,改进方法能够很好地提取图像特征,用于模式识别。     

基于脉冲神经网络模型的车辆车型识别

准确提取各种运动目标的特征并将它们加以分类识别,是近年来图像处理和人工智能研究中的热点之一.针对识别运动车辆车型需求,提出了在利用脉冲神经网络模型对运动车辆进行边缘提取的基础上提取运动目标的不变线矩特征,再用这些特征训练神经网络对车型进行识别的方法.试验结果表明该模型能准确的提取运动目标的特征,从而提高分类的效果.在今...