基于不变矩的掌纹识别方法

特征提取是掌纹识别研究中最基本的问题之一,对于掌纹图像识别而言,提取有效的分类特征是完成掌纹识别任务的一个关键问题。掌纹特征提取的本质就是把原始的高维掌纹图像样本数据投影到一个更有利于掌纹分类的低维特征子空间中。利用不变矩,对掌纹图像进行特征提取,采用最近邻分类器进行掌纹识别,在公共掌纹数据库上的实验结果表明,该方法是可行的。     

一种基于改进BP神经网络的物体识别方法

提出基于自适应学习速率动量梯度下降的BP算法进行物体识别,并以修正的Hu不变矩特征作为BP神经网络的输入,通过训练对网络的权值和阈值进行调整.该算法使BP神经网络在学习速率和稳定性上有了进一步的提高.仿真结果表明该方法对物体的平移、旋转、缩放都具有不变性,从而验证了该方法的有效性.     

基于组合不变矩特征的空中目标识别方法

根据NMI特征和Jan Flusser提出的仿射不变矩各自的特点和适用条件,提出了一种组合不变矩.利用组合不变矩提取图像的不变特征向量,并结合Fisher线性判别准则,实现了对空中目标的Fisher线性判别器(FLDA)的分类识别.同时,考虑到识别的快速性方面,对FLDA进行了改进,提出了主分量分析(PCA)与FLDA相结合的识别算法.仿真实验结果表明,该方法具有较高的识别精度和速度.     

基于不变矩特征的图像识别

针对目标二维形状发生平移、旋转和尺度变换的情况,采用不变矩作为图像识别的特征量.图像灰度变化时,对应的直方图形状基本保持不变.将直方图的统计特征与不变矩相结合,提出了不变矩理论的图像识别方法.通过实验验证,这种方法对图像的亮度、对比度变化不敏感,可以有效地降低光照的影响,能够更准确地对图像进行识别.     

一种基于组合不变矩的新的舰船图像目标识别方法

利用图像的不变矩特征进行目标识别是一种有效的方法.通过比较Hu矩、仿射不变矩和小波不变矩的特点和适用条件,提出了一种运用部分Hu矩、仿射矩和小波矩组合来识别舰船图像目标的方法.仿真实验结果表明,该组合矩对于提高舰船图像目标的识别率是有效的.     

一种基于不变矩和BP网络的目标识别方法

为了有效地提高旋转、尺度变化目标的识别率,首先提取目标图像的不变矩,以此作为目标识别的特征向量,然后利用将附加动量项与自适应学习速率相结合的改进BP算法实现对目标的分类识别.字符图像仿真实验表明,这种针对旋转、尺度变化目标的识别方法是有效的,可行的.     

基于不变矩和改进BP神经网络的目标识别

基于Hu不变矩的尺度不变性,以图像的不变矩特征作为输入,建立基于批训练的改进型误差反向传播(BP)神经网络。运用基于Bayesian正则化的Levenberg-Marquardt算法优化误差函数计算精度,改进网络,实现参数最优化组合。通过MAT LAB环境,建立了基于不变矩的改进BP神经网络目标识别模型。实验表明,该方法实现了对目标的准确识别和对干扰图像的正确判断。     

离散不变矩算法及其在目标识别中的应用

该文分析了在离散状态下不变矩特征受比例因子变化的影响,提出了一种修正归一化中心矩的方法,保证了不变矩特征具有平移、旋转和比例因子的不变性,并将此用于目标识别,最后通过仿真实验,比较了修正前后的识别率,表明本文采用的方法是行之有效的方法。     

一种新的基于不变矩的步态特征身份识别算法

为了有效地对步态特征进行分类识别,提出了一种基于Radon变换和解析Fourier-Mellin变换的步态识别算法。该算法直接对在视频序列中检测到的灰度图像进行Radon变换,然后进一步对变换结果进行解析Fourier-Mellin变换,从而将原图像的旋转变化和尺度变化分别转化为相位变化和幅度变化,之后通过定义一族旋转与尺度不变函数提取目标图像的不变性特征进行分类识别。实验结果表明,与目前常用的基于Hu矩和Zernike矩的算法相比,由于不需要对目标图像二值化和归一化,从而可以保留图像的更多细节信息,避免了重采样与重量化误差,该算法应用于步态识别有更高的识别率,可以达到更好的识别效果。     

目标不变矩的稳定性研究

研究了在实际应用中影响目标不变矩稳定性的各种因素,包括高斯模糊、有限观测区域和离散化处理等．分析了在这些因素影响下不变矩的变化规律和误差．并对离散条件下不变矩的误差进行了分析．实验证明得出的具有模糊不变的不变矩,能对经过旋转比例变换且模糊的物体进行准确识别．这些研究和分析为不变矩在实际成像识别系统中正确有效地应用提供重要的理论和实验依据．     

基于特征不变矩的签名鉴别方案

脱机手写签名鉴别的主要困难在于有效特征的提取,因此本文主要围绕提取能反映签名本质的特征进行了相关研究。在具体解决签名鉴别时,一方面要考虑签名的静态特征,另一方面寻找动态特征。重点研究了静态特征。提取静态特征时,利用伪Zernike矩的尺度及位移不变性,计算签名图像的0~10阶伪Zernike矩来组成特征向量。在此基础上,对基于上述两种不同特征的加权欧氏距离分类器进行性能比较,并找到了一个有效的数据融合方案。     

基于 Contourlet 变换和不变矩的纹理特征提取与分类

本文提出了一种基于contourlet变换和不变矩的特征提取方法。它首先对图像进行contourlet变换用以多尺度多方向分析,然后提取变换后各子带系数的统计特性和不变矩特征,以构造特征矢量,在此基础上,根据不同子带特征分类能力的不同,对各子带数据的离散程度进行加权处理,为分类能力强的特征量赋予较大的权值,得到新的特征向量,最后利用RBF神经网络作为分类器进行分类。实验结果证明了该方法的有效性和良好的分类能力。     

切比雪夫-傅立叶矩用于多畸变不变模式识别

给出了切比雪夫-傅立叶的定义。在单位圆中，对26个大写英文字母进行规范化处理，并计算切比雪夫-傅立叶矩，经过畸变不变的规范处理，将切比雪夫-傅里叶矩用作多畸变不变的模式识别的图像特征。进行了位移、比例、旋转、密度多畸变不变模式识别，给出了26个大写字母识别的实验结果。     

改进的统一Hu矩在图像目标识别中的应用

以图像的平移、旋转及尺度变换为研究对象,结合Hu提出的基于区域的不变矩和Chen提出的基于边界的不变矩,进一步改进了统一Hu矩,并证明了改进后的不变矩在离散状态下的不变性。其中针对图像旋转的特点引入权向量的改进发法,并通过实验证明了这种方法极大提高了图像在旋转变换后的识别命中率,使其具有一定的应用前景。     

基于小波结构矩的图像识别算法

提出了一种基于小波结构矩的具有平移、旋转、缩放不变性的新型图像识别方法.小波结构矩是在小波矩的基础上通过改变图像函数的结构即几何矩的密度得到的.该算法结合了小波和结构矩的优点,不但实现了对图像特征的精细把握还增大了相似图像之间的距离.采用三次样条函数作为母小波,有效提取了图像的全局特征和局部特征.实验证明,小波结构矩比改进的Hu矩和结构矩具有更高的识别率,目前该算法已经成功运用到全自动金丝球焊机图像识别系统.     

基于Tchebichef不变矩的多比特抗几何攻击图像盲水印算法

现有的大多数水印算法对旋转、平移和尺度变换等几何攻击的鲁棒性比较差,微小的几何攻击都有能导致水印检测器失效,因此水印算法对几何攻击具有鲁棒性非常重要。本文提出了一种基于Tchebichef不变矩实现的多比特几何攻击不变性图像盲水印算法。文中具体介绍了Tchebichef不变矩的构造方法,水印是事先产生的与原始图像无关的信号,嵌入过程中将水印嵌入到图像的Tchebichef不变矩中实现几何攻击不变性。水印检测过程中采用独立分量分析技术实现真正意义上的多比特水印盲检测。文中具体分析了所提出的水印算法的计算复杂度,实验过程中采用通用水印测试软件Stirmark对所提出的水印算法进行鲁棒性测试,实验数据说明这种水印算法对Stirmark具有很好的鲁棒性。