基于卷积神经网络中层特征学习的交通标志图像识别

为解决目前方法不能有效对交通标志进行检测定位,定位交通标志效率低下,存在误检漏检的问题,提出基于卷积神经网络中层特征学习的交通标志图像识别。计算图像的显著度并输出感兴趣区域;提取底层图像特征,构建优化目标函数并训练视觉词典,使用PCA方法提取交通标志图像特征并与视觉词典进行卷积,通过空间金字塔池化提取多层次特征;使用SoftMax分类器进行分类。结果表明：该方法的召回率为96%,准确率为97%,取得良好效果,小标志的召回率为94.5%,准确率为95.5%,有利于远距离交通标志识别,标志的平均定位时间为0.006 s,实时性强。     

基于不变矩和神经网络的交通标志识别方法研究

在交通标志实时识别过程中，由于参考图像与实测图像不是同时获取的，因此摄像机与被摄交通标志之间的位置难以保证完全相同。于是，所获取的参考交通标志图像与实测交通标志图像之间就可能产生几何失真。几何失真将对于图像识别的结果带来很大的影响。因此，需要寻找一种具有旋转和比例不变性的图像识别方法，以满足实际应用中的需要。针对上述问题，提出了一种基于不变矩和神经网络的交通标志识别算法。实验结果表明，所提出的识别算法具有很好的识别能力。     

基于人工智能的三维多媒体视觉图像识别研究

为解决传统图像识别方法在实际应用中对三维多媒体视觉图像正确识别个数较少,无法满足高精度识别需要问题,开展基于人工智能的三维多媒体视觉图像识别研究。提取三维多媒体视觉图像特征,识别图像变化特征,基于人工智能完成图像特征识别。通过实验进一步证明,设计的识别方法与传统识别方法相比,有效提高了对图像的正确识别率,实现对三维多媒体视觉图像的高精度识别。     

基于卷积神经网络的交通标志模糊影像识别

当前方法不能有效的识别交通标志模糊影像,且识别交通标志所用的时间较长,存在识别效果差和识别效率低的问题。提出基于卷积神经网络的交通标志模糊影像识别方法,首先对交通标志模糊图像做亮度均衡化处理,消除交通标志自身因素和天气因素对交通标志识别过程产生的影响。对均衡化处理后的图像进行分割,计算各个图像块的显著度,挑选显著度最高的图像块作为交通标志图像的感兴趣区域。提取感兴区域中存在的HOG特征向量和LBP特征向量,对HOG特征向量和LBP特征向量进行融合,得到交通标志图像的HOG-LBP特征。将HOG-LBP特征输入卷积神经网络中,在卷积神经网络中进行前向计算和反向计算,根据计算结果调整偏差和权值,输出交通标志模糊影像的识别结果,实现交通标志模糊影像的识别。仿真结果表明,所提方法的识别效果好、识别效率高。     

基于视觉图像与激光点云融合的交通标志快速识别方法

交通标志对车辆交通起到重要作用和意义,而智能交通中交通标志识别由于标志特征提取效果差,导致识别率低、识别时间长,因此,提出一种新的基于视觉图像与激光点云融合的交通标志快速识别方法。采用双边滤波方法预处理原始激光点云数据;通过归一化处理得到视觉图像激光点云融合的目标空间激光点云位置测距数值。通过测距值获取目标图像位置,归一化处理交通标志视觉图像,引入k均值聚类算法(k-means clustering algorithm)二聚类处理图像,采用制作的切割模板切割图像感兴趣区域(ROI),提取交通标志图像的深度特征,结合卷积神经网络二次过滤特征,重新标定二次过滤后的特征,最终利用卷积神经网络模型实现交通标志快速识别。经实验对比证明,采用所提方法的提取各个类型交通标志特征的提取效果较好,并且识别率达到89.74%,识别时间仅为13.1s,干扰下识别时间最高仅为15.1s,验证了该方法可以快速且准确识别各个类型的交通标志。     

基于高稳定SURF特征的交通标志识别

针对光照变化和部分遮挡这两种情形,提出一种基于多帧视频图像的高稳定特征的交通标志识别方法。利用有交通标志的多帧视频图像的SURF特征建立bag of SURFs特征向量集,与标准交通标志图像的模板特征向量集匹配,采用权值计分策略的最高得分确定交通标志的识别结果。对三种情形下的公开视频图像集进行了实验并与最新方法进行对比分析,结果表明新方法的交通标志识别效果具有明显的优越性,是在光照变化和部分遮挡情形下一种有效的交通标志识别方法。     

基于深度学习的车联网图像识别系统设计

由于传统系统在车联网图像识别应用中的漏识率较高,基于深度学习设计车联网图像识别系统。硬件方面,设计了高清摄像机和发光二极管（Light Emitting Diode,LED）补光灯,获取道路车辆图像信息;软件方面,根据图像对比结果将车辆图像分成两类,对亮度较低的一类进行增强处理,利用深度学习网络模型对图像特征进行深度挖掘,并对提取的图像特征进行降维处理,根据图像特征与车联网数据库中的车辆图像进行对比,计算出图像相似度,识别到图像属性信息,从而实现基于深度学习的车联网图像识别系统设计。实验结果表明,设计系统对于车联网图像识别的漏识率低于传统系统,能够为图像识别提供精准的依据。     

基于改进TransGAN的零样本图像识别方法

零样本学习算法旨在解决样本极少甚至缺失情况下的图像识别问题。生成式模型通过生成缺失类别的图像,将此问题转化为传统的基于监督学习的图像识别,但生成图像的质量不稳定、容易出现模式崩塌,影响图像识别准确性。为此,通过对TransGAN模型进行改进,提出基于改进TransGAN的零样本图像识别方法。将TransGAN的生成器连接卷积层进行降维,并进一步提取图像特征,使生成图像特征和真实图像特征更加接近,提高特征的稳定性;同时,对判别器加入非线性激活函数,并进行结构简化,使判别器更好地指导生成器,并减小计算量。在公共数据集上的实验结果表明,所提方法的图像识别准确率较基线模型提高了29.02%,且具有较好的泛化性能。     

基于改进差分进化算法的图像识别方法

针对当前图像识别过程中存在的识别率低、清晰度低等问题,研究基于改进差分进化算法的图像识别方法。通过图像标志检测、图像特征的加速鲁棒特征表示、基于改进差分进化算法的图像最优特征,选取并对图像的识别参数进行优化,完成对图像识别方法的整体设计。实验结果表明,相比基于蚁群算法的图像识别方法,基于改进差分进化算法的图像识别方法识别率更高、清晰度更高。     

快速鲁棒的交通标志检测方法

如何从实景中有效地提取出交通标志是交通标志识别系统的关键,在分析中国道路限速交通标志的颜色和几何形状两种先验特征的基础上,以一种新的颜色滤波方法为基础,获得红色像素在Lab颜色空间中聚类范围的椭圆模型,提取出图像中的红色区域,得到二值化图像,然后采用基于梯度信息的Hough变换圆检测方法获得二值化图像中的圆和椭圆区域,从而实现一种将交通标志先验特征与机器学习算法相融合的智能检测方法。     

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。     

基于机器视觉的零件加工瑕疵图像识别算法

由于传统瑕疵图像识别算法存在识别时间长、准确率较低的问题,研究基于机器视觉的零件加工瑕疵图像识别算法。使用最小误差法分割图像阈值,获取并处理瑕疵零件图像;提取瑕疵图像的全局特征与局部特征,经多维向量特征值排序后得到零件加工瑕疵的最终特征;利用形态学细化法提取图像边缘轮廓,结合机器视觉细化边缘像素,实现瑕疵图像识别。测试结果表明:使用机器视觉识别零件加工瑕疵图像算法,当图像数量增加到1000张时,图像识别平均所用时间为78.3 s,平均准确率则为95.817%,可以提高零件加工瑕疵图像识别的准确率。     

基于图像不变特征深度学习的交通标志分类

针对自然场景下所采集的交通标志存在各种形变,且手工设计提取交通标志不变特征方法需要处理技巧的问题,提出一种自动学习提取交通标志不变特征的道路交通标志分类方法.首先基于慢特征分析的深度学习框架自动学习得到每个阶段的特征映射矩阵;然后基于各阶段特征映射矩阵提取交通标志图像第一阶段特征和第二阶段特征,并将其联合输出作为交通标志的特征;最后使用支持向量机进行交通标志分类.实验结果表明,该方法具有良好的泛化能力,能有效地应用于交通标志分类,所提取的特征具有一定的平移不变和旋转不变性.     

基于主成分特征向量系数的交通标志识别方法研究

对交通标志的识别研究一直是模式识别领域的研究热点。提出一种利用主成分特征向量系数和最近邻分类识别交通标志的方法,经验证取得较好的识别效果;同时,还研究探讨了交通标志图像的分辨率大小、主成分特征个数对正确识别率的影响。该方法的特点是交通标志图像来自真实环境,减小了计算量。     

基于局部抑制线性编码的图像快速识别方法

传统的图像识别方法如ScSPM、LLC都是在SIFT的基础上提取特征,忽略了人工特征的局限性,且单张图像识别耗时略长。考虑到这些不足,提出了一种基于局部抑制线性编码的图像快速识别方法。该方法首先直接利用局部抑制线性编码提取图像局部特征描述子;然后用线性空间金字塔匹配(LSPM)对特征描述子进行计算;最后将计算结果输入到线性支持向量机(LSVM)中进行训练和测试。在3个常用的图像数据集上的实验结果表明,该方法在类别不多的情况下具有很好的识别准确率,同时大大减少了单张图像识别耗时,从而验证了该方法在图像识别上的有效性。     

基于小波分解和颜色熵的浮游生物图像识别

浮游生物图像识别分类是海洋生态研究的重要内容和必要前提,传统的浮游生物图像识别分类需要由专业人员进行人工识别,工作量大、效率低。该文提出一种基于小波分解结合颜色信息熵的浮游生物图像识别方法,提取图像的三层小波分解后系数的数学特征和四叉树分块后的颜色信息熵构造特征向量,采用相似度模型和K-近邻分类器对浮游生物图像进行分类。实验表明,与传统方法相比,该方法能在保证识别率的基础上提高识别效率,并具有良好的稳定性。     

基于Gabor滤波器和特征加权的红外图像识别

针对红外图像边缘模糊、噪声较多的特点,文中提出一种新的基于Gabor滤波器和特征加权的红外图像识别方法。该方法利用Gabor滤波器的多尺度特性对红外图像进行特征抽取,然后根据Gabor特征矢量中邻近分量的离散程度对其自身进行加权。通过对三种不同类型的红外车辆进行识别测试以及与传统的方法进行比较,结果表明Gabor特征矢量经过加权处理后,能够有效降低红外图像识别的错误率,增强鲁棒性。     

融合颜色分割与形状特征的交通标志检测

交通标志的颜色特征和形状特征是其最主要的两个特征,为提高检测的准确性和鲁棒性,提出颜色分割和形状特征相结合的方法。利用交通标志的颜色特征,采用基于HSV空间的颜色分割方法 ,获得图像中可能包含交通标志的区域,并提取该区域。根据交通标志的形状特点,利用canny算子获取提取区域的轮廓。然后,采用基于标记的形状检测算法判定所分割区域的形状,利用方向梯度直方图特征结合支持向量机(SVM)方法完成交通标志识别。经实验测试,该方法对图片视点变换、尺度变换以及亮度变换等情况具有很强的鲁棒性。     

基于分形理论的声纳图像识别

为了解决声纳图像分类较困难的问题,提出一种基于分形理论的声纳图像识别方法.针对传统的分形维数作为图像纹理特征表示时缺少图像分布特征的不足,引入了多重分形的概念和广义维数,并对原图像和灰度差分图像重新提取了图像的纹理特征.通过对声纳图像的分类实验,结果证实该方法行之有效.     

基于分形理论的声纳图像识别

为了解决声纳图像分类较困难的问题,提出一种基于分形理论的声纳图像识别方法。针对传统的分形维数作为图像纹理特征表示时缺少图像分布特征的不足,引入了多重分形的概念和广义维数,并对原图像和灰度差分图像重新提取了图像的纹理特征。通过对声纳图像的分类实验,结果证实该方法行之有效。