基于PCA和边缘不变矩的车标识别新方法

车标识别技术是进行车辆类型识别的关键内容。在车牌定位准确的基础上,利用车头图像中车牌、车标位置关系定位到车标大致区域;接着对车标进行精确定位、归一化处理,并提出似真度函数对车标进行确认;然后利用边缘不变矩的最小距离进行车标识别。该方法不受原始车标图像大小、变形等影响,能够自适应地进行目标定位确认和识别,具有较强的鲁棒性。通过实测图像测试,结果表明该方法是有效和可行的。     

数字图像边缘检测算子的性能实验比较

本文对数字图像中几种具有代表性的边缘检测算子进行了理论分析，并通过VC编程实验，对各种算法进行实现，通过比较得出了各自的优缺点和适用范围。     

基于Edge Boxes的大型车辆车标检测与识别

传统车标检测与识别算法难以检测大型车辆车标,且速度较慢。提出了一种基于Edge Boxes的大型车辆车标检测与识别方法。Edge Boxes算法是一种成熟的图像分割算法,能够快速且有效地检测物体位置,满足大型车辆车标检测与识别问题的准确性及实时性的需求。该方法首先根据车标在车辆中的空间位置关系初选车标候选区,然后利用Edge Boxes算法进行目标提取,进而将提取得到的目标送入利用线性约束编码构建的车标检测分类器和车标识别分类器进行训练与识别,得到车标检测与识别结果。对不同卡口的不同天气和光照条件下采集的4 480张图像（含50类大型车辆）进行实验,实验结果表明,在检测与识别性能以及时间消耗方面均优于传统方法,具有良好的实用前景。     

数字图像边缘检测算子的性能实验比较

本文对数字图像中几种具有代表性的边缘检测算子进行了理论分析,并通过VC编程实验,对各种算法进行实现,通过比较得出了各自的优缺点和适用范围。     

边缘检测在外耳识别技术中的应用

外耳识别技术是一种新的生物个体识别技术 ,有它自身的应用范围和特点 ,以其为应用背景 ,比较了Canny算子、Sobel算子等边缘处理技术之后 ,从区分图像边缘类型视觉与算法角度出发 ,提出了一种基于外耳识别技术的边缘检测的实用方法 ,具有一定实际应用价值。     

边缘检测技术在工件中心位置识别中的应用

图像的边缘检测技术是图像处理的重要内容,利用边缘检测结果对图像进行分析,找出图像中工件的中心位置往往是实际工作中的主要内容。在边缘检测中,利用改进的LOG算法结果,对有矩形、有圆的工件图像进行了中心识别,并给出了各种算法与实际中心坐标的误差对比,为机器人抓取工件及其他作业中的定位奠定了理论基础。     

基于模板匹配和边缘检测的车标定位方法

车标定位在车标识别系统中具有关键作用,为解决倾斜的车辆图像及多种车标背景纹理的车标定位问题,提出了一种新的车标定位方法。先进行车辆图像的倾斜校正,再通过三绝对值最大梯度方法定位出车灯带区域,利用车标与车牌、车灯的位置先验知识进行车标粗定位,并根据车标背景纹理特征利用模板匹配和边缘检测方法进行车标精定位。该方法充分利用了车标的先验知识和背景纹理特征,并将模板匹配与边缘检测技术相结合,提高了车标定位的准确率。实验结果表明,该方法既适用于倾斜的车辆图像又适用于多种车标背景纹理,具有很好的车标定位效果。     

增强边缘梯度特征局部量化策略驱动下的车标识别

目的 车标是车辆的显著性特征,通过车标的分类与识别可以极大缩小车辆型号识别的范围,是车辆品牌和型号识别中的重要环节。基于特征描述子的车标识别算法存在如下缺点：一方面,算法提取的特征数量有限,不能全面描述车标的特征;另一方面,提取的特征过于冗杂,维度高,需要大量的计算时间。为了提取更加丰富的车标特征,提高识别效率,提出一种增强边缘梯度特征局部量化策略驱动下的车标识别方法。方法 首先提取车标图像的增强边缘特征,即根据不同的梯度方向提取梯度信息,生成梯度大小矩阵,并采用LTP（local ternary patterns）算子在梯度大小矩阵上进一步进行特征提取,然后采用特征码本对提取的特征进行量化操作,在确保车标特征描述能力的同时,精简了特征数目,缩短了局部向量的长度,最后采用WPCA（whitened principal component analysis）进行特征降维操作,并基于CRC（collaborative representation based classification）分类器进行车标的识别。结果 基于本文算法提取的车标特征向量,能够很好地描述车标图像的特征,在HFUT-VL1车标数据集上取得了97.85%的识别率（平均每类训练样本为10张）,且在识别难度较大的XMU车标数据集上也能取得90%以上的识别率（平均每类训练样本为100张）,与其他识别算法相比,识别率有明显提高,且具有更强的鲁棒性。结论 增强边缘梯度特征局部量化策略驱动下的车标识别算法提取的特征信息能够有效地描述车标,具有很高的识别率和很强的鲁棒性,大大降低了特征向量的维度,提高了识别效率。     

基于OpenCV的边缘检测算法在仪表识别中的应用与改进

介绍一种Canny边缘检测算法的改进方法,采用自适应确定阈值,研究了在仪表LCD数字显示图像的边缘检测应用,Visual C 使用OpenCV类库作为基础函数库,程序经测试,边缘检测处理效果好,处理速度快。     

用边缘检测算子实现图像边缘检测

边缘检测作为一种低层图像处理方法,是各种高级图像处理的基础,它在医疗诊断、指纹识别等方面有着广泛的用途。本文探讨了用边缘检测算子实现边缘检测的方法。     

基于深度学习的车标识别方法研究

对交通监控录像中车牌污损、遮挡的肇事车辆信息进行确认是现阶段智能交通系统中的一个重要问题,车标作为一个关键特征,可以起到辅助判别的作用.提出了一种基于深度学习的车标识别方法,相对于以人工提取特征为主的传统车标识别方法,该方法具有可自主学习特征、可直接输入图像等优点.实验表明,这种方法正确率较高,在光照变化和噪声污染下的准确性和稳定性较好,能够有效降低车标识别的错误率.     

树状卷积神经网络的车标识别应用

为了提高在自然环境下车标识别率,提出一种多通路树状结构的卷积神经网络模型.该模型采用多通路树状结构,在传统卷积网络单一种类卷积核的卷积层上,使用多种类型的卷积核进行卷积操作,并且采用树状网络结构.通过对每个通路的顶层提取特征,作为全连接层的输入,进行车标的分类任务.通过理论分析和实验表明,与传统的卷积神经网络训练获得的分类器相比,车标识别率提升至98.43%.     

一种基于目标优化学习的车标识别方法

摘 要：近年来,车标识别因其在智能交通系统中的重要作用,受到研究者的广泛关注。 传统的车标识别算法多基于手工描述子,需要丰富的先验知识,且难以适应复杂多变的现实应 用场景。相比手工描述子,特征学习方法在解决复杂场景的计算机视觉问题时具有更优性能。 因此,提出一种基于目标优化学习的车标识别方法,基于从原图像中提取的像素梯度差矩阵, 通过目标优化,自主学习特征参数。然后将像素梯度差矩阵映射为紧凑的二值矩阵,通过特征 码本的方式对特征信息进行编码,生成鲁棒的特征向量。基于公开车标数据集 HFUT-VL1 和 XMU 进行实验,并与其他车标识别方法进行比较。实验结果表明,与基于传统特征描述子的 方法相比,该算法识别率更高,与基于深度学习的方法相比,训练和测试时间更少。     

YOLOv5定位多特征融合的车标识别

为解决智能交通系统中车标识别的问题,提出YOLOv5s网络车标定位多特征融合的车标图像识别方案。车标定位阶段选择YOLOv5s网络以满足对车标定位速度与精度等的需求。车标识别阶段通过调整扩展高斯差分中的参数得到具有不同效果的车标边缘,设计一组二维Gabor滤波器对边缘检测后的车标图像进行滤波处理并提取出对应的车标图像特征向量,通过计算待测车标图像特征与标准比对库中特征向量的欧几里德距离,取距离最小者对应的标签索引作为分类识别结果,该方案的最佳识别正确率为96.91%。采用随机森林算法进行分类后的最佳识别正确率可达99.33%。该方案的车标定位与识别最佳整体正确率超过了YOLOv5s网络直接一步到位识别车标的方案,且相较于传统图像处理方法有明显提升。     

基于D-S证据理论的特征融合车标识别方法

在针对现有的智能交通对车辆多维信息识别存在识别精度不高的情况,特别是对于车标识别,很大程度上识别结果依赖于高分辨和高质量的图像.提出了一种新的车标识别方法,用于识别卡口捕获的低质量车标图像,该方法是基于D-S证据理论的特征融合方法,提取Hu不变矩和HOG特征,采用不同的分类器构造基本概率分配（BPA）,采用改进D-S证据理论进行融合,根据判别规则给出最终的识别结果.通过实验证明在低分辨的情况下仍能保持较高的准确率,分类准确率达94.29%,相比单一的特征识别,具有更强的鲁棒性.     

移动终端Logo识别系统

本课题主要实现了一个移动终端Logo识别系统,该课题的灵感来源于现实生活,旨在为人们的生活提供方便,帮助人们认识生活中的陌生元素,解密Logo。系统的核心技术是图像处理技术,通过匹配算法完成Logo识别。该系统分为客户端、服务器端和图像匹配程序共三个部分。客户端的主要作用为Logo的采集、展示、Logo历史以及用户登录等。这些功能为用户交互提供了一个很好的平台。服务端的主要功能为通客户端进行数据交换,将客户端采集到的Logo与数据库已有的Logo进行匹配,将得到的结果反馈给客户端,完成整个系统的流程。图像匹配程序主要完成图像的识别工作。目前客户端已在安卓系统上实现,服务器则在Windows服务器上实现,匹配程序使用C/C++语言编写,部署在服务器端。经验证,该系统能够较好的识别生活中的Logo,在保证了一定的准确性的前提下,能够保障实时性。目前,图像识别程序采用了SIFT和SURF算法分别实现。SIFT算法有很好的变换适应性,SURF算法是对SIFT的一种改进,匹配精确度更高,效果更好。     

卷积神经网络在车辆识别中的应用

针对现有车辆识别方法计算量大,提取特征复杂等问题,提出一种基于卷积神经网络(convolutional neural network,CNN)的车辆识别方法。构建卷积神经网络模型,分别使用不同的卷积核、网络层数、特征图数对网络进行训练;通过100次迭代的学习结果得到最优模型,提取隐含层所有特征,并结合支持向量机进行识别;系统分析了不同参数对测试正确率和样本均方误差的影响。实验结果显示,CNN+SVM在车辆识别中的准确率明显优于传统CNN、PCA+SVM、HOG+SVM、Wavelet+SVM,正确率为97.00%,分析了样本识别错误的原因以及今后需要改进的地方,为以后的研究指明了方向。     

ILBP算子在浓雾天气形势图识别中的应用

纹理是天气形势图的突出特征,有效地从天气形势图提取并表示其纹理是实现雾型实时在线预报的基础。基于此,提出一种改进的局部二值模式算法,通过调整局部二值模式(LBP)算子中二进制多项式的权重,实现其提取特定方向上纹理特征的目标。将江苏地区2010年—2017年500张浓雾天气形势图作为数据集,采用Chi统计法匹配测试数据与基准数据的相似度进行天气分类。实验结果表明,该算法的准确率、虚警率及临界成功指数分别为0.884、0.15和0.76,均优于LBP算法,具有较高的识别准确性与可靠性。