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。     

特征增强策略驱动的车标识别

目的 小样本情况下的车标识别在实际智能交通系统中具有十分重要的应用价值。针对从实际监控系统中获取的车标图像低分辨率、低质量的特点,考虑如何从车标结构相似性、局部显著特征方面来对车标的整体特征进行增强,提出一种特征增强策略驱动下的车标识别方法（vehicle logo recognition method based on feature enhancement,FE-VLR）。方法 提取车标图像的自对称相似特征,构建图像金字塔,在每层金字塔下提取车标的整体特征和局部显著特征,其中局部显著区域通过基于邻域块相关度的显著区域检测来获取,最后结合CRC （collaborative representation based classification）分类器对车标进行分类识别。结果 在公开车标数据集HFUT-VL （Vehicle Logo Dataset from Hefei University of Technology）和XMU （Xiamen University Vehicle Logo Dataset）上对算法效果进行评估,实验结果表明,在小样本情况下,本文方法优于其他一些传统的车标识别方法,且与一些基于深度学习模型的方法相比,其识别率也有所提升。在HFUT-VL数据集上,当训练样本数为5时,识别率达到97.78%;当训练样本数为20时,识别率为99.1%。在更为复杂的XMU数据集上,本文方法表现出了更好的有效性和更强的鲁棒性,当训练样本在15幅及以下时,本文方法与具有较好表现的OE-POEM （overlapping enhanced patterns of oriented edge magnitudes）算法相比至少提升了7.2%。结论 本文提出的基于特征增强策略的车标识别方法,通过融合自对称相似特征、局部显著特征和车标整体特征来增强特征的表达,提高了对实际道路中的低质量、低分辨率车标图像的识别能力,更能满足实际应用中对车标识别的需求。     

抗模糊特征提取策略下的车标识别

目的 现有的车标识别方法尽管取得了不错的识别效果,但最终的识别率容易遇到瓶颈,很难得到提升。车标识别是智能交通系统中至关重要的一部分,识别率的微小提升也能带来巨大的社会价值。通过挖掘与分析车标识别中潜在的问题和难点,发现未能得到正确分类的图像大部分为模糊车标图像。针对车标图像中存在的成像模糊等情况,本文提出一种基于抗模糊特征提取的车标识别方法。方法 构建车标图像金字塔模型,分别提取图像的抗纹理模糊特征和抗边缘模糊特征。抗纹理模糊特征的提取使用局部量化的LPQ（local phase quantization）模式,可以增强原始特征的鲁棒性,抗边缘模糊特征的提取基于局部块弱梯度消除的HOG（histogram of oriented gradient）特征提取方法,可以在描述车标图像边缘梯度信息的同时,提升特征的抗模糊能力。最后利用CCA（canonical correlation analysis）方法进行两种抗模糊特征的融合并用于后续的降维与分类。结果 本文方法在多个数据集上均取得了很好的识别效果,在20幅训练样本下,本文方法在公开车标数据集HFUT-VL（vehicle logo dataset from Hefei University of Technology）上取得了99.04%的识别率,在本文构建的模糊车标数据集BVL（blurring vehicle logo dataset）上也取得了97.19%的识别率。而在难度较大的XMU（Xiamen University vehicle logo dataset）上,本文方法在100幅训练样本下也达到了96.87%的识别率,识别效果高于一些具有较好表现的车标识别方法,表现出很强的鲁棒性和抗模糊性。结论 本文方法提高了对成像质量欠缺的车标图像的识别能力,从而提升了整体识别效果,更符合实际应用中车标识别的需求。     

基于图像区域和骨架特征的条形码印刷缺陷检测算法

条形码广泛用于商品的流通,为提高条形码质检的准确性和效率,提出了基于图像区域特征和骨架特征的条形码印刷缺陷检测算法。相机采集条形码图像后,利用模板匹配定位条形码,按照仿射变换参数进行图像矫正;然后,通过阈值分割、连通域、闭运算等处理,得到条码ROI待检区域;最后,利用区域最小外接矩形长度特征、区域矩形度特征、骨架特征先后检测条符,识别缺陷位置并存入新区域。生产现场测试表明,该方案的检测成功率为99.2%,平均耗时51.982 ms;实验仿真数据还验证所提算法适用不同角度的图像。与其他方法相比,该算法在识别精度、运行速度和鲁棒性方面均具有优势,能获得较好的检测效果。     

基于随机森林的5G无线通信信号弱覆盖区域识别方法

目前,5G无线通信信号弱覆盖区域多采用单层级的识别模型,能够在合理范围内获取识别结果,但是精准度不高,导致误识率增大,因此提出对基于随机森林的5G无线通信信号弱覆盖区域识别方法的分析与研究。首先,对信号识别的需求和标准进行数据采集与识别环境预处理,设定定向识别节点;其次,综合随机森林技术,构建多层级的信号识别结构,提升识别结果的精准度;最后,构建随机森林通信信号识别模型,采用多阶信号集成处理实现区域识别。测试结果表明,本文所设计的随机森林通信信号弱覆盖区域识别测试组最终得出的误识率相对较低,表明在实际应用过程中识别速度快、误差可控、识别范围较大,具有实际的应用价值。     

基于点对特征及分层全连接聚类的三维目标识别方法

针对基于原始点对特征的三维目标识别算法中存在的效率低、易受干扰的问题,提出了一种分层全连接聚类算法来对三维目标进行识别.利用模型上的所有点对特征来完成全局模型的描述构建,并在局部坐标的二维空间上,利用投票方案和分层全连接聚类算法对候选位姿进行筛选,从而获得最优位姿.在UWA的数据集上的实验结果表明,与原始点对特征算法相...     

基于点对特征的三维点云匹配算法

针对现有的基于全局特征的三维物体识别方法和基于局部特征的三维物体识别方法在有遮挡和混叠场景中识别效果均不理想的问题,提出了一种基于点对特征的三维点云匹配算法。利用模型上的所有点对特征来完成全局模型描述构建,并在减少的二维空间上,利用快速投票方案,在局部对模型点云和场景点云进行匹配,从而恢复模型在场景中的全局姿态。实验结果表明:该算法在有遮挡和混叠的场景中识别效果比较理想。     

基于联合层特征的卷积神经网络在车标识别中的应用

针对现有智能交通系统仅仅通过车牌信息获取车辆信息存在不准确的情况,提出一种基于联合层特征的卷积神经网络(Multi-CNN)进行车标识别。该方法将通过卷积神经网络中不同层提取的特征联合起来,一起作为全连接层的输入,训练获得分类器。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,Multi-CNN方法能够减少训练所需计算量,同时将车标识别准确率提升至98.7%。     

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。     

基于骨架特征的人数统计

针对视频监控中行人在运动中将出现部分或严重遮挡的问题,提出了一种基于人体骨架特征的人数统计算法。首先,利用形态学骨架提取算法提取初始人体骨架图;然后,剔除骨架孤立点和骨架伪分支,得到最优人体骨架特征;最后,通过分析骨架的人头区域特征,建立人头检测响应规则,检测行人人头个数实现人数统计。实验结果表明,该算法能够解决视频监控人物相互之间部分遮挡和严重遮挡问题,针对相对稀疏的场景该算法人数统计准确率为95%左右。     

基于网格特征和模糊匹配的徽标识别

针对图像智能处理中对徽标识别的应用需求,提出了一种基于网格特征和模糊匹配的徽标识别算法.该算法通过提取徽标的网格特征并映射为模糊集隶属度特征,根据模糊匹配技术进行识别,显著增强了对质量不佳图像的适应性和抗干扰性.实验表明,该算法的识别准确率能达到95.5％,并能有效提高徽标识别系统的鲁棒性.     

基于散热器栅格背景精确分类的车标定位方法

由于车标的背景散热器栅格形状大小不一、颜色不定、背景多样,因此导致了车标定位的困难,故精确分类散热器栅格是准确定位车标的基础。提出了一种基于散热器栅格背景精确分类的车标定位方法,首先依照车牌与车标空间位置关系确定车标粗定位,然后依据栅格纹理特征,利用霍夫变换和灰度值的梯度变化确定散热器栅格背景的类别,进而通过不同算子分别对不同种类栅格背景进行背景消融;为了保证多种光照条件下的准确定位,引入离散度,并将其与大津法进行融合,形成一种适用于车标定位的自适应二值化方法,同时结合形态学对栅格背景进一步处理,得到准确的车标定位。这种方法适用于在不同光照强度和不同类型的车标背景条件下,对车标进行定位。对10类车标、30类散热器栅格共1 200张图像进行车标定位,实验结果显示,图像总体的车标定位准确率可以达到97.67%。     

基于人体骨架特征编码的健身动作识别方法

健身动作识别是智能健身系统的核心环节.为了提高健身动作识别算法的精度和速度,并减少健身动作中人体整体位移对识别结果的影响,提出了一种基于人体骨架特征编码的健身动作识别方法.该方法包括三个步骤:首先,构建精简的人体骨架模型,并利用人体姿态估计技术提取骨架模型中各关节点的坐标信息;其次,利用人体中心投影法提取动作特征区域以...     

自适应骨骼中心的人体行为识别算法

目的 基于3维骨架的行为识别研究在计算机视觉领域一直是非常活跃的主题,在监控、视频游戏、机器人、人机交互、医疗保健等领域已取得了非常多的成果。现今的行为识别算法大多选择固定关节点作为坐标中心,导致动作识别率较低,为解决动作行为识别中识别精度低的问题,提出一种自适应骨骼中心的人体行为识别的算法。方法 该算法首先从骨骼数据集中获取三维骨架序列,并对其进行预处理,得到动作的原始坐标矩阵;再根据原始坐标矩阵提取特征,依据特征值的变化自适应地选择坐标中心,重新对原始坐标矩阵进行归一化;最后通过动态时间规划方法对动作坐标矩阵进行降噪处理,借助傅里叶时间金字塔表示的方法减少动作坐标矩阵时间错位和噪声问题,再使用支持向量机对动作坐标矩阵进行分类。论文使用国际上通用的数据集UTKinect-Action和MSRAction3D对算法进行验证。结果 结果表明,在UTKinect-Action数据集上,该算法的行为识别率比HO3D J2算法高4.28%,比CRF算法高3.48%。在MSRAction3D数据集上,该算法比HOJ3D算法高9.57%,比Profile HMM算法高2.07%,比Eigenjoints算法高6.17%。结论 本文针对现今行为识别算法的识别率低问题,探究出问题的原因是采用了固定关节坐标中心,提出了自适应骨骼中心的行为识别算法。经仿真验证,该算法能有效提高人体行为识别的精度。