基于特征提取的电气设备红外图像识别算法

针对变电站设备的红外图像特征提取和识别问题,提出了基于不变矩的图像特征提取和识别算法.基于统计学中矩函数的概念,提出了用于表征图像全局特征的图像矩函数,并以二维几何矩为基础,提出了用于图像识别的6个矩不变量参数.通过对中心矩计算方法进行改进,消除了图像变换过程中的计算误差,实现了图像不变矩参数的准确计算.结果表明,所提出算法的综合识别率可达94%,能够满足实际应用需求.     

多视点空间目标识别方法研究

基于识别空间目标的需要,采用多视点特征法建立了绕双轴旋转的目标二维图像模型库,将常用滤波器和形态学相结合去除噪声并进行图像分割,得到了较好的分割效果.采用组合不变矩对分割后图像提取目标特征向量,并使用BP神经网络对其进行识别.实验结果表明:所提出的空间目标识别(space object identification,SOI)方法有效,可实现噪声干扰条件下运动卫星目标的识别.     

基于SOM神经网络的变电站设备红外热像诊断研究

提出了基于自组织神经网络(SOM)判别变电站设备热故障类型的红外图像诊断方法.采用了最大类间差法(OTSU)对电力设备红外热像进行了分割处理,从中提取出包括设备红外热像的温度特征值、Zernike不变矩等12个参数,以此作为设备状态识别的信息输入量,将设备的状态分类信息作为输出向量.通过训练56组红外热像数据,确定了SOM神经网络识别模型中的参数值.试验结果表明:该方法可用于变电站设备状态诊断,相对于传统的神经网络方法的诊断结果,该方法对设备运行状态评估的准确率高达85.7%,如将诊断模型产生的可疑状态列入故障状态,则故障的诊断率可达到95%以上.     

基于Pseudo-zernike不变矩的肺部图像特征提取及分类研究

为准确、快速地分析肺部图像的特征,提出了一种基于Pseudo-zernike不变矩的肺部特征分析方法.通过对肺部图像进行预处理和基于Pseudo-zernike不变矩的特征提取,利用具有良好识别性能的SVM分类器对提取的肺部图像特征值做分类研究.实验结果表明,该方法能够很好地表征肺部图像的特征,具有良好的分类准确率.     

基于Zernike矩和BP网络的道路交通标志识别方法研究

道路交通标志的背景相当复杂,颜色失真严重并存在不同程度的几何失真现象。不变矩是图像的一种统计特征,具有平移不变性、旋转不变性和比例缩放不变性,被广泛的应用于图像识别中。在研究了Hu矩和Zerni—ke矩基础上,提出基于Zernike矩与BP网络相结合的道路交通标志识别方法。识别过程分别对图像进行了Hu矩和Zernike矩特征提取、BP网络训练与测试、对形变图像进行分类识别。结果表明：基于Zernike矩和BP网络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,实现简单、训练速度快、识别率高等特点,且识别准确率优于Hu不变矩目标自动识别。     

基于多神经网络分类器的军事目标识别方法研究

对军事目标类型的识别是军事信息处理中的一个重要环节.本文首先对军事目标进行特征提取,以矩和圆度两种不变矩特征向量作为神经网络的输入,分别采用了BP神经网络、自组织竞争网络、Hopfield网络对军事目标进行识别,最后采用了分类器多数投票法对识别结果进行融合,仿真实验结果表明采用多神经网络分类器融合的方法比单一神经网络识别率高,这对提高军事信息处理的准确性具有重要意义.     

基于几何不变矩的交通标志识别

以警告交通标志图像为研究对象,首先采用Hu不变矩来提取交通标志图像特征,然后利用最小矩距离法和相关系数法对交通标志进行识别。实验结果表明,该方法具有很好的识别能力,对旋转、缩放后的图象可以达到较高的识别率,基于Hu不变矩的几何特征提取算法在图像识别中的应用是非常有效的。     

基于ART2神经网络的机械零件模式识别

为了实现可靠的机械零件识别,设计了一套基于ART2神经网络的零件形状识别系统,采用一种新的图像特征,即对预处理后的图像进行正交傅里叶-梅林矩变换.该特征对图像大小、方位、强度变化具有良好的不变性.同时采用ART2神经网络识别方法,并进行了算法改进.实验结果表明,该系统能够进行有效识别.最后,对正交傅里叶-梅林矩的计算进行分析,并提出进一步研究的方向.     

一种有效的SAR图像目标识别方法

根据不变矩特征提取和支撑矢量机分类的优势,提出了一种有效的SAR图像目标识别方法.首先对样本SAR图像进行预处理。然后提取目标区域的不变矩特征并计算灰度均值,将其组成特征向量训练SVM分类器,最后用训练好的SVM分类器对要识别的SAR图像进行目标识别.采用该方法对一些含有桥梁和坦克的SAR图像进行目标识别实验,取得了较好的识别结果.     

支持向量机的红外目标自动检测与识别

针对红外图像提出一种基于支持向量机的目标检测和识别算法，首先运用数学形态学方法对背景进行滤波，突出候选目标；选取适当的阈值和边缘检测算子对候选目标进行图像二值分割和边缘提取；最后以候选目标的边界不变矩作为特征，用支持向量机方法进行目标的识别，确定目标的位置．实验表明，该方法能够有效地实现对红外目标的检测和识别，并具有较高的抗噪声和抗复杂背景的能力。     

基于Gabor变换和不变矩的掌纹识别研究

提出了一种将二维Gabor变换和不变矩特征相结合对掌纹图像进行特征提取,并采用多层前向反馈神经网络进行掌纹图像训练识别的方法。该方法首先对掌纹图像进行预处理,获得掌纹感兴趣区域(ROI),然后构造一组Ga-bor滤波器从而得到ROI的特征向量,结合掌纹图像的不变矩特征共同作为神经网络的输入进行训练识别。实验表明该方法的有效性。     

基于不变矩和神经网络的三维物体识别

为了提高三维物体识别系统的识别率,研究了将三维物体的不变矩作为物体特征,结合改进的BP神经网络应用于三维物体分类识别。理论分析和仿真实验表明,利用三维物体的不变矩特征能够有效地进行识别,对不变矩特征进行主成分分析可以进一步提高识别性能,达到100%的识别率,并降低神经网络结构复杂性和减少训练时间。     

Research of the ATR system based on the 3-D models and L-M BP neural network

Automatic target recognition （ATR） is an important issue for military applications, the topic of the ATR system belongs to the field of pattern recognition and classification. In the paper, we present an approach for building an ATR system with improved artificial neural network to recog- nize and classify the typical targets in the battle field. The invariant features of Hu invariant moments and roundness were selected to be the inputs of the neural network because they have the invari- ances of rotation, translation and scaling. The pictures of the targets are generated by the 3-D mod- els to improve the recognition rate because it is necessary to provide enough pictures for training the artificial neural network. The simulations prove that the approach can be implement ed in the ATR system and it has a high recognition rate and can be applied in real time.     

重构迁移学习的红外目标分类

红外图像目标分类在目标识别等领域有重要的应用价值,目前卷积神经网络在可见光图像分类方面达到了优异的性能。但对于红外图像来说,由于有标记样本数量少和图像成像差异大,直接使用现有的网络模型来处理红外图像无法取得理想效果。该文将可见光图像作为源域,将红外图像作为目标域,在深度网络中使用迁移学习方法来解决此问题。在迁移学习中,目标域网络提取的特征越能体现出本域数据的真实分布,那么在此基础上进行两个域的分布适配就更加有效,迁移后的目标域网络性能和泛化能力越好。该文首先利用大量无监督的红外样本训练了红外图像深度卷积自编码器,增强了红外图像域网络的特征表达能力。其次,通过减小源域和目标域的特征分布距离,使得两个图像域特征分布相似,从而将源域中深度网络的学习能力迁移到目标域。经过上述改进,相比于可见光图像预训练微调的方法,分类准确率提升了11.27%。     

一种基于小波矩的图像识别方法

研究了一种基于小波矩的图像目标平移、缩放和旋转不变特征提取算法,将不变特征提取算法与BP神经网络结合,组成一个图像识别系统.目的在于提高图像处理的质量,这种方法有更好的实用性.在这个系统中,利用小波矩不变量不仅可以得到图像的局部特征,还增加了对图像结构精细特征的把握能力强的优点,把提取的图像目标平移、缩放和旋转不变特征馈人BP神经网络,完成有监督的不变性模式识别.在实验中,利用该方法对无噪、有噪图像,特别是相似物体图像进行识别,可获得98％的正确识别率;并且将其与一般不变矩特征的算法获得的实验数据进行了对比分析.实验结果表明,该方法在图像识别准确率和抗噪性能上都有较大的提高.     

Method to generate training samples for neural network used in target recognition

Training neural network to recognize targets needs a lot of samples.People usually get these samples in a non-systematic way,which can miss or overemphasize some target information.To improve this situation,a new method based on virtual model and invariant moments was proposed to generate training samples.The method was composed of the following steps:use computer and simulation software to build target object’s virtual model and then simulate the environment,light condition,camera parameter,etc.;rotate the model by spin and nutation of inclination to get the image sequence by virtual camera;preprocess each image and transfer them into binary image;calculate the invariant moments for each image and get a vectors’ sequence.The vectors’ sequence which was proved to be complete became the training samples together with the target outputs.The simulated results showed that the proposed method could be used to recognize the real targets and improve the accuracy of target recognition effectively when the sampling interval was short enough and the circumstance simulation was close enough.     

CNN特征与BOF相融合的水下目标识别算法

为了改善作为低级表示的尺度不变特征变换(scale invariant feature transform, SIFT)匹配常出现的没有足够特征来防止假匹配的问题,提出在传统方法“词袋”(bag of features, BOF)算法中融合具有较好语义分割能力的卷积神经网络(convolution neural network, CNN)特征来提高识别率的方法。利用ImageCLEF网站的LifeCLEF鱼类视频,制作目标图像数据库。在caffe平台的Alexnet模型进行卷积神经网络的训练,提取图像库和查询图像的特征。利用训练好的CNN特征在Matlab软件进行识别试验验证,计算汉明距离来验证匹配效果。改变参数值来观察不同汉明距离阈值对水下目标识别结果的影响。自制图像库的试验表明,融合深度学习的特征可以有效提高BOF算法的水下目标识别率,对汉明距离阈值的选择需要根据实际情况选择合适的参数。