基于DSP的人脸Hu矩识别研究

在DSP硬件平台的基础上利用Hu矩研究人脸识别。DSP选用DM6437达芬奇处理器,利用DM6437的快速运算能力进行人脸识别,实现对人脸图像做平移、缩放和旋转三种运算,按肤色提取人脸图像,再做二值化处理,对二值化后的图像采用Hu矩提取特征值。实验结果表明,三种运算后的Hu特征值与原图像的Hu特征值相符,以此可以作为识别。     

一种印刷体文档内嵌数学公式提取方法的研究

针对目前光学字符识别技术(OCR)较难实现对中文文献中的数学公式进行识别,提出一种改进算法来解决印刷体内嵌数学公式的识别问题。通过添加新的特征值进行文本行分类,对内嵌公式行按字符逐一分割,再从分类后的文本行中依次提取出数学公式。实验结果表明,该算法具有识别率高、高效特点,与现有同类算法比较,在解决中文印刷体的数学公式识别问题方面的优势明显。     

基于小波变换和神经网络集成的笔迹鉴别方法*

在笔迹鉴别中为了便于获取特征字符的细微特征,基于线性矩和小波变换提出了提取特征字符纹理特征的方法.小波变换能有效地提取字符的结构特征,而矩能够很好地对其进行描述.在该方法中,一幅特征字图像可以用一个含有52个元素的特征矢量表示,然后通过训练多个神经网络,并应用神经网络集成的方法将其结果合成,对特征空间进行正确分类.分别在特征字和候选人数变化的情况下进行实验,实验结果显示识别准确率较同类算法平均提高百分之五.     

一种改进的水果特征提取算法

介绍了颜色矩、Hu矩、Zernike矩、小波矩等特征提取算法,改进了大小特征提取算法。针对单一特征提取算法提取特征信息不全面,不能区别对待识别样本,识别率低等问题提出了一种改进特征提取算法,该算法由上述五种算法通过特征距离自优化组合生成。介绍了算法公式,执行流程,结合项目建立了特征库。通过选取几类易于混淆的水果进行识别试验,结果表明采用改进特征提取算法的识别率明显优于单一特征提取算法,只是识别的平均时间略有延长,但可满足实时识别的要求的别足。     

工业器件上的字符提取及识别

介绍了一个工业器件上字符识别和获取系统.在字符提取阶段,给出了两种字符的提取方法以及互补Ostu二值化方法.在识别阶段,对第一类字符利用TM 矩和仿射不变矩提取特征并且组合成特征向量,然后利用交叉相关来识别; 对第二类字符利用模板匹配法,基于Hu不变矩和TM 矩的交叉相关分别得到各自的识别结果,然后采用投票原则来作出最后的判决.实验结果表明提出的方案是可行的和合理的.     

基于改进K—Means算法的车辆识别方法

车辆的检测和识别一直是道路监控、安全辅助驾驶、车辆自主导航等领域的重要研究内容。文中基于机器视觉方法,在Lab颜色空间通过对经典K—Means算法的聚类中心、聚类数和距离测度三方面的改进实现了L分量的聚类,从而达到图像分割的目的。提取图像的矩形度、Hu矩和Affine矩的特征,针对不同的车型建立各自的模板,利用改进Hu不变矩和仿射不变矩的组合不变矩对分割后图像进行车型的识别。实验结果表明,文中提出的方法对于复杂环境下的车辆检测和识别具有良好的可靠性和鲁棒性。     

基于Hu不变矩和BP网络的条形码图像识别方法

针对目前比较流行的一维条形码和二维条形码识别算法存在对几何失真图像的识别准确率较低的问题,提出了一种新的基于不变矩和BP网络的条形码识别方法,提取不变矩特征向量作为特征值输入BP网络,对其进行训练与测试,利用训练好的BP网络对形变条形码图像进行识别,实现了对存在旋转、平移和缩放等几何失真的条形码图像的正确识别.实验结果表明,基于Hu不变矩和BP网络的条形码识别方法具有很强的抗图像平移、拉伸和旋转识别能力,并且具有实现简单、训练速度快、识别率高等特点.     

基于单目视觉和模糊控制的叉车式AGV设计

针对叉车式自动导引车(AGV)的车体结构和工作特点,提出了基于模糊控制的单目视觉和激光雷达导引AGV的运动控制方案.在单目视觉识别目标的基础上,远距离通过YOLOv5算法进行图像识别,导引AGV运动到目标前方的最佳工作位置;近距离采用模糊控制算法控制AGV,通过激光雷达精确限位,对AGV运动轨迹进行纠偏,完成对目标的插...     

三维纹理图像特征准确识别技术仿真研究

研究场景构建中纹理图像的三维特征识别,提高识别准确率。由于图像的效果取决于纹理识别,在三维空间中分析纹理图像时,仅使用聚类算法利用三维图像的空间坐标和三维像素灰度特征对其进行分类识别,忽略了不同方向光照对纹理图像的影响而简单聚类分类,导致因提取的特征信息不足而造成识别准确率不高的问题。因此,提出了一种机器学习的三维特征识别方法。通过变换光照的角度得到不同光照下的纹理图像,提取出多面光照下的三维图像特征信息,并利用机器学习算法对特征信息进行准确训练和分类识别,可避免聚类算法利用信息不足的特征进行分类而造成的识别准确率不高的问题。实验表明,这种方法能够有效提取出特征信息并进行准确分类,具有较高的识别准确率,取得了满意的结果。     

基于改进K-Means算法的车辆识别方法

车辆的检测和识别一直是道路监控、安全辅助驾驶、车辆自主导航等领域的重要研究内容.文中基于机器视觉方法,在Lab颜色空间通过对经典K-Means算法的聚类中心、聚类数和距离测度三方面的改进实现了L分量的聚类,从而达到图像分割的目的.提取图像的矩形度、Hu矩和Affine矩的特征,针对不同的车型建立各自的模板,利用改进Hu不变矩和仿射不变矩的组合不变矩对分割后图像进行车型的识别.实验结果表明,文中提出的方法对于复杂环境下的车辆检测和识别具有良好的可靠性和鲁棒性     

融合Hu矩与BoF-SURF支持向量机的手势识别

基于尺度不变特征变换的特征包（BoF-SIFT）支持向量机的分类方法具有较好的手势识别效果, 但是计算复杂度高、实时性较差。为此, 提出了融合Hu矩与基于快速鲁棒特征的特征包（BoF-SURF）支持向量机（SVM）的手势识别方法。特征包模型中用快速鲁棒性特征（SURF）算法替换尺度不变特征变换（SIFT）算法提取特征, 提高了实时性, 并引入Hu矩描述手势全局特征, 进一步提高识别率。实验结果表明, 算法无论是实时性还是识别率都要高于BoF-SIFT支持向量机方法。     

基于区域划分和四元数的彩色图像复制粘贴篡改检测

现有的篡改检测方法中特征点提取不充分会导致篡改检测精度不高,特征点描述符识别率差,针对该问题提出一种基于颜色矩的区域划分和四元数Hu矩的彩色图像复制粘贴篡改检测算法。首先,使用自适应形态重建算法对图像进行超像素分割,通过密度聚类算法对图像自适应划分区域;其次,提出一种关键点提取方法得到均匀的SIFT特征点;然后,在一种新颖的彩色图像四元数表示方法中构建局部高斯金字塔提取Hu矩特征;最后,利用2NN进行特征匹配后,结合Delaunay三角形算法定位出复制粘贴篡改区域。在公共数据集上的实验结果表明,该算法可以更有效地定位篡改区域。     

基于小波矩的车辆特征提取算法研究

车辆目标图像特征提取是智能交通系统中车辆识别与分类的关键问题。在车型提取算法中,矩特征是较为常用的车型特征描述子。针对Hu矩的七个特征分量在数量级上差别较大且受比例因子影响的问题,基于不变矩和小波能量的原理和特点的研究,重点提出了基于小波矩的特征提取算法,并应用于车辆的特征提取。最后的实验对实际车辆图像进行采集,对预处理图像进行小波分解得到三级子图像,对子图像求取修正Hu不变矩,将不变矩作为特征量,利用最小邻距离分类得出识别结果。最后的实验结果显示,通过这种方法提取的特征量具有平移、旋转、比例不变性,能反映目标图像的重要的、本原的属性,与传统Hu矩相比,识别率提高了13.5%,达到了预期的目标。     

基于改进卷积神经网络的动力下肢假肢运动意图识别

传统动力下肢假肢运动意图识别算法常使用机器学习算法分类器,在特征选择方面则需要手工提取.针对该问题将深度学习算法应用于运动意图识别研究中,通过在传统的卷积神经网络的基础上进行改进,使算法更适应于基于短时行为样本数据的运动意图识别,同时抑制深度学习算法应用于运动意图识别中的过拟合.在意图识别数据集中进行滑动窗口预处理,目的是对时间序列样本做数据增广,扩增目标数据集能够使训练集更加丰富全面,提高识别的精度,运用改进后的卷积神经网络对增广后的数据集进行特征学习与分类.实验结果表明,该方法在13类运动模式下的识别率达到93%.     

余弦距离下保护型迁移学习聚类算法

以往研究者都从公式的合理性出发研究迁移学习和传统机器学习,但他们忽视了对问题的整体性考虑,致使在具体应用到文本分类问题时,无法实现彻底的分类。通过研究文本分类的整个过程,在k-均值算法中使用余弦距离,显著提高了实验结果;提出保护型迭代思想,同时弃用传统的词特征空间,采用隐空间作为特征向量空间,实施归一化约束。以CCI算法为例,结合提出的改进思想,产生改进算法PCCI,在降低计算复杂度的同时显著提高迁移学习的分类正确率。通过在数据集20-NewsGroups和Reuters-21578上测试并与现有其他迁移学习算法进行比较,证明了该改进算法的优越性。     

基于Faster R-CNN的人体行为检测研究

由于人体行为类内差异大,类间相似性大,而且还存在视觉角度与遮挡等问题,使用人工提取特征的方法特征提取难度大并且难以提取有效特征,使得人体行为检测率较低。针对这个问题,本文在物体检测的基础上使用检测效果较好的Faster R-CNN算法来进行人体行为检测,并对Faster R-CNN算法与批量规范化算法和在线难例挖掘算法进行结合,有效利用了深度学习算法实现人体行为检测。对此改进算法进行实验验证,验证的分类和位置精度达到了80%以上,实验结果表明,改进的算法具有识别精度高的特点。     

基于流形学习的光学遥感图像分类

随着光学遥感图像技术的快速发展与广泛应用,对光学遥感图像的准确分类具有深远的研究意义。传统特征提取方式提取的高维特征中夹杂着许多冗余信息,分类过程可能导致过拟合现象,针对传统的线性降维算法不足以保持原始数据的内部结构,容易造成数据失真这一问题,提出基于流形学习的光学遥感图像分类算法。该算法首先提取出图像的SIFT特征,然后将流形学习运用于特征降维,最后结合支持向量机进行训练和识别。实验结果表明,在Satellite、NWPU和UCMerced实验数据中,冰川、建筑群和海滩分类精度得到了有效提高,达到85%左右;针对沙漠、岩石、水域等特殊环境遥感图像,分类精度提高了10%左右。总而言之,基于流形学习的分类算法对通过降维之后的数据能够保持在原高维空间中的拓扑结构,相似特征点能得到有效聚合,预防了"维数灾难",减少了计算量,保证了分类精度。     

基于分块不变矩特征的瓷砖分类识别的研究

首先通过形态学边缘检测方法提取瓷砖花纹,然后采用分块提取特征的思想对瓷砖进行分类识别,即先将瓷砖分成4行4列16个子块,然后提取每子块两个稳定的Hu不变矩,共32个不变矩作为瓷砖分类的特征向量。对于分块后造成的矩的位置相关性问题,通过将每个训练样本分别旋转90°、180°、270°,然后再提取它们的矩特征向量的方法来解决。最后将提取到的特征向量输入BP神经网络进行分类识别。测试结果表明,本方法识别准确率高、运算速度快,能达到预期目的。     

基于不变矩的高分辨率遥感图像建筑物提取方法

为了有效地对图像进行特征提取, 利用不变矩算法对IKONOS和WorldView两种高分辨率遥感图像的城市建筑物地区进行提取。首先将图像数据经过Canny边缘检测和标记分水岭分割, 然后在此基础上分别利用胡氏不变矩和仿射不变矩对图像进行特征提取; 最后通过实验结果的评价可以证明在建筑物的特征提取上, 仿射不变矩比胡氏不变矩的提取效果更加显著, 进而也证明了利用不变矩算法对高分辨率遥感图像建筑物特征提取这一方法是可行且有效的。