基于霍夫变换的数字水印算法在电子印章中的应用

研究了以电子印章为载体的数字水印信息嵌入及提取技术,可应用于合同和官方文档的认证和防伪。提出了一种基于霍夫变换的印章数字水印算法,利用霍夫变换检测到待嵌水印的圆形印章圆环区域,对圆环区域进行编码,将数字水印信息进行二进制转换后,嵌入到印章中;对彩色打印输出的嵌入数字水印的印章经图像扫描并进行水印检测获得嵌入的数字水印信息,从而实现了在电子印章中的水印信息嵌入和提取。实验结果证明该算法能够适应电子印章的部分遮挡及不同类型的打印机的打印效果,具有良好的鲁棒性。     

基于扩展卷积神经网络与度量学习的指静脉识别

针对在传统卷积神经网络(Convolutional neural networks, ConvNet)算法中由于提取的静脉特征信息不足而导致指静脉识别准确率不高的问题,提出了一种基于扩展卷积神经网络与度量学习的指静脉识别算法。该算法通过扩展卷积神经网络的宽度与深度来提高ConvNet的学习能力,并使用难样本采样三元组(Triplet hard loss with batch hard mining, TriHard)度量学习函数作为网络损失函数训练网络。此外,针对常用距离度量方法不能有效度量静脉特征之间的相似度的问题,在指静脉识别阶段采用了Wasserstein距离度量方法,以提高同源静脉间的相似度,降低异源静脉间的相似度。仿真实验结果表明:在FV-USM数据集上,指静脉识别准确率达98.33%,较使用ConvNet和常用距离度量方法准确率提高了3.56%;在MMCBNU_6000数据集上,指静脉识别准确率达98.02%,较使用ConvNet和常用距离度量方法准确率提高了2.01%。     

基于投影阈值分割和数字序列校正的高噪声数字仪表图像识别方法

针对数字仪表图像噪声大、图像特征信息不足导致图像识别准确率低的问题,提出了一种基于卷积递归神经网络结合投影阈值分割和数字序列校正的高噪数字仪表图像识别方法。首先,用投影阈值分割二值化算法对图像进行预处理：使用垂直投影法将图像划分为不同区域,根据不同区域的噪声强度自适应设定二值化阈值,对图像进行二值化处理,降低噪声;其次,根据图像之间数字规律变化特点,利用数字序列校正算法将单个数字识别转换为数字序列识别,通过对比不同数字序列的识别概率得出识别结果,解决单张图像特征信息不足导致识别准确率低等问题。实验结果表明,在高噪声数据集上,相较于卷积递归神经网络模型,提出的高噪声数字仪表识别模型在准确率方面提高了约61.95%,达到93.58%。     

基于卷积神经网络的电子鼻分类识别

在混合气体识别的研究中,针对目前电子鼻应用于化工污染物种类监测时难以达到理想精度的问题,提出了一个基于卷积神经网络的气体分类识别算法。首先利用卷积神经网络的自适应特征提取能力,有效降低原始数据对后续操作的影响;其次进行多次实验训练,对卷积神经网络进行参数优化,提高网络模型性能;最后将提出的卷积神经网络算法与BP神经网络算法分别应用于加州大学公开数据集中的一氧化碳和乙烯混合气体的实验数据中。实验结果表明,卷积神经网络算法对此数据集的气体种类检测准确率达到93%,比BP神经网络算法应用于气体识别时精度更高,误差更小,为电子鼻系统气体种类检测提供了一种新的方法。     

混合式三稳态压电能量俘获器动力性能分析

针对传统暴力行为识别算法精度不高和三维卷积神经网络参数多的问题,本文提出一种基于 3DSE-Densenet 网络的视频暴力行为识别改进算法。采用 3D Densenet 模型提取视频中的时空特征信息,SENet（Squeeze-and-Excitation Networks）按照时空特征的重要性程度进行加权处理,根据加权的时空特征识别视频中的暴力行为。实验结果表明,本文提出的 3D SE-Densenet 方法在 Hockey Fights Dataset 和 Movies Dataset 上识别准确率分别达到 99.1% 和 100%,可较准确地识别暴力行为,准确率高于传统方法。     

基于 3D SE-Densenet 网络的视频暴力行为识别改进算法

针对传统暴力行为识别算法精度不高和三维卷积神经网络参数多的问题,本文提出一种基于 3DSE-Densenet 网络的视频暴力行为识别改进算法。采用 3D Densenet 模型提取视频中的时空特征信息,SENet（Squeeze-and-Excitation Networks）按照时空特征的重要性程度进行加权处理,根据加权的时空特征识别视频中的暴力行为。实验结果表明,本文提出的 3D SE-Densenet 方法在 Hockey Fights Dataset 和 Movies Dataset 上识别准确率分别达到 99.1% 和 100%,可较准确地识别暴力行为,准确率高于传统方法。     

联合词性特征的微博文本命名实体识别

微博文本语法不规范且多由短语组成,严重影响了现有针对规范、长句文本设计的命名实体识别算法的性能.针对上述问题,本文提出了一种融合词性信息的微博文本命名实体识别模型.该模型通过分词工具提取词性信息,将词性信息作为特征与单词嵌入向量结合后输入双向长短期记忆神经网络,最后使用条件随机场对神经网络输出进行解码,从而实现词性特征辅助命名实体识别.实验结果表明,融合词性信息的命名实体识别模型,显著提高了微博文本命名实体识别的准确率.相比于其它模型,该模型F1值提高了1. 88%.     

基于神经网络的手骨特征区域自适应提取方法

准确分析手腕骨特征骨块的成熟等级是骨龄判别的关键。在骨龄的自动评估中,通过多特征区域识别最终得到骨龄是目前研究的主要方法。钩骨和桡骨在中国人手腕骨发育标准CHN法骨龄评价中所占的权重较大。针对手腕骨特征骨块周边干扰骨块多、识别困难的问题,提出了一种基于BP神经网络的手腕骨特征区域自适应提取方法,可以根据手部X光片所属者的身高和年龄信息,自适应提取出特征骨块,最后搭建卷积神经网络对钩骨、桡骨的成熟等级进行评价。实验结果表明:利用基于BP神经网络的区域自适应提取方法,能够精确提取手腕骨特征骨块区域,在保留完整特征信息的基础上减少周边骨块、肌肉组织的干扰,提高了图片识别的质量;进而提高了卷积神经网络对钩骨、桡骨成熟等级的识别准确率(分别达到了87.83%和85.51%)。所提方法对骨龄的自动识别有重要意义,对临床医生评价骨龄也有较大的参考意义。     

车辆颜色和型号识别算法研究与应用

针对目前基于机器学习的车辆颜色和型号识别方法的识别准确率低问题, 提出基于卷积神经网络的车辆颜色和型号识别方法。该方法使用Darknet网络中YOLOv3(You Only LookOnce Version 3)算法对车辆图片的车脸进行检测与定位, 再对车脸区域使用车辆颜色和型号识别算法同时识别车辆颜色和型号, 这是对车辆多属性同时识别的方法, 不同于车辆单一属性识别的方法。在公开车辆数据集(Peking University Vehicle Datasets, PKU-VD)上进行实验, 实验结果表明, 车辆颜色和型号同时识别准确率为93.75%, 车辆颜色单一属性识别准确率为94.98%, 车辆型号单一属性识别准确率98.38%, 明显优于基于机器学习的车辆属性识别算法, 从而验证该算法是可行且有效的。最后将车辆颜色和型号识别技术应用在智能停车场收费系统中。     

自适应控制下图像分割及并行挖掘算法

针对海量图像数据中目标的分割及识别问题,提出了一种自适应控制下图像分割及并行挖掘算法.采用隶属度函数窗口宽度在图像直方图控制下自适应调整模糊阈值图像分割方法对图像进行分割,提取出感兴趣的潜在目标区域,基于共轭梯度法改进的BP神经网络算法对潜在的目标区域进行训练和识别,识别算法基于OpenMP并行处理模型开发来提高执行效率.结果表明:本文算法相对于基于偏移场的模糊C均值、灰度波动变换自适应阈值和自适应最小误差阈值具有更高的分割准确率,与传统神经网络算法的识别结果相比,平均识别率提高了8%,运行时间减少了2. 5 s.     

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。     

融合语义及边界信息的中文电子病历命名实体识别

中文电子病历数据专业性强,语法结构复杂,用于自然语言处理(NLP)的命名实体识别(NER)难度大。为了从电子病历数据中精确识别出医疗实体,提出了一种融合语义及边界信息的命名实体识别算法。首先,利用卷积神经网络(CNN)结构提取汉字图形信息,并与五笔特征拼接来丰富汉字的语义信息;然后,利用FLAT模型中的Lattice将医学词典作为字符潜在词组匹配文本信息;最后,将融入语义信息的Lattice模型用于中文电子病历命名实体识别。实验结果表明,该方法在Yidu-S4K数据集上的识别性能超过现有多种算法,且在Resume数据集上F1值可达到96.06%。     

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Gabor变换和极限学习机的铝箔密封性检测

针对铝箔封口温度场分布特征进行了研究,提出了一种基于Gabor变换和极限学习机(ELM)的封口密封性检测方法。对采集到的不同特征类型热像图进行Gabor变换,提取纹理特征训练极限学习机神经网络。然后利用训练结果对热像图进行分类识别,通过热像图分类特征判断铝箔封口密封情况。与提取颜色特征的BP神经网络对比分析发现,基于Gabor变换和极限学习机的算法具有泛化性强、响应速度快、精度高等优势。     

基于PSENet的自然场景文字检测网络改进

由于自然场景中的图像背景复杂、文字排列不规则、光照条件不确定等因素文字检测难度较大,且传统检测方法的效果并不理想。在研究文字分割检测方法PSENet(Progressive Scale Expansion Network)的基础上,提出了一种针对自然场景文字检测的改进方法。该方法由卷积神经网络提取特征模块,再通过渐进式规模扩张对文字区域进行分割检测。改进点主要是使用高精度的语义分割网络RefineNet(Refinement Network)对卷积网络特征提取模块进行优化,且增加较多的残差连接及链式池化,提高网络对文字区域的检测精度。通过对数据集ICDAR2015的实验结果对比表明所提出的改进算法在精度方面略高于改进前,且能更好地解决文字粘连问题。     

基于深度神经网络复杂场景下的机器人拣选方法

针对提高快递包裹的分拣效率和识别准确率,提出了一种基于深度神经网络复杂场景下的机器人拣选方法.首先,提出一种改进的目标检测算法,通过将多层浅层特征图与最终的特征图进行融合,提取更加细节的特征,以提升识别的速度与精度;其次,提出了一种基于关键点的级联卷积最优拣选位置检测网络模型,对包裹最优拣选位置进行实时预测估计;最后,结合目标包裹最优拣选框与场景的深度信息和基于三维信息的目标姿态估计算法实现机器人拣选,并通过实验验证了该方法的有效性.     

基于BiLSTM-CRF的体育新闻主题词抽取方法

针对典型的循环神经网络方法在抽取主题词时因缺少上下文相关的句子级信息而导致识别准确率较低的问题,提出了一种基于双向长短期记忆网络条件随机场（BiLSTM-CRF）模型联合TextRank的主题词抽取方法。首先,利用TextRank对新闻文本进行主题句抽取,再使用双向长短期记忆（BiLSTM）模型获取文本的前后特征,最后使用条件随机场（CRF）完成句子级序列标注,得到主题词。在多组体育类新闻数据集上进行实验,该方法较对照组BiLSTM方法F1值提高约0.8%~5.1%,且用时更短。因此,改进的BiLSTM-CRF方法可显著提升主题词的抽取准确率和效率。     

应用卷积神经网络的遥感图像云层自主检测

为实现遥感卫星对遥感图像的自主云层判别能力,提升目标自主识别的效率,避免云层覆盖面积较大的遥感图像丢失关键的目标信息而给后续算法处理带来不必要的计算资源浪费,提出一种基于卷积神经网络的云层自主检测方法,实现遥感图像云层的自主检测,达到了较高的检测精度.首先,根据遥感图像的特性建立卷积神经网络.然后,使用大量人工标识的遥感图像完成云层检测网络训练,使其达到预期检测精度.最后,在卫星在轨运行阶段,将所拍摄的遥感图像根据尺寸划分为若干个子图,并通过训练完成的卷积神经网络对子图是否被云层覆盖进行分类预测.综合所有子图的预测结果给出整幅遥感图像的云层覆盖占比.结果表明:以Landsat卫星遥感图像为测试对象,该方法可以实现有云层覆盖检测正确率为95.3%,无云层覆盖检测精度为97.8%,误判率为2.58%,漏判率为0.90%,综合精度为97.9%;由于使用了卷积神经网络和并行计算技术,该方法基本满足实时性需求,提高了算法的自主性与鲁棒性,为基于遥感图像的在轨实时应用奠定了基础.