一种新的车牌定位与倾斜校正方法

为了在不同条件下对车牌进行定位与倾斜校正,提出了一种基于字符特征匹配的车牌定位与倾斜校正方法。该方法考虑到我国车牌首位字符为汉字的显著特征,利用标准车牌汉字库,采用特征匹配对车牌中的汉字进行定位。由于汉字在我国车牌中的位置严格固定,因此,对汉字的成功定位,也就实现了对整个车牌的定位与倾斜校正。对不同背景、不同光照条件下的车牌进行大量实验,结果表明该方法能够准确地进行车牌定位与倾斜校正,具有良好的鲁棒性。     

基于区域一致性测试的多尺度边缘检测方法

在多尺度边缘检测方法中,滤波器的滤波尺度的选取非常重要,该文提出了区域一 致性测度的概念以度量当前像素点所处的区域是平滑区还是边缘区,并以此测度来自适应调 整滤波尺度.实验结果和分析表明,这种方法可以得到令人满意的结果,同时具有较好的抗噪 能力.     

一种基于区域一致性测度的边缘评价方法

提出一一种新的边缘评价方法,该方法同时考虑到边缘线型连接的好坏及错检,漏检的程度,结合了传统的边缘评价方法各自的优点,更多地体现了人对边缘检测效果的评价特点。文中对测试图象及实际图象的边缘检测结果进行了评价,结果表明该评价方法是合理的,可行的。     

基于双向非线性学习的轨迹跟踪和识别

目标的运动轨迹是跟踪和识别目标行为的重要特征之一,在视觉跟踪等领域得到了广泛的应用.然而,由于轨迹数据具有高维和非线性等特点,因而直接建模目标的运动轨迹比较困难.为此,引入一种称为自编码(autoencoder)的双向深层神经网络,并结合粒子滤波提出一种轨迹跟踪识别算法.首先,自编码网络按照一定的学习规则将高维轨迹嵌人到二维平面上,通过该网络的逆向映射得到轨迹的生成模型,由轨迹生成模型可得到一系列可行性轨迹.跟踪过程中,每时刻粒子滤波器的粒子便从这些可行性轨迹中进行抽样,并利用颜色似然函数对抽取的粒子进行加权以及再抽样从而实现对目标状态的估计,最后在二维平面中利用"最小距离分类器"对跟踪轨迹进行识别.特别地,自编码网络提供了高维轨迹空间和低维嵌套结构的双向映射,有效解决了大多数非线性降维方法(例如局部线性嵌入算法(LLE)和等度规映射(ISOMAP))所不具备的逆向映射问题.跟踪和识别手写数字实验表明所提出的方法能在复杂背景下精确跟踪目标并正确识别目标轨迹.     

M带正交小波的构造

设{g(x-n):n∈Z}是L2(R)的规范正交系,Fl(z)=∑n∈Zfl(n)z-n,l=0,1,…,M-1,是M个滤波器(M 2),定义l(x)=M∑n∈Zfl(n)g(Mx-n),l=0,1,…,M-1。考虑了在什么条件下,{l(x-n):n∈Z;l=0,…,M-1}构成span{Mg(Mx-n):n∈Z}的规范正交基。给出了一个定理,该定理描述了与前面所述的"规范正交基底性"相等价的条件。在这些等价性条件的指导下,讨论了M通道的Haar,Shannon,和Meyer滤波器组以及与之相联系的M带正交小波,构造了正交的M带Haar,Shannon,及Meyer小波。     

基于边缘链码滤波的角点角度快速估计算法

角点的角度是衡量角点特征的一个极为重要的指标,常作为阈值决定角点的取舍。本文提出一种新的角点角度估计算法,算法中通过对角点边缘链码采用不同方差的高斯函数进行卷积,得到角点位置的偏移,并给出由此偏移量计算角点角度值的公式。此算法具有较小的计算量。实验证明,此算法在一定场合下能有效地完成对角点角度的估计。文中最后给出了估计的误差分析。     

结合脊和谷信息的指纹细节特征提取方法

提出一种新的指纹图像细节特征提取方法。我们将指纹的脊和谷看成是屋脊边缘,利用屋脊边缘的凹凸性分别得到脊和谷的骨架,然后基于指纹图像和知识,综合脊和谷两方面的信息得到指纹图像的细节特征。     

基于方向信息测度的图像恢复

文章根据人眼对图像平滑区噪声敏感,而对边缘区不敏感这一特性,提出了基于图像信息测度的图像恢复方法。在图像恢复的过程中,在图像的平滑区加大平滑程度,从而减小噪声;而在边缘区,加大图像恢复程度,从而增强边缘,并且考虑了模糊程度随空间变化这一实际。实验证明本文的方法在增大图像边缘恢复程度,减小噪声放大之间能够达到一个很好的折衷,恢复出来的结果图像视觉效果良好。     

引入统计先验的人脸图像恢复

将人脸形状和纹理的统计先验作为约束，引入经典正则化图像恢复算法框架，并给出迭代求解算法；同时，定义了反映图像模糊程度的边缘活动度，并在迭代的每一步中计算图像的边缘活动度，以确定在迭代求解过程中人脸先验对解进行约束的程度．由于人脸统计先验的约束以及引入边缘活动度来指导迭代求解过程，避免了由经典恢复算法得到的结果中会出现的振铃波纹．对实验结果的分析和主观感受表明：文中算法在恢复质量和抗噪能力方面均取得令人满意的结果．     

基于小波域的图像噪声估计新方法

提出一种基于小波域区域分割的估计图像噪声的新疗法。该方法利用图像的小波高频系数，在提出图像平滑区域的基础上，准确地估计图像高斯噪声的标准方差、由于考虑了图像的局部信息，因此该方法优于传统的估计方法。用于多幅实验图像的结果表明：在图像受噪声比较小或图像含高频信息较丰富时，该方法比传统疗法更准确。