一种基于不变矩和SVM的图像目标识别方法

本文提出了一种利用不变矩和支持向量机(SVM)对图像目标进行识别的方法.该方法提取目标的6个不变矩作为特征矢量,应用SVM方法对其进行分类识别.结果表明,这一方法对仅含有目标和背景的图像具有很好的分类识别能力.此外,还发现图像二值化取值范围对识别结果有直接的影响.     

基于支持向量机决策树的航空发动机轴心轨迹识别方法

针对航空发动机转子轴心轨迹难以准确自动识别的问题,提出了基于二维形状不变矩和支持向量机（SVM）决策树的识别方法。对信号滤波降噪和倍频提纯,形成比较清晰的轴心轨迹;利用二维形状不变矩提取轴心轨迹的图形特征,得到不变矩特征向量,进而构造特征故障的训练和测试样本;采用SVM进行训练和学习,构造SVM决策树,识别故障类别,分类正确率达93.3%以上。应用实测弹支振动应力信号对该方法的准确性进行了验证,结果表明,该方法有效地解决了航空发动机转子轴心轨迹自动识别准确率低和小样本问题。     

一种新颖的目标区域识别算法

文中就不变矩区域描述算法的缺陷,提出了一种新的目标区域的识别算法.该算法运用目标区域的外接椭圆的几何特性,结合二叉树的多尺度功能,有效地实现了对目标形状的描述.这种算法不仅具有平移、旋转、缩放的不变性,而且具有多尺度性和细节差异的不变性.只要目标区域的大体形状固定,细节的差异就不会影响识别率.试验验证,利用新算法比用不变矩算法的系统目标识别率提高了15%以上.     

基于小波矩和模糊核聚类的示功图诊断方法研究

提出了基于小波矩特征和模糊核聚类算法的示功图故障诊断方法.通过边缘检测和形态学细化的方法完成示功图的图像分割,采用极坐标下小波不变矩算法提取示功图的形状特征,通过参数选择确定12个小波矩特征量,将特征量输入到模糊核聚类分类器中进行故障类型的分类识别,得到了良好的实验效果,验证了该算法对于示功图故障诊断的有效性.     

MGTS单航线测量用于磁性目标模式识别

磁梯度张量系统（MGTS）二维平面网格测量常用于磁性目标识别，但其测量难度大、采集效率低、仪器精度要求高，为此提出一种基于MGTS单航线测量的磁性目标模式识别方法。首先，对磁梯度张量分量、特征值、不变量等15个属性量进行磁化方向敏感程度分析，其中对磁化方向较敏感特征量用以识别目标姿态，而不敏感特征量用以识别目标形状；然后，进行MGTS单航线测量，提取测量特征量的时域信号波形特征参数，并设置相应类别标签，主成分分析（PCA）降维方法用以实现特征可视化并确定最佳特征维数；最后，利用麻雀搜索算法优化的核极限学习机（SSA-KELM）对航线测量样本数据进行训练和测试，最终实现磁性目标的模式识别。仿真中对磁偶极子的不同磁化方向类别和球体、长方体和圆柱体等几何体的不同形状类别的识别精度均达到100%；实验中针对3种形状磁铁及其3类姿态共测量了180条学习航线，在6:4的训练测试比下，磁铁姿态和形状识别结果完全准确。     

基于Blob算法的机器视觉图像识别方法的研究

本文介绍了Blob算法实现机器视觉图像识别的方法,在此基础上提出识别规则物体的方法,利用不变矩、图形的面积和周长的比值来识别物体的形状,从而识别出规定形状的物体。     

基于局部特征提取的目标自动识别

提出一种基于局部特征提取的目标识别方法,用于自动识别不同尺度,视角和照度条件下的目标.首先,建立图像的尺度空间;结合海森矩阵和Harris算法提取局部特征点,计算该特征区域的方向和灰度梯度及方向;统计出每块子区域的标准灰度梯度直方图,得到128维的特征向量.然后,基于主成分分析的降维算法来降低特征向量的维数,加快识别的计算速度.最后,采用特征空间分类器增加目标识别的速度.实验结果表明:基于局部特征提取的目标识别达到了较高的识别率,在视角、尺度和照度变化下的识别率分别为61.9％,80.5％和84.4％,平均识别时间为130.9 ms.与尺度不变特征变换(SIFT)和加速鲁棒特征(SURF)算法相比,本算法不仅在不同的视角,目标尺度及照度条件下具有较高识别率,而且识别速度比SIFT方法高.     

基于不变矩图像匹配的工件种类判别应用研究

本文针对实际生产线上工件类型依靠传统手段很难区分的情况,提出采用数字图像进行判别。先对采集的工件图像进行灰度变换、数字滤波、二值化处理,目的是尽可能突出目标,降低运算量;再根据工件实际放置会发生位置偏移,小角度倾斜等情况,以不变矩作为匹配特征量进行判别,计算待识别目标不变矩和模板不变矩的相似程度,对工件类型进行判别。结果表明该方法运算量适当,能满足实时性要求一般的工业场合。     

基于曲线不变矩和2d-HMM的轴心轨迹自动识别系统

分析旋转机械轴心轨迹的特点,构建出以曲线不变矩为特征,用二维隐马尔夫模型(2d-HMM)进行分类的轴心轨迹自动识别系统。该系统综合应用小波滤波、曲线不变矩、2d-HMM理论,实现识别过程的自动化,并通过实验验证了它的有效性。     

基于水平集和支持向量机的图像声呐目标识别

为了能实现水下遇险目标的精确定位,首先要对声呐所获取的图像进行目标识别。利用水平集法获得水下声呐图像中目标轮廓后,提取目标轮廓的7个不变矩作为特征矢量,并将获取的不变矩特征输入到已经训练好的支持向量机中进行识别,从而得到识别结果。所使用的识别方法综合了基于水平集提取轮廓的长处,不变矩的位移、尺度、旋转不变性的特点和支持向量机在小样本、非线性模式识别中的独特优势。实验结果表明:该方法对高分辨率图像声呐具有较高的识别率和较低的误判率,对原始声呐图像的目标识别率高达99%,对加入方差为0.09的高斯噪声的声呐图像的目标识别率可以达到97%。