共查询到18条相似文献，搜索用时 187 毫秒
1.
《烟台职业学院学报》2015,(4):86-89
本文介绍了传统的脉冲耦合神经网络模型的基本原理及结构,并在此基础上提出了一种基于赋时矩阵的简化脉冲耦合神经网络模型。通过将其应用于图像特征捆绑的具体实际,即利用赋时矩阵记录的各神经元第一次点火时间将图像的颜色与形状信息进行特征的分离及捆绑,从而验证了本文模型的有效性。 相似文献
2.
形状特征是目标识别的重要参数,而小波变换的低频部分代表物体的总体形状特征.首先选取SYM小波,利用小波变换的低频系数重构图像提取物体总体形状,进而利用特征不变矩距离进行目标识别。将该方法应用在实测车标图像的识别中,结果表明该方法识别效果较好。 相似文献
3.
在极化合成孔径雷达（PolSAR）地物分类研究中,基于卷积神经网络的图像分割算法存在高维特征信息冗余而导致的分类边界模糊、分类精度低、计算复杂等不足,提出一种基于卷积神经网络和EM算法的轻量化图像分割网络,称为低秩重构网络（low-rank-reconstruction-net,LRR-Net）,应用于全极化SAR图像的地物分类。LRR-Net从极化目标分解的思想出发,利用EM算法对特征进行低秩重构,将特征从高维空间映射到低维空间,在减少参数的同时实现更精确的分类。用高分三号全极化图像数据对模型进行训练测试并评估,结果表明模型在保证分类精度的前提下,降低了模型复杂度。 相似文献
4.
为实现对集装箱箱号的正确识别,提出一种基于模板匹配和特征匹配的识别算法。对采集到的集装箱图像进行预处理,得到改善后的集装箱二值化图像;采用数学形态学操作使字符域连通,计算字符连通域的宽高比得到集装箱箱号区域;利用投影检测方法实现对箱号字符的分割;运用模板匹配算法与特征匹配算法相结合的分类方法对集装箱箱号字符进行识别。该算法用MATLAB进行编程,完成对集装箱箱号的自动定位、分割和识别。提出的方法可正确识别出集装箱箱号,识别率达到93%,识别时间为130～150 ms,可提高码头的工作效率。 相似文献
5.
近年来,人脸识别技术作为生物特征识别技术中的关键技术之一,凭借其独特的发展优势,成为人工智能和模式识别领域的一个研究热点,受到越来越多研究学者和机构的关注.由于其具有直接、友好和方便等特点,因此具有广泛的应用领域和发展前景.本文在人脸识别技术的研究基础上,将该技术应用于门禁系统,并给出了一种设计方案.该系统的工作流程主要包括人脸图像采集和人脸检测、预处理、特征提取和分类识别.为了提高系统的识别效率,我们在系统设计中采用了与传统的门禁系统不同的特征提取算法,即利用2DLDA算法来提取人脸特征.最后利用最近邻分类器进行分类识别.通过在DRL人脸数据库上的实验来验证算法的有效性和系统的可行性. 相似文献
6.
将Gabor滤波器和各向异性扩散方程相结合,提出了一种基于活动围道的无监督纹理图像分割算法.采用基于总变分流的扩散函数,各向异性扩散方程可以有效地在保留纹理图像大尺度边界信息的同时,对图像纹理区域进行平滑,获得比原始图像更易分割的简化图像.但是平滑过程中纹理信息的丧失,限制了该方法的通用性和有效性.为了在利用各向异性扩散方法的同时,有效地提取和利用纹理信息,我们利用Gabor滤波器提取一组表征纹理方向性和尺度性的特征图像;同时将原始图像作为表征纹理灰度信息的一个特征通道考虑;再利用矢量形式的各向异性扩散方程,对特征图像进行边界保持的各向异性平滑.将基于区域灰度统计参数估计的活动围道分割方法扩展到矢量空间,来对平滑后的纹理特征量进行分割.实验证明,利用该纹理分割算法可以获得较好的效果. 相似文献
7.
为提高单目视觉里程计算法的性能，从视觉特征选取和特征误匹配剔除两个方面进行研究.采用SURF描述子提取单目图像的特征点，并匹配相邻图像序列的特征，使用归一化线性八点法依次得到基础矩阵和本质矩阵.利用三角测量求解匹配点的三维坐标，进而根据2D 2D模型解算出两帧图像间相机运动的旋转和平移，从而构建单目视觉里程计系统.为提高算法性能，使用RANSAC算法清除初次计算的特征误匹配，并利用地面数据获取相机运动的平移尺度.实验结果验证了RANSAC算法能够有效剔除特征误匹配,降低单目视觉里程计的累积误差. 相似文献
8.
仿效人类的视觉认知过程,提出面向目标的图像超分辨率算法.只需从一幅车牌图像就可以恢复目标的细节信息.该算法使用先检测、后重建的思路,通过联合稀疏编码建立目标高低分辨率图像片之间的关系,以目标可以稀疏表示为先验,检测到目标区域后,通过压缩感知重建图像.实验表明,重建图像的峰值信噪比(PSNR)较传统方法约有2dB的改善.此外,还验证了超分辨率重建改善了车牌识别结果,可以消除20%的错误识别字符. 相似文献
9.
合成孔径雷达（synthetic aperture radar,SAR）自动目标识别过程主要包括目标特征提取和分类器训练两个步骤。提出一种基于深度卷积神经网络（deep convolutional neural networks,DNNs）的SAR自动目标识别方法,使用一类优化的DNNs网络结构对SAR图像目标进行分类训练。该网络结构自动提取目标类别特征,避免人工预选取特征方法带来的不标准性。在DNNs网络模型训练过程中引入迁移学习的概念,以防止结果陷入局部最优解和加快模型参数的训练。最后使用美国运动和静止目标获取与识别MSTAR数据集进行试验,给出该方法与其他分类方法结果的对比,证明其取得较高的分类正确率。 相似文献
10.
基于SVM分类器的集装箱箱号识别法 总被引：1，自引：1，他引：0
为准确、高效地识别集装箱箱号,提出基于支持向量机(Support Vector Machine,SVM)分类器的集装箱箱号识别法.在对大量箱号图片进行实验并统计各种特征识别率的基础上,经过预处理、箱号定位、字符分割,得到36×22像素大小的二值化图像;提取箱号字符的边界和质心特征、改进的灰度直方图特征以及边缘方向直方图... 相似文献
11.
点集匹配是计算机视觉和模式识别中的重要问题，在目标识别、医学图像配准、姿态估计等方面都得到广泛应用。提出基于机器学习的端对端模型——multi-pointer network（MPN）来解决点集匹配问题。该网络模型利用多标签分类的思想，改进pointer network。以前的模型只输出输入序列的一个元素，而MPN模型选择输入序列中的一组元素作为输出。首先，把点集匹配问题转换为序列问题。这样，网络的输入为顶点的坐标序列，输出为点对之间的对应关系。利用这种方式，可以解决相对于整个空间的平移变换和其他大幅度的刚性变换。实验结果表明，模型也可以被推广解决其他带结构的组合优化问题，如三角剖分等。 相似文献
12.
陈华 《济宁师范专科学校学报》2006,27(6):20-22
神经网络图像识别技术是一种新型图像识别技术，是在传统的图像识别方法和基础上融合神经网络算法的一种图像识别方法。神经网络用于图像识别一般都要提取图像特征，然后把提取好的图像特征送入神经网络识别器进行识别。BP神经网络图像识别方法不对图像作特征提取，直接把图像数据作为神经网络识别器的输入。通过用MATLAB完成的网络的训练与测试表明，不作特征提取的神经网络图像识别系统具有很强的抗干扰能力。 相似文献
13.
导弹发射井是重要的遥感目标,发射井目标检测的研究对国防事业意义重大。在数据层面,由于发射井样本数量少,目前没有可用于其目标检测的有效数据集,构建有效的数据集对相关领域研究有极大价值。在算法层面,遥感图像分辨率的不同导致发射井目标呈现多尺度的特性,这是解决发射井目标检测问题的难点之一。基于以上分析,首先利用Google Earth构建首个发射井目标检测的数据集,然后针对发射井目标检测任务设计有效的检测模型。本文的模型充分融合了目标的多尺度特征和上下文的信息,并通过级联网络多阶段检测目标,有效检测出多尺度导弹发射井目标,检测效果优于目前主流的算法。 相似文献
14.
针对形状特征,提出了一种基于主动式边界基元模型的多类目标自动识别方法. 该方法以主动式边界基元为基础构建字典,可准确描述各类目标的形状结构, 不受尺度、旋转等变化的影响;然后,综合分析上下文信息进行概率学习,采用级联框架和Bootstrap动态采样训练最优边界分类器,实现目标的类别识别和位置定位,并可获取精确形状. 实验结果表明,该方法能有效提取多种类型和复杂结构的目标,具有较强的实用价值. 相似文献
15.
针对图像识别的不确定问题,提出一种基于Dempster-Shafer(D-S)证据理论的信息融合图像识别算法.用灰度-相位共生矩阵和灰度-梯度共生矩阵提取图像的纹理特征参数,对纹理特征参数进行转化得到待识别图像在其他类图像上的信度函数分配;利用D-S联合规则得到融合后的信度函数分配,从而准确识别图像;通过单一矩阵图像识别结果与融合识别结果比较,说明D-S数据融合在识别图像方面的优越性. 相似文献
16.
以单目观测下三维刚体目标的姿态估计为研究对象,针对现有迭代估计方法存在的收敛半径小和收敛速度慢的问题,提出一种新的基于2D-3D泛轮廓点对应的迭代姿态估计方法.与现有的基于数值优化的方法不同,本方法从输入图像的2D泛轮廓点出发,着眼于显性地建立输入图像到目标三维模型的2D-3D特征投影对应关系,进而以此显性投影对应关系对目标的三维姿态参数进行估计.实验结果表明,该方法在算法复杂性、收敛半径和收敛速度上均有明显改进. 相似文献
17.
基于无人机影像的高精度人脸识别在应急救援、嫌疑人员跟踪等场景中发挥着重要作用。深度学习卷积神经网络以其较高的精度和较少的人为干扰被广泛应用于目标检测识别领域,能很好地应用于无人机影像人脸识别任务中。探究在无人机嫌疑人员识别应用场景下利用卷积网络进行人脸高精度识别,用改进后的YOLOv3(you only look once)进行无人机影像的人脸检测,将得到的预测框对齐后输入到经典的Facenet人脸识别网络中进行目标身份的判定。实验对比了改进后的YOLOv3、原始YOLOv3和MTCNN(multi-task convolutional neural network)的检测效果以及结合Facenet进行人脸识别的效果。结果表明：1)改进后的YOLOv3相对于原始YOLOv3不仅精度和召回率得到提升,而且模型参数量有所减少,无人机影像的漏检和错检现象也轻于原始YOLOv3;此外,改进后的YOLOv3相对MTCNN的AP(average precision)提升9.49%,检测速度也约是MTCNN的3倍;2)改进后的YOLOv3+Facenet相对于原始YOLOv3+Facenet及MTCNN+Facenet对人脸的区分能力更强,精度更高,对遮挡以及模糊的鲁棒性也更强。 相似文献
18.
对已知目标形状,利用核主成分分析方法非线性建模,并根据高分辨率遥感图像特点,提出一种新的融入形状先验、图像边缘、颜色以及阴影信息的目标提取方法.该方法构造了基于活动轮廓模型的能量函数,并通过迭代的全局最优化方法最小化,实现对目标的准确分割提取.实验结果表明,该方法不仅能准确高效分割提取目标区域,而且能抵制背景噪声干扰,具有很强的鲁棒性和实用价值. 相似文献