证据理论和神经网络结合的目标识别方法

提出用证据理论和神经网络结合的高分辨率雷达(HRR)目标识别方法,即首先把多个目标高分辨一维距离像送入学习矢量量化神经网络,进行目标类证据估计;然后用D-S证据理论对各次估计结果进行融合.提出了连续特征空间离散化及类支持度构造的方法,并分析了神经网络识别的误差原因.仿真实验结果表明,这种方法的输出正确识别率比仅仅使用矢量量化神经网络有较大的改善,抗噪能力也有所提高.     

实时棒材图像识别与跟踪方法研究

多目标识别跟踪的关键问题是特征提取和目标匹配.为了提取生产线上堆积棒材的特征,提出粘连目标分割和多目标识别的方法.采用中值滤波和形态学滤波去除噪声,自适应阈值化和分水岭变换分割粘连目标;然后采用区域统计、参数识别、噪声区域去除以及聚类分析等手段进行目标特征识别,提取出棒材的质心点坐标作为特征;对棒材图像序列提出采用模板匹配、相近位移匹配和Kalman滤波的方法建立跟踪链,通过插入、删除、更新链节点进行目标跟踪;对于图像处理中可能出现的漏检目标和虚增目标,进行了计数结果校正.在现场采集了100帧连续图像后,采用此方法跟踪计数的精度为96.2%.      

基于朴素贝叶斯分类器的空中红外目标抗干扰识别方法研究

红外诱饵对抗技术的发展使得空战环境日益复杂化,对红外成像制导空空导弹抗干扰目标识别技术提出了更高的要求。红外诱饵的投放使得目标特征的完整性、显著性及稳定性遭到破坏,基于特征融合匹配的统计模式识别方法无法准确识别目标。提出了一种基于朴素贝叶斯分类器的抗干扰目标识别方法,该方法对空战对抗仿真图像数据集进行了特征挖掘,利用实验拟合方法构建了典型特征的概率密度函数模型,构造了朴素贝叶斯分类器,实现了飞机目标和干扰的分类识别。仿真实验结果表明,该方法在已测试的弹道图像数据集下的平均识别正确率达到了81.82%,且能够解决假目标、目标遮挡等抗干扰目标的识别难题。     

基于Gabor滤波器的图像目标识别方法

为了给机器人视觉导航提供有效信息,提出一种基于图像匹配的目标识别方法.对CCD采集的目标图像,由 Gabor 变换生成的二维Gabor 滤波器有着优良的滤波器性能,不需要对图像进行分割,能适应一定的旋转、尺度、光照的变化,通过多个频率和角度的Gabor算子与图像的卷积,获取图像全局信息的特征描述.分类方法采用统计学习理论基础上发展起来的一种新的机器学习方法——支持向量机(SVM, Support Vector Machines),它可解决模型选择、过学习、维数灾难等问题.通过支持向量机进行多维特征向量的分类.该方法可达到较高的识别率,达到实时处理的要求,可以在人脸识别、机器人视觉定位等领域得到应用.      

基于机器视觉的万用表数字识别技术研究

为提高手持式数字万用表校准系统的自动化水平，本文通过研究图像灰度阈值法、传统方法的目标分类和深度学习三种不同类型的字符识别技术，提出了两种基于机器视觉的数字识别方案。测试结果显示，两种方案的字符识别准确率均可达到99.8%，但其在硬件资源占比、编程难易程度上二者还存在显著差异。该机器视觉字符识别功能的成功开发与应用，可为更多无程控通信接口的计量测试设备，及一些不适于人工作业的危险计量工作环境进行类似的数字识别提供借鉴。     

遮挡条件下的鲁棒表情识别方法

提出了一种对面部遮挡具有鲁棒性的表情识别方法.首先,基于鲁棒主成分分析(RPCA,Robust Principal Component Analysis)对待识别人脸进行重构,并对重构人脸和待识别人脸的差值图像进行显著性检测得到面部遮挡区域;其次,将待识别人脸的遮挡区域由RPCA重构人脸的相应区域进行替换,并由权值更新的AdaBoost分类器对遮挡区域重构后的人脸进行表情识别.在BHU(Beihang University)人脸表情数据库和日本女性表情数据库上进行了各种遮挡情况下的表情识别实验,获得了比AdaBoost方法更好的识别结果,说明基于RPCA和AdaBoost的表情识别方法对多种面部遮挡具有较强的鲁棒性.     

模糊特征目标的相对熵识别法

针对模糊特征的目标识别问题，提出了一种结合模糊建模和改进CRITIC方法的相对熵识别方法。计算多个时刻观测值的统计特征，通过模糊建模将观测值转化为模糊数；基于模糊数距离测度，定义并计算目标特征值和观测值之间的相似度；对CRITIC方法进行改进，提出一种目标特征客观权重的求解方法；根据相似度和特征权重，使用相对熵排序法得到识别结果。仿真结果显示：模糊特征能够更好地体现识别中的不确定性，所提方法对模糊特征的目标识别率高，实时性和鲁棒性好，具有一定的应用价值。     

基于多尺度梯度及深度神经网络的汉字识别

介绍了一种基于多尺度滑动窗的方法提取文字的梯度直方图特征,并结合深度神经网络对印刷体汉字进行识别.针对梯度直方图的空间关系,使用可伸缩的滑动窗对图像进行分割,在不同尺度上获取文字的特征信息,有效融合汉字的全局特征和局部分块特征.实验采用5层的深度神经网络模型对国标一级3755个印刷体汉字进行分类,并应用Dropout技术防止训练过拟合,提高神经网络的泛化能力.实验准确率达到98.292%,有较好的识别性能,验证了本文多尺度梯度特征及深度神经网络模型在文字识别上的有效性.      

结合自组织映射网络及三角形算法的星图识别方法

三角形方法是最经典且应用最广的星图识别方法之一,但是存在搜索范围大、匹配冗余、抗噪能力弱等问题。将神经网络技术应用到星图识别过程中,结合自组织映射网络（SOM）优秀的分类能力和三角形算法可靠的角距匹配能力,提出了一种新的识别方法。该方法基于邻近星的分布来构建每颗导航星的特征向量,将其作为SOM网络的输入向量,通过训练得到具有分类识别功能的网络及相应的三角形库。识别阶段,输入待识别星的特征向量,网络输出识别类,在该类对应的三角形库中应用三角形算法查找匹配三角形,完成星图识别。试验发现该方法减小三角形搜索范围、实现快速匹配的同时,提高了识别系统的抗噪能力,在全天识别过程中平均识别时间低于5ms,识别率在噪声标准差为0.025时仍高达99%。     

基于光谱知识的高光谱图像自动识别方法

针对传统高光谱图像矿物识别方法未能充分利用矿物光谱诊断吸收特征与矿物光谱知识、识别过程人为干预多等问题,提出了一种基于光谱知识的高光谱图像自动识别方法.该方法引入了基于光谱吸收特征与波形特征的光谱知识作为自动识别的标准,利用连续统去除操作增强光谱吸收特征,采取基于光谱主次吸收特征的识别决策策略,建立多级约束准则以提高识别精度及避免误识别,通过利用模拟数据进行算法精度评价并应用航空高光谱成像仪AVIRIS(Airborne Visible/Infrared Imaging Spectrometer)数据进行应用分析与验证.结果表明:当图像信噪比大于200时,识别准确率可以达到80.3%,能够得到良好的识别结果以及较高的精度,并实现了基于高光谱图像的矿物自动识别.     

基于改进YOLO V5的无人机航拍图像小目标检测方法

本文针对无人机航拍目标检测技术中目标聚集、目标较小及实时性差等问题,将YOLO V5的主干架构进行改进,简化Neck网络,提出了一种提高检测速度又能准确识别的无人机航拍图像检测技术方案。经过仿真实验测试,改进后的YOLO V5网络在保持识别精度的同时,检测速率提升了31%,满足无人机在航拍作业时对于准确性与实时性的要求。     

基于新息正交的工业CT图像自适应缺陷识别

针对X射线投影图像的特点,研究基于Kalman滤波算法新息正交原理的缺陷识别问题.建立了投影图像的二维状态空间模型,定义了确定图像区域大小与灰度的动态评价函数和相应的阈值.在分析Kalman滤波算法新息正交性的基础上,得到了一种新的缺陷判别方法,提出了图像数据自适应补偿算法,提高了图像的识别效率和精度,并通过实验验证了方法的有效性.     

非连通非确定运动目标的识别方法

针对非连通目标的识别问题,结合人眼识别的特点,提出了一种基于识别目标的全局特征建模,从图象中提取模型特征参数的模型参数识别法,处理的结果表明,此方法参数的识别误差仅为正负一个像素,而且对序列图象能够准实时自动识别,通过对实际图像进行了实验,证实了本方法的有效性。     

基于改进核聚类算法的空间目标识别方法

根据目标区域的矩特征,几何特征以及灰度特征,提取出目标的特征向量,并通过聚类算法对空间目标进行识别,提出了一种基于Voronoi距离的核聚类算法（KFCM）。该算法通过引入一种新的距离度量,使得隶属度函数更加的明晰,改善了核聚类算法极易陷入最小值的问题。运用改进的核聚类算法对3类空间目标进行识别,试验结果验证了算法的正确性和有效性。     

基于深度强化学习的软件定义卫星姿态控制算法

深度强化学习（DRL）作为一种新型的基于机器学习的控制算法,在机器人和无人机等智能控制领域展现出了优异的性能,而卫星姿态控制领域仍然在广泛使用传统的PID控制算法。随着卫星的小型化、智能化以至软件定义卫星的出现,传统控制算法越来越难以满足姿态控制系统对适应性、自主性、鲁棒性的需求。因此对基于深度强化学习的姿态控制算法进行了研究,该算法使用基于模型的算法,比非基于模型的算法拥有更快的收敛速度。与传统控制策略相比,该算法无需对卫星的物理参数和轨道参数等先验知识,具有较强的适应能力和自主控制能力,可以满足软件定义卫星适应不同硬件环境,进行快速研发和部署的需求。此外,该算法通过引入目标网络和并行化启发式搜索算法之后,在网络精度和计算速度方面进行了优化,并且通过仿真实验进行了验证。      

基于深度学习和图匹配的接线图检测与校核

传统的厂站一次接线图的绘制和管理主要依靠电网运行人员,费时费力且缺乏科学可校核的参考标准。提出了一种基于深度神经网络和数字图像处理相结合的厂站一次接线图的自动检测、识别和校核算法。首先,使用目标检测Faster R-CNN模型检测厂站接线图中的电器元件,并达到92%的检测准确率,同时使用端到端的文字检测识别模型识别厂站接线图中的文字信息,并达到94.2%的文字检测准确率和92%的文字识别准确率;然后,使用数字图像处理技术进行厂站接线图连接线、拓扑关系识别;最后,使用改进的VF2算法进行厂站一次接线图和人工维护的厂站一次接线图拓扑关系匹配校核,将拓扑数据抽象为无向图,通过轮廓序号得到元件的相对位置信息,根据改进的VF2算法得到2张图的匹配率,并通过匹配率与设定好的阈值来帮助核验,相比于节点遍历的匹配方法,核验准确率提高了37.5%。基于某供电公司提供的部分变电站的厂站一次接线图标注了接线图电器元件,贡献了一个小型接线图数据集。      

一种高效的油液磨粒图像自适应分割方法

为了提高油液磨粒图像的分割效果,优化磨粒自动识别工作的重要环节,提出了一种结合分水岭算法及区域相似度合并的油液磨粒图像自适应分割方法。对于待分割图像,首先通过形态学重构和基于形态学的自适应H-minima技术对梯度图像进行修正,利用分水岭算法完成磨粒图像的一次分割;其次提取分水岭分割后同质区域的Lab颜色特征、局部二值模式（LBP）纹理特征作为区域的量化指标,基于Bhattacharyya系数分别计算区域间的颜色、纹理相似度,设计可以实现权重自适应调整的颜色、纹理特征融合规则,以此来获取同质区域的综合相似度矩阵,实现过分割区域的合并;最后基于统一的后处理算法完成磨粒图像的完整分割。选择60幅磨粒图像对所提方法的分割效果进行测试,结果表明,单幅图像的平均分割速度在12 s左右,分割正确率稳定在90%以上,所提方法避免了用户在分割过程中对图像的交互式处理,较好地平衡了分割效率和分割精度,自适应程度明显提高。