基于几何不变性和BP网络的二维目标识别算法

提出了一种基于几何不变性和BP网络的二维目标识别算法.该算法不仅能适应目标物体在旋转、缩放和平移变换(RST变换)下的不变性识别,而且能适应仿射及射影变换下的不变性识别.算法通过对目标物体边缘点进行规格化和对规格化后的边缘点进行5点不变量穷举计算解决了模型图像与目标图像的对应点选取问题;通过将不同观测方位和不同旋转角度的样本图像边缘点的5点不变量集合作为输入向量对BP网络进行训练解决了由于仿射和射影变换造成规格化边缘点间距变化对正确分类的影响.算法不仅能识别多边形而且能识别曲线轮廓的目标物体.      

基于ASIFT的离线签名认证方法

通过分析现有局部不变特征方法及含伪装签名数据集的特点,提出了一种基于具有仿射不变性的尺度不变特征变换(ASIFT)的离线签名认证方法.该方法对签名图像进行预处理(包括灰度化和放缩),对处理后的图像进行ASIFT关键点检测和特征描述符提取,对从查询签名图像和参考签名图像中提取到的描述符进行匹配,对匹配的结果采用随机采样一致性(RANSAC)方法去掉错误匹配,并计算正确匹配点的描述符之间的平均距离;通过比较平均距离及正确匹配点的个数与给定阈值的大小来判断认证是否成功.使用了含伪装签名的数据库对提出的方法进行测试,实验结果表明该方法与现有方法相比等误率降低了5%.      

基于图像特征分析的物体轮廓提取

对物体的轮廓进行分析提取,是计算机视觉方向的基础问题之一,对其进行研究对于复杂场景的分析理解至关重要。本文对室内场景图像进行研究,基于图像特征进行图像分割,提取物体轮廓。在彩色场景图像全局轮廓后验边界概率（gPb）提取算法的基础上,加入深度图像信息,对室内场景的彩色、深度（RGB-D）图像中的物体轮廓进行分析。通过多尺度信息融合,计算得到多尺度轮廓后验概率（mPb）和谱后验概率（sPb）,两后验概率加权综合得到gPb。而后结合超度量轮廓图与分水岭算法,对基于方向特征变化的gPb图像融合处理,最终得到清晰的物体轮廓。本文所提方法在通用的RGB-D数据库基础上进行实验。实验结果表明,本文所提出的方法能提取出清晰的室内物体轮廓图。      

基于多特征的高分遥感图像分割算法研究

针对传统的图像分割算法不能完全适用具有多种特征〖BF〗（〖BFQ〗光谱特征、纹理特征和几何特征〖BF〗）〖BFQ〗的高分辨率遥感图像的问题,提出了一种基于多特征的遥感图像分割算法。算法基于改进的均值漂移滤波和自动标记分水岭分割方法来实现最终分割。首先利用自动标记分水岭分割方法对遥感图像进行分割,进而采用仿射不变矩形状特征算子提取图像几何特征;其次对图像进行主成分分析,计算第一主成分灰度共生矩阵,分析矩阵特性得出纹理特征;然后结合光谱特征通过改进的均值漂移方法得到多特征滤波结果;最后利用分水岭分割方法实现高分辨率遥感图像分割。为了表明算法的分割效果,利用基于多光谱信息熵方法对算法和单一的分水岭分割方法进行非监督评价。研究结果表明,算法可较好地改善遥感图像的过分割问题,是一种适合高空间分辨率多光谱遥感图像的分割算法。     

基于菲涅耳变换的不变矩提取及目标识别方法

提出了一种基于菲涅耳变换的不变矩特征提取方法,并应用于图像目标识别.利用菲涅耳变换得到图像的衍射图样,将图像映射到菲涅耳衍射空间;在衍射空间提取几何矩或正交矩来获取图像全局信息的特征描述;利用k近邻法识别目标.实验结果表明基于菲涅耳变换的不变矩提取方法对于平移、尺度及旋转变化的图像目标具有更高的分类精度和抗噪声能力.     

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%.      

一种基于深度学习的交互式电话号码识别方法

物流、保险和中介服务等行业需要频繁地拨打电话,而人工拨打电话效率较低,高效的电话号码识别技术具有重要的应用价值。传统的印刷体数字识别方法存在人工设计特征过程复杂、识别字体单一等不足,难以满足实际应用需求。本文提出了一种基于深度学习的交互式的电话号码识别方法,通过鼠标双击图像中的电话号码,自动截取出包含此号码的目标区域,并进行灰度化、二值化、目标区域定位、字符分割和图片补白等预处理操作,在此基础上利用改进的LeNet-5卷积神经网络（CNN）自动学习图像特征,支持多种字体、字形和字号的印刷体数字识别,并利用交互式识别和内存池等方法提高识别速度。实验结果表明,单一字符的识别率为99.86%,整个号码的识别率为99.50%,整个号码平均识别时间为91 ms。本文方法识别精度高、识别速度快,具有较为广泛的应用前景。      

昆虫翅膀图像特征的亚像素级提取方法

昆虫翅脉、翅脉交点及翅膀边缘是昆虫翅膀运动变形三维重构的主要依据.通过分析这三种特征的图像特点,对于翅脉中心,采用Hessian矩阵求出灰度极值点方向,并用二次曲线拟合该方向的灰度变化,通过确定该曲线极值点位置来提取亚象素翅脉中心;然后通过求灰度图像的梯度,在其梯度变化方向求极值点的方法提取翅膀边缘特征;此外根据翅脉方向变化的连续性提出了邻域角度约束方法确定翅脉交叉点,从而最终提取到亚像素级的翅膀边缘、翅脉及交叉点等特征.实际应用证明该方法是较为有效的.     

Gaussian-Hermite矩旋转不变矩的构建

矩及矩的方程因其较强的表述图像特征的能力在图像处理与模式识别中有着广泛的应用,但目前基于具有正交性质的Gaussian-Hermite矩的研究还比较有限.针对Gaussian-Hermite矩进行深入的研究,将其推广到极坐标下复数空间中,提出Polar-Gaussian-Hermite矩;给出利用升降算符计算矩的方程的方法;并利用极坐标下复数空间中的优势,以及它们之间的一一对应关系,推导Gaussian-Hermite矩的旋转不变矩,并给出其旋转不变矩的独立与完备集.实验结果验证所提出的旋转不变矩的正确性,以及良好的数字稳健性.     

真实场景水下语义分割方法及数据集

随着水下生物抓取技术的不断发展,高精度的水下物体识别与分割成为了挑战。已有的水下目标检测技术仅能给出物体的大体位置,无法提供物体轮廓等更加细致的信息,严重影响了抓取效率。为了解决这一问题,标注并建立了真实场景水下语义分割数据集DUT-USEG,该数据集包含6 617张图像,其中1 487张具有语义分割和实例分割标注,剩余5 130张图像具有目标检测框标注。基于该数据集,提出了一个关注边界的半监督水下语义分割网络(US-Net),该网络通过设计伪标签生成器和边界检测子网络,实现了对水下物体与背景之间边界的精细学习,提升了边界区域的分割效果。实验表明:所提方法在DUT-USEG数据集的海参、海胆和海星3个类别上相较于对比方法提升了6.7%,达到了目前最好的分割精度。      

无人直升机自主着舰系统设计及仿真试验

设计了一套包含视觉目标识别单元、目标跟踪器、甲板状态跟踪器和模糊逻辑控制的无人直升机自主着舰系统.视觉系统通过对采集的图像预处理提取出可能的甲板标识区域,然后对此区域计算其仿射不变矩特征集合,对得到的特征集经过模糊识别技术实现对甲板降落区域的识别,并根据矩特征集计算出甲板运动状态信息.目标跟踪器采用了卡尔曼滤波技术,在目标二阶运动方程的基础上设计了跟踪算法.甲板运动状态跟踪器用于在无人直升机的降落期间实现对甲板尤其是触舰瞬间甲板的纵摇、横摇及浮沉状态的预测,该跟踪器采用了改进的卡尔曼多步预测算法.设计了基于模糊逻辑的比例积分控制器,由多个并行的对特定任务实施控制的子控制行为构成.仿真试验结果验证了所提出的算法.在仿真试验中,无人直升机能够正确的识别甲板目标区域,实现了对运动舰船在二维水平面内的跟踪,甲板状态跟踪器能够预测未来1~5个周期内甲板状态,控制器基于目标信息和甲板状态能够正确地引导无人直升机实现安全着舰.     

标准图压缩法

以迭代函数系统为基础的分形图象压缩方法是一种新的有效的图象数据编码途径，在分析分形图象压缩方法优缺点的基础上，提出了一种基于仿射变换的标准图压缩法，此法的恢复图象质量与压缩恢复速度均明显优于分形图象压缩法。     

一种高动态条件下惯性星光组合定姿方法

针对高动态条件下星图拖尾导致惯性星光组合定姿精度下降甚至无法定姿的问题,提出了一种基于乘性扩展卡尔曼滤波的惯性星光深度组合姿态确定方法.利用星敏感器观测信息修正姿态误差,补偿陀螺漂移,并建立了陀螺输出的角度变化量与星图像移的关系,利用陀螺输出信息估计星图拖尾的模糊参数,采用维纳滤波复原方法对产生拖尾的星图进行复原以提高星图信噪比和观测精度.仿真结果表明该方法可以有效提高星像质心提取精度和星图识别率,对初始姿态误差修正更快,且不存在星图误匹配的情况,保证了惯性星光组合定姿方法在高动态条件下仍能保持较高的精度.     

Improved detection of faint streaks based on a streak-like spatial filter

This paper presents an algorithm to detect very faint object streaks on CCD images acquired with an optical system. The proposed detection method uses image filters simulating the geometrical form and orientation of possible streaks on the CCD image. The method searches for a matching between streak and filter evaluating the convolutions of the image with all possible filters. Based on the statistics of the image background a threshold is applied in order to accept, respectively reject, the possible streak candidates. The detection probabilities and the effect of different parameter settings are estimated with tests on simulated images, while subframes of real images are used to evaluate the applicability of the algorithm to real cases. The detection probability of this method depends on the length and on the signal-to-noise ratio of the streak. For long streaks, a detection for signal-to-noise values around 0.5 is achieved. The further characterization of the detected streak (e.g. centroid and length), which is not performed in the current algorithm, and the reduction of the computation time, which is relatively high for full acquired frames, as well as possible improvements are briefly addressed.