基于边缘与颜色信息的车牌精确定位算法

针对现有车牌定位算法定位率不高和速度慢等问题,结合数学形态学,提出了一种基于车牌边缘检测与颜色信息的精确定位算法.首先对图像进行灰度化、平滑去噪及灰度拉伸等预处理,然后对图像进行垂直边缘检测和二值化处理;再采用线过滤算法滤去干扰边缘线信息,并利用车牌区域灰度变化次数多的特性定位出车牌上下边缘;对经过上下边缘定位后的车牌采用点密度过滤算法滤去零散点,接着采用数学形态学方法寻找连通域粗定位出车牌区域;最后对粗定位车牌在HSV空间进行颜色分割和倾斜矫正,从而精确定位出车牌.实验结果表明,该算法能够实现车牌的快速精确定位.      

基于顶点与主体区域同步检测的精准车牌定位

为应对非约束环境下的车牌精定位问题,提出一种基于顶点局部区域与主体区域同步检测策略的非约束性车牌定位算法。通过删减YOLOv5网络的输出结构,训练得到可同步检测车牌及顶点区域的车牌检测网络,在兼顾精度与计算速度的前提下,实现车牌顶点和主体区域的同步定位。针对一幅图中存在多个车牌区域及顶点区域存在少量漏检和误检的情况,分别设计了车牌顶点归类和单一缺失顶点预测后处理算法,借助顶点间的空间位置关系进行漏检目标预测和误检目标排查,有效改善了因场景复杂导致的个别顶点目标检测效果差的问题。所提算法在中国城市停车场数据集(CCPD)上的测试结果显示,平均精准率达99.25%,平均召回率达98.70%。所提算法不仅能够准确预测出车牌的4个顶点坐标,而且在中端GPU硬件平台上处理速度可达121帧/s,具有较好的应用价值。     

基于支持向量的迭代修正质心文本分类算法

针对质心分类算法容易产生归纳偏置或模型失配问题的不足,提出一种基于支持向量的迭代修正质心分类算法.该方法仅使用由支持向量机(SVMs,Support Vector Machines)选出的支持向量来构造质心向量,然后利用训练集误分样本来迭代修正初始质心向量.与其他分类算法相比,该算法取得较好的宏平均F₁和微平均F₁,在8个常用文本分类数据集上的实验验证了该算法的有效性,特别是在不均衡文本语料上.     

基于图像纹理的自适应水印算法

图像水印技术是一种在图像中嵌入被称为水印的版权标记,以证明图像版权归属的技术。利用图像纹理粗糙区域易于隐藏水印的优势,提出了一种基于图像纹理的自适应水印算法。首先,设计了一种能够真实反映图像纹理丰富程度的纹理度量方法,引入全局纹理值和局部纹理值的概念来综合分析图像纹理的分布情况;其次,利用滑动窗口和窗口内区域的局部纹理值,精确地获取图像的纹理粗糙区域,将水印嵌入在纹理粗糙区域中,保证嵌入水印图像的视觉质量;然后,通过多元回归分析,得到水印嵌入参数与纹理粗糙区域的全局纹理值和局部纹理值的函数关系,根据区域的纹理值自适应地调整水印的嵌入参数,最大限度地保证水印的不可见性,增强水印的鲁棒性;最后,通过在多个不重叠的纹理粗糙区域中嵌入相同的水印,进一步提高水印提取的准确率。在100幅自然场景图像上进行模拟实验,从不可见性、自适应性和鲁棒性三个方面证实了所提算法相比已有自适应水印算法的优越性。      

基于回归型支持向量机的空战目标威胁评估

空战目标威胁评估是协同多目标攻击中的关键问题.针对传统空战目标威胁评估方法在确定权重系数方面的不足,提出了一种新的基于回归型支持向量机的评估方法.在分析了现有的空战目标威胁评估方法中距离威胁模型存在缺陷的基础上,提出了改进的距离威胁模型.建立了基于回归型支持向量机的空战目标威胁评估模型,利用该模型对想定的空战目标进行了威胁评估.仿真结果表明,该方法具有很好的预测能力,可以快速、准确地完成空战目标威胁评估.     

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.      

基于规范割的空间金字塔图像分类算法

对大型图像数据库进行图像分类是很困难的,空间金字塔算法针对这种问题提出,并能得到很好的分类精度,但有几点不足.针对这些不足,提出基于规范割的空间金字塔算法:使用规范割算法对特征词进行更准确的聚类;对每类训练图像计算子特征库,利用二次聚类生成总特征库,在特征字典中保留更多的稀疏类型图像特征词;用高斯模型量化未知特征生成特征直方图,并对直方图进行尺度重整,提高类间距.实验证明提出算法比原方法分类精度最多能提高4.6%.     

基于NN与SVM的图像质量评价模型

为了有效地评价图像质量,利用峰值信噪比(PSNR,Pear Signal to Noise Ratio)和结构相似度(SSIM,Structure Similarity)作为图像质量的描述参数,给出"野点"的定义,提出"野点预测"并基于神经网络(NN,Neural Network)与支持向量机(SVM,Support Vector Machines)建立新的质量评价模型:神经网络用来获取质量评价映射函数,支持向量机实现样本分类.采用UTexas图像库数据进行仿真试验,质量评价模型预测图像质量的单调性比PSNR提高7.42% ,质量评价模型预测结果的均方误差平方根比PSNR提高36.06％,模型性能测试中"野点"的数目相对减少,模型性能得以提高.试验结果表明该模型的输出能有效地反映图像的主观质量.      

基于贝叶斯准则的支持向量机预测模型

对实际统计数据中存在的相关性、不确定性和非线性问题,提出贝叶斯支持向量机预测模型方法.构建基于高斯分布的权值分布模型描述信息的不确定性,基于先验概率分布和贝叶斯关系获得后验分布模型,利用极大似然方法和递推迭代算法求解后验分布的最佳参数,从而得到关联向量机.建立起基于参数分布多维时间序列预测模型,将每一步迭代过程中的支持向量机输入作为随机变量,考虑数据不确定性的传递,递推得到贝叶斯支持向量机预测输出.由于贝叶斯支持向量机可以有效反映随机影响及其传递,可以克服数据不确定性和相关性的影响,因此基于贝叶斯支持向量机预测效果更加符合实际.实例表明利用贝叶斯支持向量机预测高科技企业发展趋势与实际发展趋势接近,可以克服数据相关性、不确定性和非线性对信息模型的影响,具有较高的预测精度和预测鲁棒性.     

基于混合深度特征的红外目标抗干扰识别算法

复杂干扰条件下的红外空中目标识别技术是空战对抗领域的热点研究课题,复杂人工干扰严重遮蔽目标,导致目标特征的连续性与显著性遭到破坏,无法全面描述识别对象的特性,造成空中目标识别准确率下降。针对此问题,提出一种基于图像混合深度特征的空中目标抗干扰识别算法。首先,基于卷积神经网络进行图像深度特征的提取,将深度特征与梯度直方图(Histogram of Gradient, HOG)特征进行有效融合,构建混合深度特征。针对作战场景中的目标与干扰的对抗态势多样性,将支持向量机的二分类模型改进为三分类模型,对目标、干扰以及目标干扰粘连三种状态进行精确分类。实验结果表明：在复杂干扰环境下,基于混合深度特征的空中目标抗干扰识别算法正确率为92.29%,该算法可以有效地解决目标被干扰遮蔽、形成目标干扰粘连状态时的抗干扰识别问题。     

基于互相关矢量图的车牌定位新算法

互相关矢量图是由流场粒子图像测速的互相关计算结果绘成的矢量图形,提出一种车牌自动定位的新算法--VMLA算法,该算法基于字符笔画左右边缘之间的互相关矢量图的结构特点,可以从复杂车牌图像背景中搜索到车牌的正确位置.VMLA算法具有较强的车牌大小自适应性和实时处理能力,540幅车牌图像的实验结果初步验证了该方法的有效性.     

基于先验知识的红外图像汽车牌照定位方法

由于汽车牌照图像背景复杂,存在各种各样的噪音干扰,很难准确定位汽车牌照.因此提出一种快速、自动红外汽车牌照定位方法,利用红外成像特点,解决了高速行驶、无主动照明、在全天候工作情况下的牌照定位问题.根据汽车牌照在全图单位长方形面积的水平灰度梯度最大的特点,成功地从红外汽车图像中检测定位车牌,定位结果的正确率达到了99%以上.      

基于误差最小的SVM最优分类面修正

针对C-支持向量机(C-SVM,C-Support Vector Machine)中惩罚系数C可能导致最优分类面不合理的问题,提出基于误差最小的SVM最优分类面修正方法.通过调整正负类分类间隔的约束条件,求解使训练样本总误差最小的偏置系数,并兼顾与正负类误差之差的绝对值的平衡,得到误差最小的更优分类面.实验证明该修正方法与C-SVM及其它修正方法相比,具有较高的分类精度和较强的抗噪声与野值数据干扰能力.     

基于NMF的SVM故障诊断方法

针对大维数系统故障诊断中存在特征提取困难和识别率低的问题,提出基于非负矩阵分解(NMF,Non-negative Matrix Factorization)的支持向量机(SVM,Support Vector Machine)诊断方法,避免了直接对故障特征的选择和提取,实现特征降维,提高故障模式分类的准确性和速度;对于NMF中的结果随机性问题,提出用前次分解所得系数矩阵求解样本降维特征矩阵的方法,保证多次NMF分解尺度一致.实验表明该方法能对故障特征有效降维,并具有较高的诊断效率和故障识别率.     

基于多分类AdaBoost的航空发动机故障诊断

对航空发动机运行数据进行数据挖掘的方法,是发动机故障诊断研究领域的重要研究内容。由于各种算法自身的局限性,通过某种单一算法很难大幅度提升故障分类的准确性。运用组合分类的AdaBoost算法,综合多个分类模型进行诊断,是提升故障识别精度的一种较好的方法。通过AdaBoost算法及其改进算法的结合,建立一种多分类的AdaBoost算法,以支持向量机（SVM）为基础分类器,进行综合诊断模型的建立。通过单位向量法、比值系数法和相关系数法将指印图中统计的故障标识数据进行处理,得到不受故障程度影响的训练数据,再进行建模。实验表明,AdaBoost相关结合算法能够显著提升分类器性能。根据实际故障案例,验证了所建立的诊断模型能够较好地用于发动机的故障诊断。      

基于支持向量机的滚动轴承状态寿命评估

应用状态寿命描述滚动轴承的使用寿命,并建立了滚动轴承的状态寿命评估模型.状态寿命评估模型建模的关键是振动信号的特征提取和状态的识别算法.针对滚动轴承振动的特点,提取小波包重构信号的频带能量构造特征向量,利用支持向量机作为辨识算法建立滚动轴承状态寿命评估模型.滚动轴承全寿命试验验证了模型的有效性和可信性.     

基于退化数据与故障数据的导弹竞争故障预测

针对具有多元退化量的导弹竞争故障预测问题,分析了导弹退化特性,并在考虑突发故障与退化故障相关性的基础上,建立了具有多元退化量的导弹竞争故障预测模型。对导弹性能退化数据与突发故障数据进行统计推断,确定了数据的分布类型,在此基础上对竞争故障预测模型的参数进行了求解。针对导弹性能退化数据分布参数存在非线性、小样本等问题,运用最小二乘支持向量机(LS-SVM)预测模型对性能退化数据的分布参数进行了预测,得到了性能退化数据未来某一时刻的分布函数;针对退化量与突发故障的相关性,应用位置-尺度模型分析了退化量与突发故障的关系,得出了突发故障与退化量的相关参数,进而根据导弹竞争故障预测模型得到了导弹未来一段时间内的竞争故障概率。以贮存状态下的整批导弹为例,实现了导弹竞争故障预测,并与其他预测方法进行了对比,结果验证了方法的合理性与有效性。