基于改进HOG特征提取的车型识别算法

本文针对高速环境下的车型识别问题,提出基于方向可控滤波器的改进HOG算法。将方向可控滤波器算法与HOG算法相结合,以实现对车辆图像特征提取。采用主成分分析算法(PCA)约减特征向量维数以减少计算复杂度,利用支持向量机算法对提取特征进行样本训练,实现对车辆外型特征的识别。仿真实验结果表明:采用该算法原始车辆车型的识别正确率均值达到92.36%;另外,本文方法的识别速度比传统的HOG特征算法提高了3.45%,识别实时性得到提升。本文算法比传统HOG算法更优,能有效提高车型识别的效率。     

基于子频带能量特征提取的汽车鸣笛声识别*

针对城市中汽车违法鸣笛声之间识别分类较难的问题，为了快速准确的识别鸣笛声并将不同种鸣笛声之间进行分类，在鸣笛声识别分类中提出了应用子频带能量提取鸣笛声的特征，并利用BP神经网络对提取的子频带能量特征值矩阵进行学习训练，且在神经网络学习过程中利用可变学习速度的方法，减小了神经网络的迭代次数。实验表明利用此种子频带能量特征提取法使鸣笛声与非鸣笛声的平均识别率达到了94.889%；使不同鸣笛声之间的分类正确率最大达到了93.75%，实现了不同鸣笛声之间的分类。     

基于BP神经网络提高伪装目标识别概率的研究

采用静态迈克尔逊干涉仪对待测目标进行光谱识别,在空间干涉长度不变的条件下,应用BP神经网络算法对混合光谱分离过程进行优化,从而达到提高伪装目标识别概率的目的。由干涉仪及线阵CCD记录视场内所有位置上的光谱信息,构成混合光谱数据集合,以已知材料的标准吸收光谱作为隐含层的规则依据,将BP神经网络应用于混合光谱的分离。实验采用不同距离、不同背景组合的混合光谱作为初始数据,以1.5 m×1.5 m钢板做成四种待测目标,由静态迈克尔逊干涉仪得到混合光谱,BP神经网络算法与传统光谱吸收算法对无伪装目标的识别率都在90%以上,对具有伪装效果的待测目标识别概率分别为75.5%和31.7%,所以采用BP神经网络可有效地提高伪装目标的识别概率。     

基于PCA-BP神经网络的光谱消光法颗粒粒径反演算法研究

光谱消光法广泛应用于颗粒粒径测量领域,在利用光谱消光法对颗粒粒径进行反演的过程中,由于颗粒的消光系数存在理论复杂、计算繁琐、收敛速度慢以及求解不稳定等问题,很大程度上影响了整个反演过程的快速性和准确性。且在众多波长的消光数据中,存在较多重复冗余的信息,也很大程度上增加了反演算法的时间。针对光谱消光法粒径反演算法计算繁琐、反演效率低的问题,提出了基于主成分分析（PCA）和BP神经网络的光谱消光颗粒粒径分析方法。基于Mie散射理论对不同粒径、不同波长下的光谱消光值进行了仿真计算,通过对光谱消光数据集的主成分分析及各个波长综合载荷系数的计算,实现了最优特征波长的选取,利用降维后的光谱消光数据训练了PCA-BP神经网络模型,并利用该网络模型计算了粒径颗粒分布。通过仿真计算,比较了PCA-BP神经网络模型与传统的BP神经网络模型的预测精度,并分析了波长数目对两种神经网络模型预测结果的影响。针对训练得到的PCA-BP神经网络模型开展光谱消光法粒径参数反演算法的验证实验,搭建了光谱消光法颗粒粒径参数测量实验系统,测量了粒径范围在0.5～9.7 μm内的6种不同粒径参数的聚苯乙烯标准颗粒。仿真和实验结果表明：基于主成分分析方法可确定各个波长向量之间的相关性,利用综合载荷系数选取最优特征波长对应的消光值对整体的光谱数据具有较好的代表性,可实现光谱数据的降维。相比传统的BP神经网络模型,基于PCA-BP神经网络模型的颗粒粒径分布的分析方法预测精度更高,对于较分散颗粒系的分布参数的预测有更加明显的优势。而且,被选取的波长数较少时,PCA-BP神经网络模型依然有较高的预测精度。利用训练好的PCA-BP神经网络模型对颗粒粒径参数进行实验验证,预测结果可瞬时输出,颗粒粒径分布误差在5%以内,验证了该算法的可行性。     

基于PCA-BP神经网络的光谱消光法颗粒粒径反演算法研究（英文）

光谱消光法广泛应用于颗粒粒径测量领域,在利用光谱消光法对颗粒粒径进行反演的过程中,由于颗粒的消光系数存在理论复杂、计算繁琐、收敛速度慢以及求解不稳定等问题,很大程度上影响了整个反演过程的快速性和准确性。且在众多波长的消光数据中,存在较多重复冗余的信息,也很大程度上增加了反演算法的时间。针对光谱消光法粒径反演算法计算繁琐、反演效率低的问题,提出了基于主成分分析(PCA)和BP神经网络的光谱消光颗粒粒径分析方法。基于Mie散射理论对不同粒径、不同波长下的光谱消光值进行了仿真计算,通过对光谱消光数据集的主成分分析及各个波长综合载荷系数的计算,实现了最优特征波长的选取,利用降维后的光谱消光数据训练了PCA-BP神经网络模型,并利用该网络模型计算了粒径颗粒分布。通过仿真计算,比较了PCA-BP神经网络模型与传统的BP神经网络模型的预测精度,并分析了波长数目对两种神经网络模型预测结果的影响。针对训练得到的PCA-BP神经网络模型开展光谱消光法粒径参数反演算法的验证实验,搭建了光谱消光法颗粒粒径参数测量实验系统,测量了粒径范围在0.5～9.7μm内的6种不同粒径参数的聚苯乙烯标准颗粒。仿真和实验结果表明:基于主成分分析方法可确定各个波长向量之间的相关性,利用综合载荷系数选取最优特征波长对应的消光值对整体的光谱数据具有较好的代表性,可实现光谱数据的降维。相比传统的BP神经网络模型,基于PCA-BP神经网络模型的颗粒粒径分布的分析方法预测精度更高,对于较分散颗粒系的分布参数的预测有更加明显的优势。而且,被选取的波长数较少时,PCA-BP神经网络模型依然有较高的预测精度。利用训练好的PCA-BP神经网络模型对颗粒粒径参数进行实验验证,预测结果可瞬时输出,颗粒粒径分布误差在5%以内,验证了该算法的可行性。     

基于深度学习的252Cf源驱动核材料浓度识别技术

针对核武器/核材料识别系统中核材料浓度识别的关键技术问题,采用Monte Carlo方法,通过建立252Cf源驱动核材料裂变中子信号样本库,模拟分析了随探测器距离和角度及核材料浓度变化的裂变脉冲中子信号特点,基于深度学习之卷积神经网络,构建了一种252Cf源驱动核材料浓度识别方法,实现了对测试样本浓度的识别,且还与BP神经网络和K最近邻方法进行了对比试验研究。结果表明,卷积神经网络算法进行核材料浓度识别,得到了高达92.05%识别准确率,不仅解决了因探测器距离和角度变化时对核材料浓度识别准确率影响的难题,而且还获得了优于BP神经网络和K最近邻算法对核材料浓度识别的认识,这为252Cf源驱动核材料浓度识别提供了一种新的途径。     

衰减全反射红外光谱法快速分类和识别多种食用油的方法

提出了一种衰减全反射红外光谱法快速分类和识别多种食用油的方法——KL-BP模型。此模型利用KL算法对原始光谱数据分类特征进行提取并对原始数据降维,降维后的数据作为神经网络的输入建立分析模型。实验共收集了九种食用油包括芝麻油、玉米油、油菜籽油、调和油、葵花油、花生油、橄榄油、大豆油、茶籽油,共84个样品,并测定了其衰减全反射红外光谱。为了对比所提方法性能,分别建立PCA直接分类、KL直接分类、PLS-DA、PCA-BP和KL-BP模型的分类结果进行对比。研究结果表明,对所研究的9种食用油,PCA直接分类、KL直接分类、PLS-DA、PCA-BP和KL-BP方法的识别率分别为59.1%,68.2%,77.3%,77.3%和90.9%。在数据降维中,KL算法通过分别提取使类间距离和类内距离比值最大方向的特征向量提取和包含在类内离散度矩阵中的分类信息,能够比PCA方法提取了更多的分类信息;引入BP神经网络能有效地提高分类能力和分类准确率;KL-BP综合了KL对分类信息提取优势以及BP神经网络自学习、自适应、非线性的优点,在分类和识别成分相近的9种食用油中表现出了最优秀的能力。     

正则化参数求解方法研究

针对BP神经网络算法训练过程中出现的过拟合问题,提出了利用一阶原点矩,二阶原点矩,方差和极大似然估计概念的推广来计算L2正则化中正则化参数 值的方法。该方法通过对算法数据集[X,Y]中的X矩阵进行运算得到的四个 值,BP神经网络算法训练时通常采用的是贝叶斯正则化方法,贝叶斯正则化方法存在着对先验分布和数据分布依赖等问题,而利用上述概念的推广计算的参数代入L2正则化的方法简便没有应用条件限制。在BP神经网络手写数字识别的实验中,将该方法与贝叶斯正则化方法应用到实验中后的算法识别结果进行比较,正确率提高了1.14-1.50个百分点。因而计算得到的 值应用到L2正则化方法与贝叶斯正则化方法相比更能使得BP神经网络算法的泛化能力强,证明了该算法的有效性。     

基于遗传神经网络的多光谱辐射测温法

针对BP神经网络易陷入局部极小等缺陷,将遗传算法(GA)与神经网络相结合,提出了一种将GA-BP算法应用于多光谱辐射测温的数据处理方法,并对基于亮度温度模型的多光谱辐射测温数据进行了仿真实验。结果表明：已训练样本的真实温度识别精度,GA-BP算法为±5 K,BP神经网络为±10 K;未训练样本的真实温度识别精度,GA-BP算法为±10 K,BP神经网络为±20 K;无论是GA-BP算法还是BP神经网络,已训练样本的真实温度识别精度比未训练样本的真实温度识别精度都更精确些,靠近训练样本集边缘的样本真实温度的识别精度偏低。说明GA-BP算法比BP神经网络可以更好地解决了目标真实温度的测量问题。     

基于热图像的种蛋气室变化监测算法

种蛋气室的大小是监测种蛋孵化过程的重要指标之一。根据种蛋的热力学结构,种蛋在孵化过程中,包裹气室部分蛋壳会与其他部分蛋壳产生温差,从而可通过热红外图像进行观察。针对在种蛋孵化过程中,人工照蛋检测气室效率低的问题,探索设计了一种基于热图像的种蛋气室变化俯视监测算法。监测种蛋气室热图像的算法主要包括种蛋目标检测,种蛋图像分割和种蛋气室面积计算3个部分,其中种蛋的目标检测采用Faster-RCNN算法实现;种蛋图像分割采用BP神经网络算法实现;种蛋气室面积是在种蛋图像分割的基础上进行计算。使用孵化5天及以上的种蛋作为研究对象,并拍取种蛋的热图像进行试验。试验结果表明：种蛋热图像的目标检测的平均精度（mAP）为99.85%,拥有较好的检测效果。使用BP网络对种蛋进行图像分割。BP神经网络经过调参后,其网络最佳的结构为三层隐藏层,每个隐藏层拥有1 000个神经元,最优初始学习率为0.000 1,最优最大迭代次数为500。以F1-measure作为分割效果的评价指标,BP神经网络的图像分割总体结果为87.02%,Otsu算法的总体结果为65.25%。其中只有一个蛋的情况下,BP神经网络的分割结果为87.17%,Otsu算法的结果为68.86%。存在其他种蛋的干扰条件下,BP神经网络的分割结果为86.94%,Otsu算法的结果为61.64%,BP神经网络的分割效果优于Otsu分割算法,BP神经网络拥有更强的抗干扰能力。最后提取了孵化5～19 d种蛋的气室变化,通过观察种蛋气室大小曲线来监测种蛋的孵化情况,可看出随着天数的增加,气室有着明显变大的趋势。人工测量法与热红外测量法比较结果说明两者相关性为0.934 3,拥有较好的相关性。基于热图像的种蛋气室变化监测算法可在实际生产中实现种蛋的识别与气室大小的快速监测,为实现监测种蛋孵化的自动化提供了技术参考。     

基于图像挖掘技术的车辆目标识别方法

在目前的图像处理技术发展现状中,图像挖掘技术是其中一项较为突出和新颖的技术分支。而随着日益庞大的图像数据信息处理量的要求增加,却没有一个有效的分析和处理技术,为此,如何解决大量数据的解析和处理问题是目前图像挖掘技术的主要方向。本文将着重研究图像挖掘技术的原理和其在目前社会中的应用情况。利用简析图像挖掘技术的基本原理分析其数据模型,探讨其所具备的基本功能以及在车辆目标识别上的应用和方法。总结出图像挖掘技术对图像中所存在信息的完全解读,挖掘图像中存在的隐形关联,而且随着图像挖掘技术的不断改进,其目标识别的功能可以应用到车辆管理模式当中。通过实验表明,此方法可以对目标图像中车辆数量和种类的辨识度达到80%以上。     

基于FPGA和DSP的车牌识别系统的研究

摘要：本文介绍了一种以DSP和FPGA为核心的车牌识别系统的设计方案,利用FPGA控制车牌图像数据的采集,经过图像格式转换之后传送到DSP中,进行车牌区域定位、字符分割、车牌识别等操作,最后将识别结果传送到LCD中显示。系统采用CCS（Code Composer Studio）集成开发环境,利用VC 语言编程实现车牌识别算法。通过嵌入式机器视觉库EMCV实现识别算法在DSP中的移植,并在LCD上创建工作窗口显示识别结果。实验结果表明该车牌识别系统的设计方案识别结果准确,功能稳定可靠。     

Study of the effectiveness of electric vehicle warning sounds depending on the urban environment

Electric and Hybrid Electric vehicles (EV and HEV) seem to be the future of transport in smart cities and the key for the total reduction of noise disturbance and pollution in urban areas. However, several problems have to be solved to guarantee the safety of these types of vehicle. Up to now, the use of HEV has shown the dangers of a “quiet” transport system in urban environments; in fact, it has been estimated that an HEV is twice as likely to be involved in a pedestrian crash as would be an internal combustion engine (ICE) vehicle in the same situation. With the aim of improving their safety, different kinds of warning sounds are being designed to increase the detectability of EV and HEV without themselves becoming new annoying sound sources. The sound directivity, frequency of emission and intensity of warning sound systems will guarantee their efficiency and limited noise impact.     

Recognition of Putonghua voiceless stop like initials based on speech main periods

I.Intr0ductionNowadays,thereismuchadvancemcntinthcrcsearchintospeechrecognition.Manyresearchershavebecninterestedintheimplementationofareliab1crealtimerec-ognitionsystemofunlimitedv0cabu1ary.Thercareafewproductsconversingsyl1ablesintoChinesecharactersinthemarket.However,theimp1ementationofarobustrealtAnerecognitionsystemofunlimitcdvocabularyisvcrydifficu1t,anditisthcgreataimofourresearch.WehaveaTMS32O-C25signa1processingboardattachedtoacomputerofthM-PC/AT80386.Wehopcthatourspeechrecognit…     

An Adaptive Deblurring Vehicle Detection Method for High-Speed Moving Drones: Resistance to Shake

Vehicle detection is an essential part of an intelligent traffic system, which is an important research field in drone application. Because unmanned aerial vehicles (UAVs) are rarely configured with stable camera platforms, aerial images are easily blurred. There is a challenge for detectors to accurately locate vehicles in blurred images in the target detection process. To improve the detection performance of blurred images, an end-to-end adaptive vehicle detection algorithm (DCNet) for drones is proposed in this article. First, the clarity evaluation module is used to determine adaptively whether the input image is a blurred image using improved information entropy. An improved GAN called Drone-GAN is proposed to enhance the vehicle features of blurred images. Extensive experiments were performed, the results of which show that the proposed method can detect both blurred and clear images well in poor environments (complex illumination and occlusion). The detector proposed achieves larger gains compared with SOTA detectors. The proposed method can enhance the vehicle feature details in blurred images effectively and improve the detection accuracy of blurred aerial images, which shows good performance with regard to resistance to shake.     

Integrating the original face images and “symmetrical faces” to perform face recognition

Using the original and ‘symmetrical face’ training samples to perform representation based face recognition was first proposed in [1]. It simultaneously used the original and ‘symmetrical face’ training samples to perform a two-step classification and achieved an outstanding classification result. However, in [1] the “symmetrical face” is devised only for one method. In this paper, we do some improvements on the basis of [1] and combine this “symmetrical faces” transformation with several representation based methods. We exploit all original training samples, left “symmetrical face” training samples and right “symmetrical face” training samples for classification and use the score fusion for ultimate face recognition. The symmetry of the face is first used to generate new samples, which is different from original face image but can really reflect some possible appearance of the face. It effectively overcomes the problem of non-sufficient training samples. The experimental results show that the proposed scheme can be used to improve a number of traditional representation based methods including those that are not presented in the paper.     

复合深度神经网络在直升机声目标识别中的研究

针对直升机探测中目标运动过程连续识别的鲁棒性问题,提出了一种基于复合深度神经网络的直升机声学特征提取和识别框架。复合深度神经网络由卷积神经网络和长短时记忆神经网络以并行结构组合,进行直升机声学特征的优化,完成直升机类型识别。针对直升机声信号特性,对卷积神经网络进行了改进,使得该复合深度神经网络在信号短时谱基础上优化声信号特征表征并提取前后帧之间的相关信息,弥补通常声目标识别方法不能充分利用目标信号时间历程信息的缺陷。真实外场实验数据测试结果显示:相较于传统识别方法,该算法显著提升了直升机进入有效探测范围后连续识别的鲁棒性和目标识别正确率。     

用于畸变目标相关识别的匹配滤波器设计

针对尺度缩放和角度旋转变化目标相关识别率低的问题,采用优化折中综合鉴别函数方法设计了具有较大畸变容限的匹配滤波器。在匹配滤波器设计时,通过调整相关输出噪声、训练样本平均功率谱密度和训练样本相似度对训练样本平均值的贡献,得到具有带通性质的匹配滤波器。利用单个匹配滤波器对角度旋转0°～30°、尺度变化0～20%的目标进行了相关识别仿真实验。结果表明：这种匹配滤波器相关输出峰尖锐、鉴别力强、畸变容限大,可用于畸变目标的光学相关识别。     

Iris segmentation for visible wavelength and near infrared eye images

State-of-the-art iris segmentation algorithms exhibit poor performance for non-ideal data, which is mainly because of the noise such as low contrast, non-uniform illumination, reflections, and among others. To address this issue, a robust iris segmentation scheme is proposed that includes the following: First, a set of the Seed-pixels in a preprocessed eye image is marked adaptively. Next, a two-fold scheme based on a Circu-differential accumulator (CDA) and gray statistics is adopted to localize coarse iris region robustly. Notably, the proposed CDA has close resemblance with the Hough transform; however, it consumes relatively less memory and is free from thresholding as well. Similarly, pupillary boundary is localized, which is verified through an intensity test as well. Next, a refine estimate for the limbic boundary is extracted. After that, iris boundaries are regularized using the Fourier series. Finally, the eyelids are localized using a Para-differential accumulator (PDA), and eyelashes and reflections are also localized adaptively in the polar form of iris. Experimental results on the near infrared (NIR) and visible wavelength (VW) iris databases show that the proposed technique outperforms contemporary approaches.