基于机器视觉的离散傅里叶变换目标识别方法

提出了一种基于机器视觉与离散傅里叶变换的目标特征识别方法。利用计算机图像技术采集和处理图像信号;利用离散的傅里叶变换对图像数据提取特征,能够更好的辨别数据细节,从而可通过图像的比对来实现目标的识别。该方法在对实际的静止图像进行处理与计算后,能够很好的对图像的细节变化进行识别。     

基于局部轮廓和随机森林的人体行为识别

基于视频信息的人体行为识别得到了越来越多的关注。针对人体行为的局部表达,提出了一种新的局部轮廓特征来描述人体的外观姿势,可以同时利用水平和竖直方向上的轮廓变化信息。该特征能有效区分不同动作,与轮廓起始点无关,具有平移、尺度和旋转不变性。针对该特征,提出了一种基于随机森林的两阶段分类方法,使用随机森林分类器对行为视频的局部轮廓进行初分类,并根据每个局部轮廓对应决策类的分类树数目占总分类树数目的比例,提出了一种基于袋外(OOB)数据误差加权投票准则的行为视频分类算法。在测试数据集上的实验结果证实了该方法的有效性。     

基于增强型点对特征的三维目标识别方法

针对基于原始点对特征的三维目标识别算法中存在的内存浪费、效率不高的问题,提出了一种基于增强型点对特征的三维目标识别算法。通过在原始点对特征的第4个分量上乘以一个符号函数,得到了一种区分性更强的点对特征,消除了原始点对特征存在的二义性。考虑到待识别目标三维模型存在的自遮挡,利用点对之间的视点可见性约束,剔除了目标三维模型哈希表中存在的大量冗余点对,节省了内存开销并提高了三维目标识别算法的识别准确率和效率。在开放数据集和实际采集的数据集上的实验结果表明,与基于原始点对特征的算法相比,所提三维目标识别算法在识别准确率和效率上都有一定程度的提升。     

基于全景环带成像的语义视觉里程计

视觉里程计在智能机器人、自动驾驶等领域有着广泛的应用.但是基于有限视场(FOV)针孔相机的经典视觉里程计算法容易受到环境中运动物体和相机快速旋转的影响,在实际应用中鲁棒性和精度不足.针对这一问题,提出全景环带语义视觉里程计.通过将具有超大视场的全景环带成像系统应用到视觉里程计,并将基于深度学习的全景环带语义分割所提供的...     

一种跨模态光学信息交互和模板动态更新的RGBT目标跟踪方法

提出一种跨模态光学信息交互和模板动态更新的可见光和热红外（RGBT）跟踪方法,选取能够在跟踪速度和精度上取得平衡的Siamese跟踪器作为基本框架,并设计特征交互模块以重构不同模态的信息比例和增强模态间信息交流。在此基础上,基于无锚框的思想构建预测网络,以提升跟踪器的灵活性和通用性,同时提出一种模板动态更新的策略,通过动态更新跟踪模板增强模型对变化目标的适应能力。在GTOT等3个基准数据集上的对比实验表明,所提方法可显著提升跟踪器在复杂环境下的目标跟踪性能。     

数据驱动的空间目标图像信息感知技术

从空间目标的观测图像中自动感知其类别及工作状态对军事国防及空间探测等具有重要意义.为实现对空间目标图像信息的自动化精确感知,提出了一种数据驱动的空间目标图像信息感知技术.所提技术以深度卷积神经网络为基础,利用海量的模拟数据和少量的真实数据训练神经网络,训练后的神经网络能够直接从空间目标图像中感知空间目标的载荷及工作状态...     

基于SPAD阵列探测的空中运动目标识别方法

采用单光子雪崩二极管（SPAD）组成的接收阵列,可有效提升接收端的灵敏度,这对于远距离探测成像具有重要应用价值。因成像时间受限,SPAD阵列对于空中移动目标探测的成像结果存在分辨率低、特征信息少、背景干扰噪声多等问题。针对阵列弱成像条件下的目标快速识别问题,通过分析不同空中移动目标的结构运动与位移之间的角度变化特点,提出一种基于SPAD阵列探测的空中运动目标识别方法。该方法有效解决了跟踪探测实时性要求与目标识别准确性之间的矛盾,可以在没有先验信息的条件下完成跟踪和识别任务。为进一步说明基于光流特征的分析方法的优势,以旋翼型无人机、固定翼型无人机以及飞鸟等大小、形状类似的低空飞行目标为例,通过对不同的光流角度分布进行统计分析,在近似离散点的成像条件下实现了以上3类目标的有效识别分类。     

基于多级跟踪队列的运动目标跟踪遮挡处理

针对多目标跟踪过程中存在的遮挡问题,提出了一种固定摄像机场景下的多目标实时跟踪算法.提出基于鬼影判别与背景模型选择更新的背景差法检测运动目标,建立一种融合色度与边缘特征的目标模型.通过定义稳定跟踪队列、临时跟踪队列、跟踪丢失队列以及候选跟踪队列等跟踪器队列,提出基于多级关联匹配的策略实现多目标跟踪遮挡处理,针对新目标、...     

基于三维点云匹配的手掌静脉识别

针对现有手掌静脉认证系统误拒率较高以及不支持大数据集匹配的问题,设计了基于透射式光源的双目视觉静脉三维点云重建装置,提出了基于三维点云匹配的手掌静脉认证算法。系统使用850 nm透射式发光二极管(LED)光源作为照明装置,由双目摄像机拍摄静脉视差图像进行三维重建。选择手掌静脉作为特征点描述其空间三维结构,提出了一种改进的内核相关性分析方法匹配三维点云。针对200组点云数据的实验结果验证了该方法的可行性和有效性,识别率达到了98%,误拒率2%,误识率0%,总特征维数约8000至12000维,高于尺度不变特征变换(SIFT),支持对大数据集的认证识别。     

基于腔辅助相互作用的远距离信息传递

提出了一种基于腔辅助相互作用的远距离信息传递的方案.在该方案中,通过让一束相干光和一个囚禁在腔里面的原子进行相互作用,可以使相干光产生一个可控的相位偏移.用这种腔辅助相互作用完成了原子态和光场态之间信息的相互转移.最后我们演示了远距离信息传递方案,该方案在当前实验条件下是可行的,并且在理想条件下,成功的概率几乎为1.     

基于神经网络的零件缺陷机器视觉识别系统

零件缺陷检测是保证零件使用安全的重要手段。传统的零件缺陷检测法需要有操作人员参与其中,易受主观因素影响,检测的效率及精度得不到良好的保证。而采用机器视觉技术的检测法可实现实时在线的自动检测,无需人工参与,这就极大的提高了生产效率。本文以小轴承表面为研究对象,针对微小轴承的表面结构、尺寸、检测精度和缺陷特征,设计了基于BP神经网络的零件缺陷机器视觉在线自动检测系统,其采用机器视觉技术,构建了BP神经网络检测识别模型,采用进行图像特征提取的间接识别方法,对微小轴承缺陷进行实时检测。实验结果证明了人工神经网络模型的检测能力的可靠性。     

基于光谱信息的空间目标模式识别算法研究

在观测空间目标时,往往会受到地基观测仪器等因素的制约,导致无法利用目标图像信息从外形上进行识别。根据不同空间目标表面组成材料不同,其产生的反射光谱会存在差异这一特性,可利用空间目标特有的光谱信息进行识别分类。基于此,从光谱学角度对空间目标识别算法进行研究,在K最近邻算法(KNN)的基础上,采用了一种自适应权重局部超平面方法(AWKH),算法主要在计算预测样本与超平面距离时加入对特征权重的考虑,构建了以样本特征组间差与组内差的比值作为特征权重值的超平面模型,从而提高了分类效果和分类效率。为验证算法的分类效果,本文进行了四组验证实验,第一组实验将美国地质勘探局数据库中提取出的九种常用材料光谱随机选出三种混合成多类进行识别;第二、三组实验将四种常用空间目标材料的光谱作为纯物质光谱,分别从可见光和近红外波段对其混合物质进行分类;第四组实验通过实测四个方形模型样本六个面的光谱对其进行识别分类。实验过程中将实验结果与目前常用的支持向量机(SVM)进行对比,对比结果表明改进后的AWKH算法在识别精度和样本适用范围上具有更高的优越性。     

基于可见光光谱分析的黄瓜白粉病识别研究

白粉病是黄瓜常见病害之一,传播速度极快,严重时可造成黄瓜大量减产,对其进行快速准确识别,对黄瓜白粉病诊断和防治具有重要意义,应用可见光谱技术,结合主成分分析和支持向量机算法,实现对黄瓜白粉病的快速识别。配制白粉病菌孢子悬浮液,并人工接种于科研温室内的黄瓜叶片上,以诱发黄瓜白粉病,待白粉病有一定面积暴发后,利用海洋光学USB2000+型便携式光谱仪对黄瓜叶片光谱信息进行采集,利用五点取样法采集样本,在5个检查点,每点选取2株黄瓜进行调查,每株选取4枚感病叶片,每枚叶片随机选取5个感病区域进行光谱采集,共计采集200个感病叶片光谱样本,同样采集200个健康叶片样本作为对照。通过Ocean Optics Spectra-Suite软件采集漫反射标准白板信息和光谱仪暗电流实现光谱仪校正,调节积分时间、扫描次数以及平滑度等参数来实现光谱曲线平滑处理,以有效抑制光谱噪声,对光谱特征进行分类识别,去掉首尾噪声较大的波段,保留光谱的可见光波段进行研究,最终选取450~780 nm波段范围作为研究对象。利用主成分分析对所研究波段范围内的高维光谱数据（947维）进行降维处理,根据主成分的累计贡献率,选取前5个主成分作为分类模型的输入,以白粉病和健康叶片的判别结果作为输出,利用支持向量机算法,通过对样本的分类学习训练构建黄瓜白粉病和健康叶片的分类识别模型,随机选取120个样本作为训练集用于分类模型构建,其余80个样本作为测试集用于模型检验,并通过选取不同的核函数来获得最优模型。利用混淆矩阵对分类识别模型的准确率进行评价,当选取径向基核函数时,分类识别模型对黄瓜健康叶片和白粉病叶片的识别准确率最高,分别为100%和96.25%,总准确率为98.125%,具有较高的准确率。结果表明,利用可见光光谱信息并结合主成分分析和支持向量机算法,可以实现对黄瓜白粉病的快速准确识别,为黄瓜病害诊断提供了方法和参考依据。     

基于近红外图像的温室环境下黄瓜果实信息获取

为实现温室环境机器人采摘作业中果实的品质判别和空间定位,研究了基于近红外图像的黄瓜果实识别及特征获取方法。分析比较黄瓜果实、茎、叶在各光谱波段的分光反射特性,确定采用850 nm干涉滤光片来获取图像,解决近色系目标、背景的区分问题;利用果实的灰度特征,将P参数阈值法用于图像分割,实现目标的初步识别,并对目标图像进行等间距区域化处理,依据区域块重心、面积差异滤除噪声、标记果实;根据黄瓜的形状纹理特征,计算果实中心线长度和弯曲度作为黄瓜的质量判别标准,利用果实与果柄交界处灰度的变化标记出可抓取区域。通过对温室场景下随机拍摄的包含30幅黄瓜果实图像和10幅无果实图像分别进行算法验证,结果表明识别准确率各为83.3%和100%,对抓取区域提取的成功率为83.3%。     

基于模糊快速Hough变换的盘孔边界识别方法

为了快速准确地识别出某型航空发动机篦齿盘均压孔的边界,提出一种新的模糊快速Hough变换.利用局部梯度信息将检测圆所需的3D Hough变换转化为一个2D Hough变换检测圆心位置和一个1D Hough变换检测圆的半径.在检测圆心位置时,对2D参量空间进行多分辨率分级,通过迭代计算由粗到精逐步细化参量空间.采用模糊投票的方法来处理边缘像素位置和梯度方向的不确定性.通过实验对比了模糊快速Hough变换与标准Hough变换、随机Hough变换进行盘孔边界识别的效果,结果表明模糊快速Hough变换可以快速准确地识别出盘孔的边界,性能优于另外两种算法.     

Analog Integrated Circuit for Motion Detection with Simple-Shape Recognition Based on Frog Vision System

We proposed in this research a novel two-dimensional network based on the frog visual system, with a motion detection function and a newly developed simple-shape recognition function, for use in object discrimination by integrated circuits. Specifically, the network mimics the signal processing of the small-field cell in a frog brain, consisting of the tectum and thalamus, which generates signals of the motion and simple shape of an object. The proposed network is constructed from simple analog complementary metal oxide semiconductor (CMOS) circuits; a test chip of the proposed network was fabricated with a 1.2 μm CMOS process. Measurements on the chip clarified that the proposed network can generate signals of the moving direction, velocity, and simple shape, as well as perform information processing of the small-field cell. Results with the simulation program with integrated circuit emphasis (SPICE) showed that the analog circuits used in the network have low power consumption. Applications of the proposed network are expected to realize advanced vision chips with functions such as object discrimination and target tracking.     

基于SVM的混合气体分布模式红外光谱在线识别方法

针对混合气体组分浓度分析中海量训练样本的获取、分析精度及实时在线分析等问题,将支持向量机这一新的信息处理方法和红外光谱分析法结合,提出了混合气体分布模式的概念。在此基础上,采用先进行混合气体分布模式识别,然后再进行混合气体分析的思路,在大量调查的基础上,研究探索了实际应用中可能出现的混合气体分布模式,确定60种混合气体分布模式,共计6 000个混合气体红外光谱数据样本用于模型的训练与检验。采用SMO算法实现了减量和增量的在线学习,最终建立了基于SVM的混合气体分布模式红外光谱在线识别模型。模型由模式识别和结果输出2层组成,模式识别层完成混合气体模式分布模式识别任务;结果输出层由60个SVM校正模型组成,完成具体的浓度分析任务。实验结果表明,该方法对混合气体分布模式的正确识别率不低于98.8%,可在小样本条件下对混合气体的分布模式进行在线识别,可在线实时加入新的混合气体分布模式,具有实际应用价值。     

基于磁光调制的多光谱目标识别系统的研究

基于特征光谱的目标识别技术具有检出能力强,可分辨目标种类等优点,但也存在一定的问题,即需要事先获取背景光谱作为先验知识且要求背景光谱随时间的变化较小。由此限制了其在新环境、复杂环境中实时目标识别方面的应用。设计了一种采用磁光调制配合特征光谱分析的技术手段,使目标识别过程中无需事先获取背景谱,从而实现了一次采集获取被测目标信息的功能,相比传统的目标检测方法而言,对战场的适应能力更强,具有较好的实用意义。同时,磁光调制技术有效地抑制了背景杂散光的干扰,从而提高了目标识别概率。由于磁光调制提供了目标光谱的累加迭代信息,故即使未知背景光谱或者背景光谱变化较大时,也可以通过目标光谱的迭代信息大幅提高目标识别率。针对不同被测目标的回波光强与背景光强值进行实验分析,结果显示,三种目标对调制线偏振光的反射能力明显强于背景。采用伪装色的被测目标对可见光成像目标识别影响很大,而调制偏振型系统仍能很好地识别目标。在此基础上,对0.5～2 km范围内的目标进行多特征波长目标种类识别。采用三个特征波长时,目标识别概率在2 km左右明显降低,采用四个或五个特征波长位置时,可以实现95.0%以上的目标识别概率,同时为了降低运算量提高系统的实时检测能力,最终采用四个特征波长。