基于快速轮廓转动力矩特征的激光主动成像目标识别

针对激光主动成像的图像特性,提出一种基于快速轮廓转动力矩的目标识别方法。将转动力矩的概念引入目标识别中,提出的快速轮廓转动力矩特征(FCTF)不仅包含了轮廓的尺寸、位置、规则度以及目标的亮暗等信息,同时对于旋转、尺度缩放等变换具有不变性。采用转动力矩的快速计算方法,提高了识别算法的计算效率。识别算法首先使用最大稳定极值区域(MSER)算法检测出目标特征区域,并将其变换为圆形区域,然后结合快速转动力矩特征算法提取出目标区域的局部不变特征,最后输入训练好的支持向量机分类器进行识别。实验结果表明相比于已有的激光主动成像目标识别方法,所提算法对于旋转、仿射变换均具有更高的识别率,同时单帧平均运算时间为9.68 ms,满足激光主动成像目标识别系统实时性的要求。     

一种基于目标与背景特征分离模型的高光谱目标检测修正算法

高光谱图像立方体数据可以提供成像场景中地物在可见光和近红外波长范围内的空间信息和地物属性诊断的光谱特征信息,在目标检测与识别方面拥有得天独厚的天然优势。然而,基于高光谱图像数据的目标检测也存在一定缺陷,如经典的高光谱目标检测算法仅利用光谱维度信息检测目标,检测模型要么对背景高维特征矩阵构建的准确度不足,要么对背景先验光谱特征的完备性要求较高,导致算法对不同复杂度的检测场景适应性不强。因此,基于计算复杂度较低、参数需求量较少且检测性能较为优异的经典多目标检测算法—多目标约束能量最小化(MCEM),提出了一种基于目标与背景环境特征分离模型的高光谱目标检测修正算法(R-MCEM)。首先,设计了一个与目标形状、尺寸相近的逐像元移动运算窗口,依次计算窗口中的每个像元与窗口内其他像元的光谱距离之和D1,像元与各类目标的光谱距离之和D2。其次,采用获得D1/D2最小值的像元替换窗口内的所有像元值。然后,自左向右、自上而下逐像元移动窗口,重复窗口内每一个像元与目标、背景像元的光谱距离运算,并确定窗口内与背景相似度最高、与目标相似度最低的像元。直到移动运算窗口遍历整个高光谱图像,大幅提升了基于目标与背景...     

一种基于特征块匹配的电子稳像方法

提出一种基于特征模块匹配的图像稳定的算法.该算法自适应地搜索图像特征模块进行后续稳像操作.在稳像过程中,提出一种图像特征匹配的快速算法,匹配得到局部运动矢量,然后对匹配结果进行一致性检验,最后采用可变窗口宽度的均值滤波法对图像序列运动轨迹滤波.试验表明,该算法有效地稳定了图像序列,并且满足实时性要求.     

一种复杂海天背景下红外弱小目标检测算法

红外弱小目标的检测是红外搜索跟踪系统(IRST)中的一项关键技术,常用的目标检测算法存在受海杂波严重、虚警率较高等问题,分析了海天背景下红外图像的背景、小目标的特征,提出了一种海杂波背景下的红外小目标检测算法。首先统计图像的行均值和梯度,用最小二乘法拟合出海天线,然后利用形态学算子抑制图像背景,并采用自适应阈值将图像二值化,最后分析图像的梯度特征,抑制海杂波和云层的干扰。实验结果表明,该方法能精确地提取海天线,稳定地提取海天背景下的弱小目标,虚警率低于5%,目标检测概率超过97%。     

基于深度卷积神经网络的红外船只目标检测方法

针对红外船只图像较模糊导致的识别率低、识别速度慢等问题,提出了一种基于深度卷积神经网络(CNN)的检测算法。首先采用标记分水岭分割算法提取红外船只图像中的连通区域,并对原图相应的目标位置进行标记和归一化处理,提取候选区域。采用改进的AlexNet(一种深度CNN模型)进行船只目标识别,将提取的候选区域送入改进的AlexNet进行特征提取和预测,得到最终检测结果。分水岭方法可大大减少候选区域检测时间,以及减少深度CNN识别时间。利用实验室自制的红外成像系统获取近千张红外船只图像数据,并对其平移缩放形成的数据集进行仿真实验。结果表明,标记分水岭与深度CNN的结合,可有效识别船只目标,所提方法具有良好的性能,能够更加快速准确地识别红外船只目标。     

应用角点匹配实现目标跟踪

角点特征是图像的一个重要局部特征,因其具有计算量小、匹配简单以及旋转、平移、缩放不变的性质,而在图像配准与匹配、目标识别、运动分析、目标跟踪等应用领域都起着非常重要的作用。本文提出了一种新的基于角点特征的向量匹配方法,该方法利用Harris算子检测出目标角点,通过角点的矩特征形成目标的特征向量,最后通过对序列图像的目标特征向量进行匹配来实现目标跟踪。此算法在一般情况下能匹配80%以上角点,在遮挡情况下仍能正确匹配70%左右,处理速度达到20 frames/s,满足了实时要求。实验结果证明此方法可有效地抵御目标的变形和遮挡情况。     

基于光流的运动小目标检测算法

运动目标的检测是目标识别与跟踪的关键技术之一。光流技术是一种以物体的运动特征来检测目标的方法,它的提出为运动小目标的检测开辟了新的空间。在一个搜索跟踪系统中使用光流技术检测和跟踪空中小目标,目标大概为5～10个像素,而且背景复杂,相机抖动,普通分割算法无法得到小目标。在目标的运动明显异于背景的情况下,通过利用基于光流的目标检测算法来检测出小目标,同时运用高斯金字塔模型,提高算法的运算速度。试验结果表明提出的基于光流的检测算法在背景运动的红外图像中取得了较好的效果。     

基于Contrast box算法的图像序列有用目标段搜寻方法

提出一种基于Contrast box算法的红外弱小多目标图像序列有用目标段搜寻方法,引用每帧图像的信号量来搜索红外图像序列中含有目标的有用信息段.描述了Contrast box算法和搜索有用目标段处理过程,分析了阈值权值系数和目标所占像元面积选取的不同对图像有用目标段搜索的影响,给出了每幅图像的统计信号量.实验表明,该方法在执行效率和搜索时间上能够取得满意的结果.     

基于ARM的嵌入式图像识别检测系统的设计

图像识别的主要目的是使用计算机作为工具对目标图像进行处理、解析与应用,通过数据分析检测出具有不同特征的目标和对象,发展至今其已成为了人工智能的基础。本文基于ARM嵌入式芯片提出了一种结合尺度不变特征变换匹配算法的图像识别检测系统,系统硬件部分采用模块化设计的思想以提高系统的兼容性,分为图像获取、数据采集、数据存储、图像识别等模块;软件部分采用斑点检测匹配匹配算法进行图像识别以提高图像识别速度与精度。实验结果表明所设计的系统具有识别速度快、精度高、可靠性高、故障少的特点。     

移动机器人目标识别算法

针对移动机器人在目标识别过程中对视觉图像特征点提取慢,匹配不准确等特点,提出了一种基于SIFT算法的改进目标识别算法。通过采用组合匹配策略,将特征关键点间的距离和内积同时进行考察,根据其自身值的大小,决定对匹配相似度的贡献。组合策略的引入有效地解决了机器人在目标识别中对相同特征图像不能匹配和不同特征图像能够匹配的问题。为克服目标匹配时实性差的弱点,以关键点为根据构建K维树结构,采用最近邻点搜索,快速找出正确匹配的特征点。为实现移动机器人目标识别过程中的自主性,在特征点匹配过程中引入自适应阈值进行判断。实验表明,该方法对移动机器人目标识别准确率有较大提升,能够满足移动机器人在目标识别和跟踪过程中对视频图像处理的实时性和准确性的要求。     

Automatic defect recognition of TFT array process using gray level co-occurrence matrix

This study proposed an automatic optical inspection (AOI) system for detection of thin-film transistor (TFT) array defects. gray level co-occurrence matrix (GLCM) and MATLAB regionprops function were used to calculate 53 TFT array defect features, which were inputted into the neural network to train the defect classifier. The images to be inspected were compared with a standard image first, in order to judge whether the TFT array samples have defects. For defective images of a TFT array, the proposed defect classifier can successfully recognize five kinds of defects in the process. According to the experimental results, the defect recognition rate of proposed system is verified to be 83.3%, which can replace manual inspection and reduce the risks of false inspections due to long duration manual work. Moreover, the proposed AOI system can improve testing efficiency and reduce manufacturing costs.     

Textual and shape-based feature extraction and neuro-fuzzy classifier for nuclear track recognition

Track counting algorithms as one of the fundamental principles of nuclear science have been emphasized in the recent years. Accurate measurement of nuclear tracks on solid-state nuclear track detectors is the aim of track counting systems. Commonly track counting systems comprise a hardware system for the task of imaging and software for analysing the track images. In this paper, a track recognition algorithm based on 12 defined textual and shape-based features and a neuro-fuzzy classifier is proposed. Features are defined so as to discern the tracks from the background and small objects. Then, according to the defined features, tracks are detected using a trained neuro-fuzzy system. Features and the classifier are finally validated via 100 Alpha track images and 40 training samples. It is shown that principle textual and shape-based features concomitantly yield a high rate of track detection compared with the single-feature based methods.     

Hybrid C2 features and spectral residual approach to object recognition

To establish a fast and accurate visual object recognition system is a fundamental and formidable task. In most cases, rapidity and stability can be inconsistent. In order to solve this problem, a novel object recognition system, which is based on hybrid C2 features and saliency detection, is proposed in this paper. Spectrum residual method is introduced for fast location of object regions, and the C2 features are the main characteristic used for object distinction. After the candidate regions of possible target are extracted, the object recognition task is converted to a categorization problem, which can be solved by SVM (Support Vector Machine) classifier. To prove the feasibility and effectiveness of our system, several experiments are conducted, and the experimental results further illustrate the rapidity with high accuracy of our proposed recognition system.     

基于多尺度协同的人头检测方法

针对HOG特征本身不具有尺度不变性,在实际应用中仅能检测出与样本图片大小相差不大的目标对象这一弊端,提出多尺度窗口融合的头部检测的方法;利用线性支持向量机在分类决策方面的优势,与提取的HOG特征结合作分类器的离线训练;在实时的目标检测阶段,采用高斯金字塔式缩放对输入的视频序列作多尺度处理,得到对应的不同分辨率下的待检测帧,在不同的尺度空间作人头的扫描检测并存储结果;之后融合各尺度的检测结果并在相应位置决策标定;实验对某监控视频作检测分析,结果表明,该方法在检出率、召回率、准确度等方面均有较大提升。     

多传感器目标识别系统的特征优化方法

来自多传感器的目标特征往往是高维数的,并且包含了更多的冗余信息和噪声。为了减小数据获取的代价,提高目标识别器的性能和效率,提出了基于遗传算法(GA)的多传感器目标识别系统特征优化方法。将遗传算法与神经网络目标分类器结合,通过识别结果的反馈信息,控制GA的遗传进化方向,从而实现特征优化。为了克服遗传算法的未成熟收敛问题,提出了相关选择与自适应遗传算子相结合的改进遗传算法。仿真实验结果验证了方法的有效性。     

多波段红外图像的海面舰船目标检测

现有的基于单个红外宽波段的海面舰船目标探测系统在面对复杂海天背景、岛岸背景、恶劣天气、亮带干扰或诱饵弹干扰等情况时,系统的探测率、虚警率、探测距离等性能指标均会受到严重的影响;为此,开展了基于多波段红外图像的海面舰船目标检测方法的研究。通过中波红外多波段数据采集系统实际采集107组五个中波红外波段的图像;波段1-5分别为3.7～4.8,3.7～4.1,4.4～4.8,3.7～3.9和4.65～4.75 μm;对多波段图像进行手动标注构建样本数据集,其中,正样本舰船目标298个,负样本非舰船目标353个。对于多波段红外图像,首先进行PCA降维并采用选择性搜索算法生成初始目标候选区域;针对候选区域中存在大量明显的非舰船目标区域的问题,利用积分图像计算候选区域的局部对比度,依据红外舰船目标的几何和灰度特征从初始目标候选区域中筛选出舰船目标可能性大的区域作为舰船目标候选区域。然后对舰船目标候选区域进行拓展以融入局部上下文信息,对于候选区域对应的5波段红外图像,分别提取每个波段图像的稠密SIFT特征,并将128维SIFT特征向量降为64维,融入SIFT特征的空间和波段位置分布信息得到新的特征向量,基于高斯混合模型对候选区域的特征向量集合进行编码融合得到舰船目标候选区域的费舍尔向量表示,最后利用线性SVM分类器识别出舰船目标。对多波段图像进行舰船目标候选区域生成实验,所提出的基于红外舰船目标的几何和灰度特征的约束方法可以有效地克服选择性搜索算法的不足,从初始目标候选区域中快速定位出舰船目标候选区域,对25组多波段图像进行实验,舰船目标候选区域生成的整体耗时为0.353 s,定位舰船目标区域耗时0.005 s。对100个正负样本进行目标识别测试,所提出的目标识别算法融合了目标的多波段图像特征信息,通过引入费舍尔向量挖掘了多波段图像梯度统计特征的深层次信息,算法的识别率达到了0.97,显著高于单波段红外图像的目标识别率。对25组多波段图像进行舰船目标检测实验,所提出的舰船目标检测方法能够在海天背景、岛岸背景以及亮带干扰等不同场景下完成海面舰船目标的检测工作,舰船目标定位准确,舰船目标召回率达到了0.95,每组多波段图像的平均检测耗时为1.33 s。研究结果表明,充分考虑海面舰船目标在红外图像中与局部海洋背景的辐射差异以及有效地融合舰船目标在多个红外波段图像中的辐射特征,可以增强舰船目标的可分性,提高舰船目标的识别率以及检测率,为基于多波段红外图像的海面舰船目标检测提供了新的技术支持。     

Pattern recognition system for the discrimination of multiple sclerosis from cerebral microangiopathy lesions based on texture analysis of magnetic resonance images

In this study, a pattern recognition system has been developed for the discrimination of multiple sclerosis (MS) from cerebral microangiopathy (CM) lesions based on computer-assisted texture analysis of magnetic resonance images. Twenty-three textural features were calculated from MS and CM regions of interest, delineated by experienced radiologists on fluid attenuated inversion recovery images and obtained from 11 patients diagnosed with clinically definite MS and from 18 patients diagnosed with clinically definite CM. The probabilistic neural network classifier was used to construct the proposed pattern recognition system and the generalization of the system to unseen data was evaluated using an external cross validation process. According to the findings of the present study, statistically significant differences exist in the values of the textural features between CM and MS: MS regions were darker, of higher contrast, less homogeneous and rougher as compared to CM.     

贝叶斯优化卷积神经网络公共场所异常声识别

针对公共场所异常声的感知和识别问题,提出一种基于贝叶斯优化卷积神经网络的识别方法。提取声信号的Gammatone倒谱系数、倍频程功率谱、短时能量和谱质心,组合成声信号的特征图。构建卷积神经网络作为分类器,利用递增的卷积核设置和池化操作处理不同尺度的特征。基于贝叶斯优化算法优化卷积神经网络的模型参数,对包括火苗噼啪声、婴儿啼哭声、烟花燃放声、玻璃破碎声和警报声的5种公共场所异常声进行识别。该方法的识别结果与基于不同的特征提取和分类器方案得到的识别结果进行比较,结果表明该方法的识别效果优于其他特征提取和分类器方案的识别效果。最后分析了该方法在不同信噪比噪声干扰下的识别结果,验证了该方法的有效性。     

Enhancing the discrimination accuracy between metastases, gliomas and meningiomas on brain MRI by volumetric textural features and ensemble pattern recognition methods

Three-dimensional (3D) texture analysis of volumetric brain magnetic resonance (MR) images has been identified as an important indicator for discriminating among different brain pathologies. The purpose of this study was to evaluate the efficiency of 3D textural features using a pattern recognition system in the task of discriminating benign, malignant and metastatic brain tissues on T1 postcontrast MR imaging (MRI) series. The dataset consisted of 67 brain MRI series obtained from patients with verified and untreated intracranial tumors. The pattern recognition system was designed as an ensemble classification scheme employing a support vector machine classifier, specially modified in order to integrate the least squares features transformation logic in its kernel function. The latter, in conjunction with using 3D textural features, enabled boosting up the performance of the system in discriminating metastatic, malignant and benign brain tumors with 77.14%, 89.19% and 93.33% accuracy, respectively. The method was evaluated using an external cross-validation process; thus, results might be considered indicative of the generalization performance of the system to "unseen" cases. The proposed system might be used as an assisting tool for brain tumor characterization on volumetric MRI series.