一种利用Gabor小波特征的目标跟踪方法

小波特征跟踪是一种新的目标跟踪方法。这种方法利用Gabor小波提取目标的边界特征来组成特征模板,并由小波滤波器系数组成特征向量。在跟踪过程中不断优化特征模板的旋转、尺度及平移等几何变形参数,使得小波特征向量值在最小平方和的意义上与初始值相匹配,从而实现目标旋转、尺度及平移等几何变形时的自动跟踪。实验表明,该方法能够有效地跟踪飞机、车辆等目标,并且能够抵抗全局亮度的变化和局部遮挡的干扰。     

商标数据库存储模式及其检索算法研究

依据商标专家的先验知识和基于内容的图像检索技术，提出了一种新的商标库存储结构，并依据该存储结构设计了以三级检索算法为核心的实用商标登记注册管理系统，对于检索算法，一级检索采用人工确认，二级检索采用傅立叶描述子作为边缘特征向量，三级检索采用hu不变矩组作为矩特征向量，从而达到提高商标申请注册中的检索速度和查准率。     

基于高相关区域上最小角回归的华南初夏暴雨日数预测

本文研究华南地区暴雨日数与前期环流因子及外强迫因子关系,并在此基础上构建该地区暴雨日数预测模型.我们首先使用高相关区域算法选取构造特征进行变量降维,然后使用最小角回归方法对华南地区初夏暴雨日数进行预测.时间距平相关系数(TCC)、同号率(SS)、决定系数(CD)及调整的Ps评分(APs)等评分结果表明:与其它模型相比,基于高相关区域的最小角回归模型预测结果与观测值具有较强的时间相关性及较高的APs评分,这表明本文所构造方法具有较强的实用价值.     

基于卷积神经网络特征提取的拉曼光谱分类研究

拉曼光谱物质定性识别已被广泛的应用于化工、安防、缉毒等行业和研究领域,但是传统的拉曼光谱分析技术依赖于光谱数据库,通过光谱特征提取进行识别。特征提取是拉曼识别的关键处理步骤,通常利用主成分分析,因子分析等方法进行特征提取,而后通过KNN,SVM和随机森林等方法进行光谱特征定性识别,当拉曼数据库不存在待定性物质时,易造成待检测物质的错误分类。针对此问题,提出一种基于卷积神经网络的对数据库缺少物质光谱识别方法。在实验过程中,采用九类,200余种精神类药品拉曼光谱作为测试对象,通过搭建卷积神经网络自动特征提取并利用Softmax分类器将200余种物质,按照Amphetamine, cathinone, cannabinoids等九种类别进行定性分析。通过与传统机器学习方法如K近邻,支持向量机等方法进行比较,基于卷积神经网络的模型识别准确性有显著提高,该方法可为拉曼光谱数据库的光谱识别检索提供一种新的识别方法。     

一种基于多准则决策和PSO-LM混合优化算法的多峰Brillouin散射谱的特征提取方法

采用传统方法对多峰Brillouin散射谱进行拟合的过程中,通常是以谱线最大功率点为基准的,却忽略了其他比该点小但却是极值的功率点。这样获得的拟合曲线通常只有一个峰值,相当于把除最高峰之外还有多个小峰的多峰Brillouin散射谱进行了简化,导致大量有用信息的丢失。为了提高Brillouin散射谱的特征提取精度,提出了一种基于MCDM和PSO-LM混合优化算法的多峰Brillouin散射谱特征提取方法(MCDM-PSO-LM)。MCDM可以识别和准确定位多峰Brillouin散射谱的各个波峰和波谷;PSO-LM混合优化算法可以实现分别对各个波峰和波谷的曲线进行拟合并找到每一个波峰的中心频率,该算法既克服了PSO算法过早收敛于局部极值和LM算法依赖初值的问题,又可以将PSO算法的全局搜索能力和LM算法的局部收敛能力结合在一起。较传统算法而言,MCDM-PSO-LM算法保证了对最优值求解的速度和精度,提高了运算能力,使解析解最大限度地接近最优值。分别在不同信噪比和不同线宽条件下进行仿真验证,频移和温度误差分析结果表明,MCDM-PSO-LM方法可以对多峰Brillouin散射谱的各个波峰与波谷进行准确定位,可用于多峰Brillouin散射谱的特征提取,识别效果明显强于传统算法,提高了信息分析的准确性。     

基于多特征和改进稀疏表示的高光谱图像分类

为了实现对高光谱图像的分类,提出了一种基于多特征和改进稀疏表示的方法——MFISR。从高光谱图像中提取光谱特征、Gabor特征和局部二值模式(LBP)特征,求解稀疏系数,同时增加一个2范式约束,利用所得系数得到每个测试像素的最终类别标签。实验结果表明:所提MFISR方法对小样本的检测效果显著,分类性能稳定且较优。     

块运动信息加权的视频质量评估算法

有效地反映人眼视觉系统对视频的感知是客观视频质量评估的关键。提出了一种全参考视频质量评估算法。首先抽取基于结构相似度量的空间域特征和基于光流的时间域特征,然后通过将时间域特征与空间域特征进行加权,以此构造视频的空时视频质量评估指标。实验结果表明,全参考视频质量评估算法不但具有快速的计算能力,而且能够准确地反映人眼视觉系统的视觉感知效果,具有良好的视频评估效果。     

基于图像处理的闸机口跳闸事件检测算法

文中提出了一种基于图像处理的闸机口跳闸事件检测方法。首先,利用模板匹配的方法进行预处理,得到闸门图像匹配率;其次,根据跳闸事件的连贯性特点,提取一段连续时间序列的匹配率作为分类特征;最后,采取基于最小错误率的贝叶斯分类方法对这段时间序列特征向量进行分类。实验表明,该算法可以有效的检测出闸机口的跳闸事件,具有实时性好、不需要额外的传感器、成本低的优点,具有较好的工程应用前景。     

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。     

基于CNN-SVM的地下目标形状识别

针对传统地下目标识别算法中特征提取方法的缺陷,鉴于深度学习中的卷积神经网络（CNN）能自动从数据中提取特征,但CNN自带的分类器不能很好的解决非线性分类问题,由于SVM具有良好的泛化分类能力,为此提出基于CNN-SVM的地下目标形状识别方法。本文首先在地表面光滑场景下,利用该方法对地下圆形和矩形目标识别,然后加大场景难度,在地表面粗糙场景下进行地下目标形状识别。实验结果表明,相比传统人工设计的特征分类方法,该算法利用CNN自动提取的特征联合SVM提高了CNN的分类准确率,并且在两种场景下都具有更高的地下目标识别精度。