基于平移相减法的机织物组织识别

针对现有机织物组织识别方法适用范围窄、鲁棒性差的现状，课题组提出一种计算织物组织循环大小的平移相减算法（translational subtraction algorithm，TSA），并提出了一种基于TSA算法的机织物组织有效识别方法。该方法结合机织物图像不同方向的TSA算法和水平方向的亮度累加法获取织 物组织循环宽度和纬线宽度，然后对机织物图像进行错位TSA算法，分析错位TSA曲线相位的周期性和大小，可以得到织物组织循环的纱线根数和飞数，最终获 得机织物图像的组织意匠图。实验证明该方法对机织物图像光照、纹理和倾斜等干扰因素具有鲁棒性，能有效识别各种类型的机织物组织。     

基于改进ORB算法的特征点匹配研究

针对ORB(Oriented FAST and Rotated BRIEF)算法不具有尺度不变性的缺陷,结合多尺度Shi-Tomasi算法提出了改进的ORB算法:STORB(Shi-Tomasi-ORB)算法。首先在多尺度空间中通过快速预筛选后检测Shi-Tomasi特征点,然后使用ORB算法生成具有方向信息和尺度信息的特征点描述子,最后采用汉明(Hamming)距离对特征点进行匹配,并结合随机抽样一致(RANSAC)算法对匹配结果进行优化,实现图像的准确匹配。实验结果表明,STORB算法不仅保留了ORB算法优良的旋转不变性与实时性,而且当图像发生尺度变化时特征点匹配正确率达到了95.8%,比ORB算法提高了65.2%。     

基于流数据频繁项挖掘的可疑金融交易识别研究

针对目前基于静态数据挖掘的可疑交易识别方法在处理该类交易数据时所面临的困难与局限性,结合可疑金融交易的特征,设计了基于流数据频繁项挖掘的可疑金融交易识别算法。该算法改进了有损计数法,利用实时保留的具有较高重复度的历史数据项解决了数据处理过程中的过度删除问题,实现了对频度列表中项的及时更新,并依据从数据流中识别出的频繁项来发现可疑金融交易线索。仿真实验结果验证了该算法的可行性和有效性。     

基于LTP子模式的人脸识别研究

针对局部三元模式提取到的人脸特征通常具有较高的维数,导致特征的紧致度不高,提出一种新的局部人脸特征提取方法——LTP子模式,并结合线性鉴别分析获得最佳的人脸局部纹理紧致特征的分类投影轴.本文在ORL和AR两个标准人脸库上测试,LTP-SP提取到的人脸特征维数不到原LTP特征的30％,但是识别性能却优于原始算法,因此算法具有较好的应用前景.     

基于颜色特征的筒纱分拣机器人识别定位方法

针对筒纱分拣机器人作业目标的表面纹理复杂、位置随机摆放等干扰因素的问题,课题组提出了基于颜色特征的筒纱识别定位方法。构建了具有视觉感知的4自由度DOBOT筒纱分拣机器人系统,通过视觉系统获取筒纱多目标的图像,采用对图像进行预处理的算法来提高分拣目标的对比度;将作业目标由RGB空间转换到HSV颜色空间,提取各分量的颜色特征,采用区域生长法对不同颜色的多目标区域进行提取;建立基于图像信息的形心坐标,对各目标区域的连通域进行定位。实验结果表明：该方法能够实现对不同颜色的作业目标的识别与定位,并在分拣机器人的手眼标定的基础上,实现了对不同颜色的作业目标进行分拣。     

基于光电传感器的目标轮廓提取及其识别

针对物体外形轮廓特征,给出一种基于主动式光电传感器的轮廓特征提取方法,该方法是通过物体经过传感器组视场时各传感器输出状态来获取特征信息;并结合稀疏表示理论,提出一种基于稀疏表示的目标轮廓识别算法,该算法是将测试样本投影到稀疏域,依据系数的稀疏性对测试样本进行分类。数值仿真与实验结果表明：采用光电传感器组获取的信息能够有效地描述物体;且通过本文算法对不同类型物体进行分类,具有良好的识别效果;对不同条件下获得的特征样本进行分类时,具有良好的鲁棒性。     

基于光流法与背景建模法融合的车道线识别算法研究

为了准确高效地识别无人驾驶车辆行驶过程中的车道线信息,采用光流法与背景建模法相融合的车道线识别算法,针对车辆行驶中的连续视频,对比连续视频帧中车辆前方背景的相对运动,运用光流法检测出背景中特征点的移动方向和距离,再结合背景建模法将背景滤除,混合高斯模型去噪后进行ROI特征区域的提取进一步减少计算量,最后进行车道线的提取与拟合,达到车道线识别与提取的目的。     

基于Hough变换的低分辨率雷达目标识别

针对低分辨率雷达目标的识别问题,提出了一种基于Hough变换的特征提取方法.通过对Hough变换后参数空间进行特征定义来描述参数空间灰度图像的纹理分布特点,进而描述图像空间目标的形状特征.文中利用该方法结合径向基函数神经网络对低分辨率雷达船只目标轮廓像进行特征提取并识别,取得了较高的识别率.     

基于特征提取与LM-BP神经网络协同作用的异常条形码辨识方法

针对复杂工况环境下异常条形码的识别问题,提出了一种新的基于特征提取与BP神经网络协同作用的异常条形码判别方法。首先,为有效对条形码图像特征进行表征,从图像histogram of oriented gradient(HOG)特征、曲线特征、纹理粗糙度、纹理灰度特征着手,建立条形码识别的特征库;在此基础上,建立以LM-BP神经网络为核心的辨识框架对条形码特征进行训练和辨识;最后,通过模拟国网新疆电力有限公司电力科学研究院计量生产自动化系统现场的条形码图像验证了算法的合理性。实验结果表明:基于特征提取与LM-BP神经网络协同辨识的方法能有效对条形码状态进行识别,其识别精度可达88. 29%。     

结合LTP纹理特征和改进Mean-Shift的视频目标跟踪方法

视频序列中的目标跟踪效果受到尺度、光照和复杂背景等因素的影响,为此,提出一种结合局部三元模式(LTP)纹理特征和改进型Mean-Shift的目标跟踪方法。首先,为了提高传统Mean-Shift算法对尺度变化的鲁棒性,采用一种尺度和方向自适应的改进型Mean-Shift跟踪器,在均值漂移跟踪框架下估计目标的尺度和方向。另外,通过LTP来提取目标的纹理特征,将其与颜色特征相结合来表示目标模型。实验结果表明:该方法比只采用颜色特征的MeanShift算法更加有效,能处理快速移动物体在目标尺度和方向上的变化。