地面管道无人机巡查起伏地形跟随方法

在利用无人机对地面管道巡查时,一般较理想的作业飞行高度是100 m左右,无人机在飞行时会沿初设高度进行定高飞行,如果在飞行途中遇到起伏地形,需要人为提前探查地形,调整飞行高度,这种方法会加大工作量,而且遇到GPS信号较弱区域容易产生较大误差。另外,也可以采用自动测距的方式来实现智能飞行,通过在无人机上搭载激光测距仪、声纳测距仪等设备进行主动测距,其优点是精度高,但这种形式会增加无人机载荷及其成本。针对以上问题,提出一种基于单目定焦摄像机图像的视觉测距方法,根据小孔成像原理对管道图像特征进行提取分析,得到无人机距离管道的实际距离。该方法简单高效,有利于实现巡线工作自动化。     

基于Gabor滤波特征和一类分类器的人脸检测

人脸检测是人脸识别的一项重要任务.论文提出了一种基于Gabor滤波特征和一类分类器的正面人脸检测方法.算法首先利用了Gabor滤波器的良好的空间位置与方向的选择特性,采用了四种方向的Gabor滤波器提取人脸样本图像特征并用PCA方法对特征降维,然后用已降维的特征训练支持向量机分类器.最后应用一类分类器分类检测人脸.实验结果证明该方法是十分有效.     

小波-神经网络在视频文本自动检测中的应用

数字视频数据中的文本能提供重要的语义信息,用具有良好时频局部特性和变尺度特性的小波分析方法,提取图像中的尺度一空域特征,经神经网络分类器进行分类后,自动检测视频数据中的文本信息,为基于内容的视频检索提供索引．实验表明该检测方法效果良好。     

基于D-S理论的多特征融合人体检测算法

提出一种基于D-S证据理论的多特征融合人体检测算法.该方法首先使用harr-like特征方法和HOG特征方法提取人体特征,然后利用后验概率密度函数,估计出两个基本概率分配函数,最后应用D-S证据理论中的合成法则,将两个特征的分类器进行融合决策.实验结果表明,本文提出的算法在Inria数据集上取得了较好的效果,满足了一般工程应用的要求.     

改进样本加权K近邻分类器用于垃圾网页检测

针对垃圾网页检测过程中的"维数灾难"和不平衡分类问题,提出一种融合最优Fisher特征选择的样本加权K近邻分类器用于垃圾网页检测。首先,针对训练数据集进行Fisher特征选择,按Fisher Score从大到小排序,依次选择Fisher Score更大的特征对训练数据集进行样本加权的K近邻分类,根据训练数据集分类结果的AUC值是否增加以确定是否保留某个特征,最后基于保留的最优特征子集对测试数据集进行样本加权的K近邻分类。在WEBSPAM UK-2006数据集上的实验表明:该方法明显优于决策树、支持向量机、朴素贝叶斯、K近邻等传统分类器。与其他相关方法相比,该方法在准确率、F1测度和AUC指标上接近最优结果。     

基于HOG局部双线性插值的机械零部件检测与识别

传统方向梯度直方图(HOG)特征方法用于机械零部件检测时,对零部件的微小缺陷点的检测和识别不是很有效,因此课题组提出了一种局部双线性插值的HOG特征提取改进算法,将其用于小缺陷点的零件的检测和识别。首先,在图像内部的某个块上实现局部双线性插值;然后对局部双线性插值图像块进行梯度计算,提取新的梯度方向直方图;最后利用神经网络分类方法对具有微小缺陷点的零件进行检测。实验结果表明：局部双线性插值HOG特征提取方法比传统的HOG特征提取方法具有更好的检测性能;增强图像的抗混叠识别效果。     

基于DCT和KDA的人脸特征提取新方法

提出了一种新的人脸特征提取方法,该方法采用DCT对人脸图像进行降维和去噪,并通过KDA提取人脸特征。基于该特征,采用NN分类器,对ORL人脸库进行分类识别,仅用28个特征平均识别率就达到97.3%,“留一法”识别率为99.5%。仿真结果表明:该方法有效地滤除了人脸图像中的高频干扰信息,明显增强了特征的辨别能力,同时显著地降低了特征维数和计算复杂度。     

基于平行边缘点对的道路检测方法

为有效解决高分辨率遥感图像中的道路检测问题,提出了一种基于平行边缘点对的处理方法。首先归纳了高分辨率遥感图像道路的基本特征,提出一种平行点对模型;然后提取图像边缘信息,综合利用道路边缘梯度方向、道路边界灰度,构造对称方向宽度谱;最后通过非极大值抑制处理,得到对应于主干道路的局部峰值,并获取相应的倾角和水平宽度值,实现主干道路的自动提取。实验结果表明:该方法具有较高的检测精度,可以有效提取主干道路边缘,对直线和曲线道路都有较好的效果。     

运用核Fisher鉴别分析和MPM分类器的入侵检测

为了提高分类器的正确率和减少训练时间,将特征提取技术与分类算法结合,提出了一种基于核Fisher鉴别分析和最小极大概率机算法的入侵检测算法。利用核Fisher鉴别分析技术提取关键特征,运用最小极大概率机对提取特征后的数据进行分类,采用离线数据集KDDCUP99进行实验。实验结果表明,该算法是可行和有效的,使分类性能和训练时间都得到了提高。     

采用自适应GHA神经网络的分类器设计

介绍了一种自适应逼近数据实质维的GHA神经网络学习算法。基于主元子空间分解的思想,给出了基于该算法的分类器刻画方法,对其中的刻画参数给出了详细的界定。该分类器采用监督学习机制进行训练,可以自动学习输入的主元特征子空间维数。在入侵检测领域,利用KDD CUP 1999数据集对该方法进行了仿真。采用正常连接数据训练GHA异常检测分类器,利用拒绝服务攻击数据进行了误用检测训练。并将测试结果与其他入侵检测方法进行了比较。     

机械零件图像表面瑕疵的检测算法

针对机械零件表面瑕疵检测问题,将机器视觉技术用于零件表面图像瑕疵的提取和分析,提出一种基于粒子群 优化算法加权模糊C均值聚类的零件缺陷图像智能分割算法,精确定位了机械零件表面的瑕疵区域。缺陷的形状特征 是判断其类型的重要依据,提取缺陷的形状特征,设计支持向量机分类器来检测划痕、裂纹、砂眼等表面瑕疵。研究结果 表明,该方法具有较强的实用性,在实验数据库上达到90%以上的正确识别率。     

基于机器视觉的玉米头尾识别

为进行玉米棒头尾识别，课题组提出了一种基于机器视觉和机器学习的玉米头尾识别方法。该方法先对玉米图像进行分割，后对分割后图像提取其方向梯度直方图(histogram of oriented gradient, HOG)特征向量;并利用主成分分析法(principal component analysis, PCA)对特征向量进行降维，最后使用降维后的特征向量和交叉验证方法训练支持向量机(support vector machine, SVM)，最终实现对玉米的头尾识别。试验结果表明该方法的识别率为97.2%。该方法具有较高的可行性和准确率，可用于玉米的头尾识别。     

基于磁光图像的飞机铆钉缺陷识别

针对飞机铆钉磁光图像的识别问题,提出了一种基于模糊支持向量机的裂纹有无和裂纹方向自动识别的新方法。该方法首先对铆钉磁光图像进行预处理得到铆钉二值化图像;然后采用阈值法求取铆钉中心;最后将由铆钉中心发出的星形射线矢量作为特征,采用模糊支持向量机方法对铆钉有无裂纹和裂纹方向进行分类。其中,支持向量机的核宽及惩罚常数采用网格法进行选取,并结合模糊隶属度函数解决多类分类问题中存在的错分和拒分现象。实验结果表明,使用训练获得的支持向量机分类器识别裂纹缺陷取得了很好的效果,能够满足自动检测的高实时性要求。     

多特征融合的人脸表情识别

提出了一种多特征融合的表情识剐模型：首先,对预处理后的图像提取2种局部描述算子Gabor特征和多元中心化二值模式特征。根据对表情的贡献程度划分表情子区域;其次,通过主成份分析法对表情子区域的特征向量进行降堆,并构建随机子空间训练分类器;最后,利用Bagging技术提高多分类器的分类性能,并采用加权投票的融合规则进行决策判别．人脸表情库的实验结果表明。此方法有很好的鲁棒性和识别率．     

基于小波变换的机织物高密度检测

针对目前高密度机织物密度自动检测算法测量精度较低的现象,提出在三原组织织物密度自动检测过程中,利用小波变换的分解与重构特性分析预处理后的织物图像,对分解的子图像进行二值化、平滑处理来提取纱线周期性特征 参数,统计二值图像中黑白循环更替次数来确定织物经纬密度。为提高密度检测精度,采用分区域平滑减小了斜纹纹路的影响;通过缎纹织物图像反面获取纬纱信息消除缎纹组织织物浮长的影响;运用形态学滤波去除因高密度织物上纱线毛羽导致平滑过程中出现的细条块。实验结果表明：该方法检测误约为1.00%,测量精度较高,具有一定的实用参考价值。     

基于NSVM的核空间训练数据减少方法

针对核空间中大数据集的计算代价高问题,提出用NSVM方法减少分类器的训练数据。先用NSVM、核主成分分析(KPCA)和贪婪KPCA分别从全部训练数据中提取训练分类器的子集;再用子集训练分类器,并用训练和测试数据的错分率对分类结果进行评价。在两个数据集和两种分类器中,用KPCA提取的子集训练的分类器的分类性能弱于NSVM和贪婪KPCA,但用贪婪KPCA提取的子集训练的分类器的泛化能力弱于NSVM。仿真结果表明,用NSVM方法提取的子集训练的分类器,不仅保证了分类器的泛化能力,也降低了分类算法的计算复杂度。     

基于Gabor变换和灰度梯度共生矩阵的人耳识别研究

人耳识别作为一种新兴的生物特征识别技术,具有其自身独特的优势。提出一种基于Gabor变换和灰度梯度共生矩阵的人耳身份识别方法。首先,利用Gabor变换和灰度-梯度共生矩阵融合提取人耳图像的纹理特征,然后采用K-NN分类器对特征进行分类。该方法用USTB人耳图像库做测试。实验结果表明介绍的提取人耳图像的纹理融合特征的方法优于只采用Gabor变换提取特征或是只提取灰度梯度共生矩阵的二次统计特征的性能。在明氏距离测度及K=1时,交叉验证识别率达到81.77%。     

基于深度学习的复杂背景下目标检测

针对某些静态图像背景复杂,受环境因素(光照、遮挡、掩盖等)影响较大的问题,提出一种基于深度学习算法的卷积神经网络(convolutional neural networks,CNN)结构对目标进行检测。利用CNN网络可自主提取图像特征并进行学习的优点,避免了复杂的人工特征选择和提取过程。通过一种区域合并的方法进行端到端的交替训练,在复杂背景图像的处理中体现出较优的性能。CNN的局部连接、权值共享及池化操作等特性使之可以有效地降低网络的复杂度、减少训练参数的数目、提高检测效率。试验验证结果表明:此方法在互联网图像数据库检测方面达到了较高的精度。采用坦克模型图像对复杂背景下的单目标、多目标以及不同程度的遮挡、伪装等情况进行试验,得出该方法具有一定的鲁棒性。     

基于多级特征稀疏表示的遥感图像分类

针对遥感图像样本较少、特征维数高、特征对分类器贡献差异等问题,提出一种多角度、多尺度特征增益的多级稀疏表示遥感图像分类方法,将遥感图像在8个角度5个尺度高斯分解以提取Gabor视觉特征,将粒子群算法中的惯性权重和加速因子设置为适应度的函数以避免早熟和加速收敛,改进后的粒子群算法寻找中心最大频率和带宽参数的最优取值,通过稀疏表示构建Gabor特征视觉词典,形成遥感图像稀疏系数矩阵作为分类器的输入,在分类器中引入信息熵和条件熵,计算特征增益以区分不同特征对分类器的贡献差异,并给出特征增益支持向量机高斯核函数的表达式实现图像分类。在Pavia University数据集上仿真测试结果为:改进粒子群寻优中心最大频率和带宽组合参数后相比随机确定组合参数的分类精度分别提高67.56%和62.49%,均方误差分别降低0.432 1和0.430 9,30步训练时间增加了37.354 s和34.276 s,分类的总体精度相比未考虑特征增益的SVM、BoVW或PLSA分别提高了1.96%、4.47%和5.39%,Kappa系数分别提升0.038 9、0.068 5和0.076 8。和弦图对分类结果可视化,更加直观地表现出所提方法类间混淆最少,总体分类精度最高。结果表明:二维Gabor滤波器组的中心最大频率和带宽对分类器的性能具有较大影响,通过寻优组合参数值用较小的时间可换取分类性能的较大提升,低频窄带提高了图像的描述能力和可解释性,特征增益可进一步提升分类器的性能,从而整体上改善遥感图像分类效果。     

融合Sobel-SIFT的花朵图像的特征提取方法

由于花朵图像特征的复杂性,往往需要先对原有图像进行花朵轮廓检测,再进行特征点提取.本文在传统的SIFT算法的基础上,提出了改进的Sobel-SIFT算法,以适用于花朵图像的特征提取.该方法首先针对传统的Sobel算法进行了方向模板的扩展,其次对检测到的边缘特征进行细化处理,最后使用SIFT特征提取算法对花朵图像进行特征点提取.试验结果显示该算法比原有算法获取了更为准确的特征点,验证了本文方法的有效性.