基于多特征模糊融合的疲劳状态判决

在基于视觉的疲劳驾驶识别过程中,使用单个特征进行疲劳驾驶判断,常常会受到非普遍适用性、噪声等因素的影响,从而导致识别率降低。为了解决眼部特征参数或者是嘴巴特征参数单个特征识别率低甚至特使环境无法识别的问题,提出一种基于多特征融合的判决方法,利用了各种特征之间的优势互补,可以降低噪声和类内类间差异的影响,从而提高系统的性能,并且能增强适用性。最后通过实验结果证明,使用眼部和嘴巴特征融合的方法比单一的判决方法准确率更高。     

红外成像自动目标识别技术研究--计算模型与数据流程

红外自动目标识别是当前智能化图像处理及应用开发的前沿关键技术,其研究进展与计算机视觉的发展水平紧密相关。人类视觉系统是计算机视觉的原始模型,其视觉感知机理的研究将有助于揭示视觉表象的本质,进而为准确描述图像特征信息提供科学而可靠的依据。主要从视觉感知模型、感知功能模块响应特性、视觉对比灵敏度等方面对视觉感知基本原理加以综合分析,并力图利用这些功能卓越的信息处理机制阐明一种具有普适性的视觉计算模型———目标-背景表征模型。在此基础上,将背景区域感知与目标特征分析相结合,提出了自适应信号检测、目标特征识别和运动轨迹跟踪的层次化数据处理流程,从而为红外自动目标识别技术提供一条新的探索途径。     

改进的YOLOV3算法在小目标检测中的研究与应用

战场目标的图像检测与识别对于战场监视、侦察、毁伤状态评估和火控系统研究等具有重要作用.以坦克装甲目标为研究对象,选用识别精度高、速度快的YOLOV3为基础目标检测模型,针对复杂战场环境中获取图像目标特征信息少的问题,引入多尺度特征增强结构的方法对YOLOV3模型进行改进,通过丰富特征图多样性的方式,提高模型性能.在坦克数据集上的实验结果表明,改进后的算法对于复杂战场环境下的小目标特征具有更强的敏感性,较大程度上增强了模型的识别精度.     

人脸特征定位在油库安全监控中的应用研究

人脸特征定位是人脸检测与识别中的重点与难点,也是研究的热点;而油库安全是油库各项工作的首位,是油库建设和发展的“生命线”,通过人脸检测进行个人身份识别是消除人为不安全因素,保证油库安全的有效措施。在此背景下提出了一种基于人脸图像的对人脸特征进行定位以及提取轮廓的方法,这种方法可以提高人脸特征检测的效率。并把这种方法应用到油库安全监控中,提出了系统的原理与设计,来达到保障油库安全的目的。     

基于直线特征的图像－模型匹配算法

提出了一种新的基于直线特征的图像与模型匹配方法。该方法选择那些可以描述目标边界的直线建立模型。识别时 ,分层次地综合使用直线的多种特性 ,从而提高了效率 ,减少了误匹配的可能性。文中给出了用仿真图像和真实图像所做的实验结果。该算法可以用于目标识别、变化检测和视觉导航等多个领域     

基于模糊模式识别的战场目标识别

分析战场目标的结构、材料、征候、特征及辐射原理等存在的差异,运用模糊模式识别方法,建立了战场目标识别的数学模型,给出了目标识别的详细步骤和方法:选取目标特征量、构造标准模糊集合、构造待识别模糊集合、应用择近原则进行目标识别,并通过算例,得到一些有价值的结论。模型和方法可供C3I系统快速准确的识别战场目标。     

基于机器学习的固体火箭发动机无损检测

传统固体火箭发动机无损检测图像判读工作存在人工识别效率低、图像数据分散及数据利用率低等问题。本文借助机器学习算法与计算机视觉技术,利用大量发动机无损检测图像数据开展无损检测图像数据预处理、边缘检测以及数据模型训练和应用等技术研究,探索快速、准确获得发动机无损检测图像数据特征的方法,深入挖掘固体发动机无损检测数据的内在联系,找到潜在规律。本研究不仅为固体发动机无损检测图像判读提供了一种准确、高效的手段,同时,能够为发动机无损检测图像识别、测量、判读和发动机相关故障模式分析与故障诊断提供数据和决策支持,也能够为未来机器学习在固体发动机无损检测图像判读领域的深入应用提供实践探索和理论研究方面的参考。     

基于机器学习的固体火箭发动机无损检测数据智能判读

传统固体火箭发动机无损检测图像判读工作存在人工识别效率低、图像数据分散及数据利用率低等问题。本文借助机器学习算法与计算机视觉技术,利用大量发动机无损检测图像数据开展无损检测图像数据预处理、边缘检测以及数据模型训练和应用等技术研究,探索快速、准确获得发动机无损检测图像数据特征的方法,深入挖掘固体发动机无损检测数据的内在联系,找到潜在规律。本研究不仅为固体发动机无损检测图像判读提供了一种准确、高效的手段,同时,能够为发动机无损检测图像识别、测量、判读和发动机相关故障模式分析与故障诊断提供数据和决策支持,也能够为未来机器学习在固体发动机无损检测图像判读领域的深入应用提供实践探索和理论研究方面的参考。     

自组织特征映射网络在目标分类识别中的应用

为了在日趋复杂的空战环境中准确分析出目标的类型,以达到辅助决策之目的,采用自组织特征映射网络来对目标进行分类识别.首先提取影响目标识别的类特征,然后对其预处理.在此基础上建立SOM网络目标识别模型,并利用SOM网络算法实施无监督的自组织学习.在学习的过程中,通过不断调节网络节点间的权向量,来实现目标聚类.最后,通过仿真验证了该方法在目标分类识别中的可行性和实用性.     

移动终端基于机器视觉的器材识别研究

提出了单兵移动终端离线状态下基于机器视觉的装备器材识别的方法,从图像采集、图像预处理、特征提取及数据匹配3个模块展开分析。简要介绍了手持终端图像采集的相关考量。通过畸变校正、降噪、轮廓提取等,得到器材的轮廓图像,为特征提取做好准备。选取器材的几何形状特征作为识别依据,通过ORB算法得到图像的特征向量,并进行匹配,达到识别器材的目的。实验测试数据表明,该算法具有较高的识别率和良好的实时性。     

稳定特征选择的多目标蚁群优化

为了提高进化算法特征选择稳定性,提出一种面向稳定特征选择的多目标蚁群优化方法。通过抽样策略集成三种特征排序法的输出作为多目标蚁群优化的稳定性指导信息,聚合特征的费舍尔分值和最大信息系数值作为多目标蚁群优化的启发式信息,以分类正确率和扩展昆彻瓦指标值作为两个优化目标,兼顾算法的分类性能与特征选择稳定性。在四个标准数据集上进行对比实验,结果表明,所提方法能够在分类性能与稳定性方面达到较好的平衡。     

机械系统状态监测特征参数评价与选取

根据机械不同异常状态出现的频率和危害度的大小,引入状态权值,建立了特征参数总体敏感性和稳定性的评价指标,采用专家系统设计思想,编写了机械状态监测特征参数评价与选取应用软件,实现了特征参数的自动选取以及对特征参数和机械状态数据的有效管理。     

基于特征点匹配的图像拼接算法研究

通过查找待拼接两幅图像的对应特征点以确定两幅图像的缝合点,进而确定两者的匹配位置,通过对图像的重叠区域进行平滑过渡处理,实现了待拼接图像的无缝拼接。实验结果表明,文中所提算法合理,取得了良好的效果。     

特征量积和IHS变换的多源遥感图像融合方法

以高空间分辨率的SAR图像和高光谱分辨率的TM图像为例,提出了一种基于特征量积和IHS变换的多源遥感图像融合方法.该方法首先对TM图像作IHS变换,得到亮度I、色度H与饱和度S三个分量;其次,依据特征量积准则融合TM图像的亮度分量和SAR图像,并用融合结果替代TM图像的亮度分量;最后,作IHS反变换得到融合图像.实验结果表明,与IHS法和小波变换法相比,方法快速、简洁,在保持光谱信息与增强空间细节信息两个方面的综合性能均得到提高.     

一种基于特征匹配的实时电子稳像算法

为了实时地稳定摄像系统的输出视频,提出了一种基于特征匹配的实时电子稳像算法。将改进的Kanade Lucas Tomasi(KLT)算法用于特征提取,并提出一种新的基于灰度投影均值的特征匹配算法。为了保证稳像结果的鲁棒性,还给出了特征的有效性检验方法。另外,基于高实时性对运动滤波算法的要求,在有意运动参数估计中采用了递归Kalman滤波法。实验表明,在微机上稳定单帧图像仅需24.7ms,能够满足实时性要求,且具有良好的稳像效果。     

网络入侵检测系统中的数据缩减技术

在进行事件分析之前,网络入侵检测系统首先要面对数据缩减的问题。以ANIDS为背景,分析了两种重要的数据缩减技术:相关特征子集选择和特征再构造。提出了一种基于Wrapper方法的最优特征子集选取算法SRRW。在考虑学习算法偏置的情况下,通过识别强相关特征并引入约束,能够更快地搜索并获得最优的相关特征子集。从特征再构造角度出发实现数据缩减,并通过因子负荷量矩阵分析了原始特征之间的相关性。     

基于线特征的多时相遥感图像变化检测

多时相遥感图像中利用线特征可以感知道路等线形地物的变化。论文提出一种新的基于边缘特征描述的线特征变化检测算法,首先根据边缘的梯度信息得到变化边缘,并对变化边缘进行编组,形成变化边缘的直线支撑区域,然后通过最小二乘拟合方法从直线支撑区域中提取出变化直线。提出的线特征变化检测算法把边缘的相位和幅度信息作为变化检测的判定依据,从而避免了线的匹配与比较工作,降低了变化检测的算法复杂度,具有很强的实用性。将提出的方法用于多时相遥感图像变化检测,实验结果显示该方法的有效性。     

基于Fisher线性判别模型的文本特征选择算法

在采用向量空间模型表示方法的文本分类系统中,维数约简是必要的步骤,特征选择方法由于计算复杂度较低而被广泛采用.本文基于Fisher线性判别模型提出了一种新的文本特征选择算法,将其求解过程转换为一个特征项优化组合的问题,避免了复杂的矩阵变换运算.实验表明,该方法与信息增益、卡方统计方法比较,具有较明显的优势.     

基于深度森林的网络流量分类方法

随着网络应用的迅猛发展,流量分类在网络资源分配、流量调度和网络安全等诸多研究领域受到广泛关注。现有的机器学习流量分类方法对流量数据特征的选取和分布要求苛刻,导致在实际应用中的复杂流量场景下分类精确度和稳定度难以提高。为了解决样本特征属性的复杂性给分类性能带来的不利影响,引入了基于深度森林的流量分类方法。该算法通过级联森林和多粒度扫描机制,能够在样本数量规模和特征属性选取规模有限的情况下,有效地提高流量整体分类性能。通过网络流量公开数据集Moore对支持向量机、随机森林和深度森林机器学习算法进行训练和测试,结果表明基于深度森林的网络流量分类器的分类准确率能够达到96. 36%,性能优于其他机器学习模型。     

遗传算法及其应用

简述了遗传算法的其本原理和特点,并将其应用于声纳目标特征的选择。实验结果表明了遗传算法在模式特征优化和选择中的优势。