基于Hu修正不变矩的商标识别

商标是商品的重要标识,代表着商品的质量与生产厂家的信誉,因而商标的自动识别具有重大意义和广泛的应用前景.在各种识别算法中,最为关键的是目标特征提取,由于矩特征具有较好的不变特性而得到普遍应用.为此,本文将采用Hu修正不变矩对商标图像进行形状特征提取,并利用最小距离分类器来进行特征匹配,以此为基础对商标进行识别.仿真实验表明该方法不但满足不变矩的特征,而且还具有较高的识别率,有利于商标识别.

基于深度数据的三维人脸识别

为了进一步提高三维人脸识别效率,在Fisherface和局部二值模式(LBP)的基础上,提出了基于深度数据的三维人脸识别方法:先提取人脸的深度数据,再将深度数据与LBP相结合提取人脸特征,然后采用Fisherface方法进行识别.实验结果表明,相对于单一的特征识别方法,基于LBP_深度数据和Fisherface特征融合的方法更能提高三维人脸识别效率.

综合多特征的图像检索方法

基于内容的图像检索技术利用图像的颜色、纹理、形状等基本特征进行检索,成为当今图像检索领域的一个研究热点.由于图像内容的多样性,不同的图像其侧重点有所不同,为此,论文提出了一种综合多特征的图像检索方法.在该方法中,用户可根据对颜色、纹理或形状信息的敏感程度,调节相应的权值来进行检索,并对检索出的图像按相似度大小给出排名.实验结果表明该方法与采用单一特征的检索方法相比效果有较大改善.

基于表情变化的三维人脸识别

为了减小表情变化对三维人脸识别带来的影响,提出一种由粗到细的识别方法。以人脸的深度数据为整体特征,采用Fisherface(PCA+LDA)方法进行匹配,以面部刚性区域作为局部特征采用改进的迭代最近点(ICP)算法进行比配,将得到的整体特征和局部特征进行融合。实验结果表明,该方法能有效提高人脸识别系统针对表情变化的鲁棒性。

基于改进Zernike矩的图像识别

针对图像旋转和尺度变换所引起的图像重采样和重量化的问题,提出了Zernike矩的改进方法.该方法先对图像中的目标区域进行形状归一化,再对Zernike矩进行归一化.实验数据表明,改进后的Zernike矩不仅具有旋转不变性,而且还具有改进前不具备的比例不变性.基于最小距离分类器对待识别目标进行分类的结果表明,改进的Zernike矩具有较高的识别率,其不足是不适用目标图像背景复杂的情况.