基于动态视觉运动特征的脉冲神经网络识别方法

针对现有脉冲神经网络(SNN)对动态视觉事件流识别精度低与实时性差等问题,该文提出一种基于动态视觉运动特征的脉冲神经网络识别方法。首先利用基于事件的运动历史信息表示与梯度方向计算提取事件流中的动态运动特征;然后引入时空池化操作来消除事件在时间和空间上的冗余,保留显著的运动特征;最后,将特征事件流输入脉冲神经网络进行学习与识别。在基准的动态视觉数据集上的实验结果表明,动态视觉运动特征可显著提升SNN对于事件流的识别精度与计算速度。

基于卷积神经网络的车牌字符识别

车牌字符识别是智能车牌识别系统中的重要组成部分。针对车牌字符类别多、背景复杂影响正确识别率的问题,提出了一种基于卷积神经网络(CNN)的车牌字符识别方法。首先对车牌字符图像进行大小归一化、去噪、二值化、细化、字符区域居中等预处理,去除复杂背景,得到简单的字符形状结构;然后,利用所提出的CNN模型对预处理后的车牌字符集进行训练、识别。实验结果表明,所提方法能够达到99.96%的正确识别率,优于其他三种对比方法。说明所提出的CNN方法对车牌字符具有很好的识别性能,能满足实际应用需求。

基于发育网络识别模型的大熊猫面部识别

个体识别是动物行为学与生态学研究工作的基础,也是制定珍稀野生动物保护政策的重要依据。为了丰富大熊猫个体识别和种群数量调查的方法,我们于2017年7月分别在四川省雅安市碧峰峡大熊猫基地和四川省汶川县耿达镇的中华大熊猫苑共计拍摄18只大熊猫个体,每只大熊猫拍摄6~13张高质量面部照片(共计131张),利用发育网络(Developmental Network)建立大熊猫面部识别模型。利用此模型对存在部分背景的大熊猫面部照片进行识别检测,得到的个体识别率为79. 41%,对完全去除背景的大熊猫面部照片进行识别检测,得到的个体识别率为58. 82%。研究表明,发育网络具有足够的大熊猫个体识别能力,不同背景比例的照片对大熊猫个体识别的实际结果具有较大的影响。随着发育网络识别模型的发展,我们建议更多的野生动物保护研究者结合这一技术深入地开展珍稀野生动物(如大熊猫)个体识别研究,逐步提高识别准确度,并应用到关键区域大规模的动物调查中。

结合小波去噪的改进型Canny边缘检测算法

针对传统Canny边缘检测算法采用高斯滤波器对图像进行平滑去噪时容易引起去噪图像过度光滑的问题,提出了一种将小波去噪引入到Canny算法中的改进算法。使用小波滤波方法可以较好地去除图像噪声,通过计算梯度算子的方向和幅值,采用非极大值抑制与双阈值方法来连接边缘。实验结果表明:改进后的Canny算法不仅对噪声具有较高的抑制能力,而且还使图像边缘轮廓更加清晰。