虹膜特性提取阶段的小波多尺度特征量化算法

随着生物识别技术日益扩大的应用范围和研究深度,各种识别算法层出不穷。主要介绍虹膜特征提取阶段一种常见的小波多尺度特征量化算法,阐述了算法技术、解决方案和效果。

基于多尺度残差空间注意力轻量化U-Net的农业害虫检测方法

田间害虫的快速精准检测是作物害虫防治的前提。现有基于卷积神经网络的作物害虫检测方法常包含大量训练参数,难以应用于现实场景中。针对上述难点,提出1种基于多尺度残差空间注意力轻量化U-Net(Multi-scale residual spatial attention lightweight U-Net,简称MSRSALU-Net)的检测方法,并应用于田间害虫检测。MSRSALU-Net由编码模块与解码模块组成。在MSRSALU-Net编码模块中,多尺度残差卷积模块用于提取害虫多尺度信息以缓解害虫尺度变化对检测性能的影响;空间注意力机制模块用于提取特征的全局依赖以缓解复杂背景对检测性能的干扰。此外,使用残差连接路径模块连接MSRSALU-Net的编码模块与解码模块,以更好地传播特征信息。在构建的IP13数据库上进行试验,基于MSRSALU-Net的害虫检测方法的识别精度为95.11%。与基于UNet、注意力UNet、MultiResUNet的害虫检测方法相比,MSRSALU-Net检测精度分别提高11.85%、5.38%、2.41%。模型参数量与U-Net、注意力UNet、MultiResUNet相比,分别减少了25.81%、21.45%、18.39%。结果表明,提出的MSRSALU-Net能有效克服害虫尺度变化、背景复杂等因素干扰,实现害虫的快速精准识别。该方法可为田间作物害虫检测系统提供技术支撑。

基于Google图像的农作物地块信息仿真提取技术

高分辨率遥感影像是农作物地块提取的主要数据源。为此,以由Google图像得到的多尺度影像分割与面向对象影像分析方法为主要技术,利用样本多边形对象的成员函数建立训练区,自动提取农作物的覆盖信息,可以直接应用于农业调查和生长趋势预测等方面。该方法具有信息获取周期短、精度高和成本低的特点,能够实现农作物地块信息的精确获取与快速更新。

基于Contourlet的中低码率图像质量可分级编码算法

首先对图像Contourlet变换各子带系数的分布情况进行了统计分析,进而给出了一种基于Contourlet变换的空间方向树结构,并统计验证了该空间方向树的"零树"特性.同时针对图像Contourlet变换各子带"重要系数"的分布情况提出了一种基于图像Contourlet方向子带的多尺度量化方案.该方案对图像的边缘方向信息和纹理信息具有很好的捕捉能力.在此基础上提出了一种基于Contourlet变换的嵌入式图像质量可分级编码算法.该算法除了具有一般基于小波变换的零树编码方法的特性外,还具有方向性和各向异性的特点,其解码图像在中低码率下无论是PSNR还是纹理和边缘区域的视觉效果均优于SPIHT算法.实验结果验证了所提出算法的有效性.

基于HSV与MLPQ的自适应人脸检测算法

针对复杂背景下彩色图像的人脸检测问题,提出一种基于HSV与多尺度局部量化(MLPQ)的自适应人脸检测算法。首先用HSV空间的肤色模型分割出可能包含人脸的区域。其次用可调的搜索窗口提取可能的人脸区域,并提取其多尺度局部相位量化特征(MLPQ)。最后通过计算人脸候选区域MLPQ直方图与训练样本库中人脸的MLPQ直方图的欧式距离,自适应地进行人脸的确认与定位。在BioID人脸库及彩色FERET人脸库中进行了多组实验,分别取得了92.5%及90.5%的检测率,充分验证了该方法的有效性。