基于多模态关系建模的三维形状识别方法

为了充分利用点云和多视图两种模态数据之间的局部空间关系以进一步提高三维形状识别精度,提出一个基于多模态关系的三维形状识别网络,首先设计多模态关系模块(multimodal relation module,MRM),该模块可以提取任意一个点云的局部特征和一个多视图的局部特征之间的关系信息,以得到对应的关系特征.然后,采用由最大池化和广义平均池化组成的级联池化对关系特征张量进行处理,得到全局关系特征.多模态关系模块分为两种类型,分别输出点-视图关系特征和视图-点关系特征.提出的门控模块采用自注意力机制来发现特征内部的关联信息,从而将聚合得到的全局特征进行加权来实现对冗余信息的抑制.详尽的实验表明多模态关系模块可以使网络获得更优的表征能力;门控模块可以让最终的全局特征更具判别力,提升检索任务的性能.所提网络在三维形状识别标准数据集ModelNet40和ModelNet10上分别取得了93.8%和95.0%的分类准确率以及90.5%和93.4%的平均检索精度,在同类工作中处于先进水平.

基于颜色形状识别和PnP算法的单目视觉轨道边坡位移检测方法

针对现有的轨道边坡位移检测技术,提出了一种基于颜色特征形状识别和PnP算法相结合的单目视觉检测方法。以待测区域内的标志物为检测对象,采用图像处理与识别技术,提取出目标特征;利用单目摄像头找到图像中的目标标志物;根据PnP算法估算出标志物的位姿,由相机的映射关系计算出目标标志物到单目摄像头的距离,通过对比标志物变化前后的距离,从而得到轨道边坡的位移变化,最终实现对轨道边坡位移的实时检测,提高测量效率。测试结果表明,目标距离在1000—5200 mm内,检测位移误差范围在2%左右。

毛边锯材形状识别系统设计

针对目前我国毛边锯材外形尺寸测量主要仍依赖人工完成的现状,基于运用功能设计法设计了一套基于光幕检测的毛边锯材形状识别系统,其主要由外形参数采集模块和数据处理模块构成。通过单片机编程设计了毛边锯材外形参数采集模块和数据处理模块的控制系统,可以实现毛边锯材外形参数的自动采集功能,为毛边锯材加工的自动化与智能化奠定基础。

基于STM32F103的颜色及形状识别系统设计

颜色及形状识别是机器视觉技术的一个重要组成部分,针对一些硬件资源有限的应用场景,文章提出了一种基于STM32F103的颜色及形状识别系统设计。设计通过OV7725摄像头模块进行图像的数据采集,先将图像数据转化到HSV空间,实现颜色识别及图像的二值化,然后通过图像腐蚀操作,识别到有效的区域,采用边长特征的方法来进行形状识别,最后,将识别后的结果数据通过串口传送出去。测试结果表明,该系统设计能实现红、黄、绿等颜色及圆形、正方形和三角形的形状识别。

支持向量机在植物病斑形状识别中的应用研究

植物病斑形状识别属于小样本问题。提出了一种新的模式识别方法—支持向量机方法在处理小样本问题时具有很好的学习能力和推广性。该文讨论了支持向量机分类方法应用于植物病斑形状识别。对番茄植物病斑形状识别试验的分析表明,支持向量机分类方法适合于植物病斑复杂形状的分类问题,该方法在训练样本较少时具有良好的分类能力和泛化能力。不同分类核函数的相互比较分析表明,线性核函数最适合于植物病斑的形状识别。

基于椭圆傅里叶描述子的香蕉形状识别

为实现香蕉形状的识别,文章提出了一种基于计算机视觉和椭圆傅里叶描述子的形状识别方法。先由专家挑选果指果形为弯、微弯、末端直和直的香蕉共107枚,再获取预处理后图像的边界链码并提取其椭圆傅里叶系数,通过比较原形状和重建形状来选取合适的系数个数,然后用主成分分析对非负系数进行降维,最后进行模糊C均值聚类。研究结果表明,可以将该机器识别方法应用于香蕉形状的识别,为实现香蕉及其深加工产品的增值提供了一种技术手段,并为进一步实现香蕉果把和果穗的形状识别奠定了基础。

相对矩及在几何形状识别中的应用

在计算机视觉中 ,几何形状的识别具有十分重要的意义 ,而一般几何形状可以分为区域和结构两类 .Hu提出的不变矩是用于区域形状识别的几何特征 ,但对于结构则因不满足缩放不变的条件而不适用 .为此对 Hu提出的区域不变矩和 Chen提出的区域不变矩快速算法进行了扩展 ,并定义了对于结构和区域均满足平移、缩放、旋转不变的相对矩 ,从而统一了区域和结构的矩特征计算公式 ,而且与 Hu的不变矩相比 ,更具有一般性 .利用相对矩进行的识别实验表明 ,相对矩是对区域、封闭和不封闭结构的形状进行识别的有效特征 ,尤其在识别封闭和不封闭结构时 ,比傅立叶描述子等传统方法简便 .

基于极值特征的不变性形状识别

本文提出形状识别的一种新方法,该方法针对形状中几何特征的分布在旋转和尺度变换条件下不变的特性,首先通过等间距极坐标映射对形状进行径向采样和环向采样,把形状的旋转和尺度变换转化为采样平面内具有平移性质和不变性质的两个一维投影,然后为了减小几何变形等原因造成的投影特征不稳定,提取径向和环向两个一维投影的极值点,根据极值点类型和幅值计算极值点权重向量作为形状的有效不变特征,其中,权重的位置信息反映了形状中像素点较集中和较稀疏的局部区域在空间上的分布,权重的大小反映了形状中局部区域像素点集中和稀疏的程度.在特征匹配过程中,考虑了几何变形对权重向量产生的扰动,在分析极值点变化范围基础上,设计了参数重整的匹配策略和匹配模板,使得该识别方法对形状的平移、尺度、旋转变换和一定程度的非刚性变形不敏感.仿真试验表明了所提方法的有效性.

基于Hough变换的并行光电形状识别系统

本文介绍了基于Ｈｏｕｇｈ变换（ＨＴ）的并行光电形状识别系统．该系统采用ＨＴ进行形状特征提取，所提取的特征具有大小、位置不变性．为克服ＨＴ计算量大并需要很大存储空间问题，本文采用并行光学系统加以实现．所构成的系统具有并行性和实时高速特性．

基于神经网络的形状识别系统及优化

Ｈｏｕｇｈ变换用于形状识别、神经网络用于分类都不是新课题，而我们将这两种方法结合起来，用神经网络实现 Ｈｏｕｇｈ变换并进行特征提取，所提取的特征矢量不受待识别体的大小和位置的影响，且所提特征为一维矢量。对于所构成的神经网络形状识别系统，采用ＢＰ算法进行初１练，优化系统参数。文中最后得出令人满意的实验结果。

轮廓矩不变量及其在物体形状识别中的应用

为了有效地刻画物体的形状特征 ,在基于区域的 Hu矩不变量的基础上 ,构造了一种基于物体轮廓曲线的新的矩不变量 ,即轮廓矩不变量。该不变量不仅独立于物体本身的颜色和灰度级 ,而且具有平移、旋转和尺度不变性 ,因此可将轮廓矩不变量应用于物体形状的识别 ,为了能快速地进行物体形状识别 ,还讨论了小波边缘检测和轮廓的获取问题及其算法。实验表明 。

基于Grassmann流形的仿射不变形状识别

传统的Kendall形状空间理论仅适用于相似变换,然而成像过程中目标发生的几何变形在更多情形时应该用仿射变换来刻画.基于Grassmann流形理论,本文分析了仿射不变形状空间的非线性几何结构,提出了基于Grassmann流形的仿射不变形状识别算法.算法首先对训练集中的每类形状分别计算形状均值和方差,进而在形状均值附近的切空间构建多变量正态分布;最后,根据测试形状的观测和先验形状模型求解测试形状的最大似然类,对形状进行贝叶斯分类.MPEG7形状数据库的实验结果表明,与传统Kendall形状分析中的基于Procrustean度量识别算法相比,本文识别算法具有明显优势;真实场景中的目标识别结果进一步表明,本文算法对仿射变形有更好的适应能力,在复杂场景下能以较高的后验概率辨识出目标类别.

基于全局与局部形状特征融合的形状识别算法

经典的全局形状识别算法虽然高效,但在处理形变方面存在不足。局部形状识别算法拥有良好的检索率,但在辨别力方面的效果却有待提高。为解决上述问题,本文提出一种基于特征点分类的融合框架,该框架不仅融合了全局与局部算法的优势,还弥补了二者的不足。一些经典的形状识别算法采用提取特征点的方式来构建形状特征直方图,本文在此基础上,将提取到的特征点进一步分类,针对不同类别的特征点集合采用不同的形状识别算法进行描述,并将匹配结果进行融合,充分发挥了全局与局部算法的优势。实验结果表明,本文提出的框架能够有效结合不同算法实现形状的识别并获得更好的效果。

粒子群优化算法实现仿射不变性形状识别

针对形状识别过程中,轮廓图像会因为视点改变发生仿射变换的问题,提出了一种新的仿射不变特征提取方法及匹配策略。首先,对所有边界点计算其与质心的距离及方向角,并在给定的角度邻域内进行平均以消除噪声干扰;然后,计算方向角相差180°的边界点质心距离之比作为形状特征,该特征具有仿射不变性。由于仿射变换图像间各轮廓点的方向角具有非线性变化特征,质心距离比需要重采样以建立对应关系,笔者将其转化为一个路径规划问题,并用粒子群优化算法得以解决。实验表明该方法对形状识别中的平移、旋转、缩放、拉伸和噪声干扰具有良好的效果。

基于不变矩的轴对称形状识别

物体形状的识别是模式识别与计算机视觉领域中的具有挑战性的问题。Hu矩是有力的工具,论文利用主轴方法和改进的胡氏不变矩,提出了一种新的形状的轴对称性识别方法,试验表明,基于这种方法的识别算法具有很好的识别率。

基于BP神经网络的图像形状识别

图像形状特征的提取和描述方法是基于形状的图像检索的重要研究内容,本文根据形状特征的描述方法,对提取的形状特征参数抽取一组特征值,形成特征向量,并进行归一化,然后利用 BP 神经网络进行形状识别,取得了较好的实验效果,对基于形状的图像检索具有一定的指导意义。

径向基函数网络在形状识别中的应用

径向基函数神经网络是一种应用相当广泛的神经网络。文章对径向基函数网络的基本原理、网络结构和学习算法进行了介绍,根据径向基函数网络的特点将其应用到形状识别领域,并通过MATLAB平台编程实现其算法。实验结果证明网络初始中心和样本数目的选择对识别结果影响较大;在初始中心选择相同的情况下,实验样本数目越多,识别结果越好;在达到一定数目后,识别正确率趋于稳定。

基于形变校正的形状识别方法

针对鱼类形状易发生形变导致识别困难的问题,提出了一种新的识别算法。该算法通过对弯曲的鱼类图像进行形变校正,得到接近标准形状的鱼类轮廓,再利用等间距极坐标映射方法得到映射图,提取映射图中的局部极值点大小和相邻极值点的间隔,最后使用匹配识别算法计算匹配度完成对鱼的识别。实验结果表明,该算法消除了弯曲形变给识别带来的影响,实现了准确的识别分类。

基于支持向量机的多类形状识别系统

支持向量机是一种能在训练样本数很少的情况下达到很好分类推广能力的学习算法,文中研究了支持向量机的分类机理,并将其应用于形状识别中,利用一对一判别策略构建了多类形状识别系统,实验中以交通标志图像为实验对象进行分类,结果表明该方法的泛化能力优于一般的识别方法。

改进的Holroyd云粒子形状识别方法及其应用

云降水粒子形状是影响云微物理过程的重要因素,准确的云粒子形状信息是诸多云微物理参量计算的前提。为获取机载云粒子成像仪(CIP)所测云粒子的形状信息,文中提出了一种改进的Holroyd云粒子形状识别方法,即先对云粒子形状进行预分类,然后针对预分类后的完整粒子和可识别的部分状粒子,分别选出合适的参数及其阈值再进行具体的分类,最终可将云粒子分为微小状、线形状、聚合状、霰、球形、板状、不规则和枝状。利用实测数据对原始的Holroyd方法和改进的Holroyd方法进行识别效果对比验证。结果表明改进的Holroyd方法在云粒子形状识别的准确度方面比原Holroyd方法有较大的提高。将所提方法应用于太原地区一次降水性层状云的云微物理飞机观测资料以分析不同的降水阶段云中冰晶粒子的形状分布、增长机制、冰晶粒子数浓度以及冰水含量的垂直分布特征,所获取的云中冰晶粒子属性表明新提出方法有助于云微物理分析。