基于分块小波变换和2DPCA的人脸特征提取与识别算法

从最优化的角度出发,提出了一种基于分块小波变换和二维主成分分析法(2DPCA)的人脸特征提取与识别算法。该方法首先对人脸图像进行分块小波变换,并对各分块的高、低频分量进行组合处理,然后对小波系数特征应用2DPCA方法进行变换并将分块特征进行融合得到人脸鉴别特征,最后在ORL人脸库上应用支持向量机(SVM)对该特征进行分类识别。试验结果表明,该算法能有效地提高人脸识别性能,具有较短的识别时间和较高的识别准确率,优于传统的人脸识别方法。

基于ASTER数据的岩溶地下水天然出露点信息提取与识别

在已有研究区水文地质资料的基础上,进行基于ASTER数据的岩溶地下水天然出露点信息的提取与识别。根据研究目标,以ASTER数据为信息源和调查工具,制定相应的图像处理和分析流程,增强与岩溶地下水天然出露点信息相关的影像特征;应用热红外遥感理论和技术,以ASTER数据热红外波段为信息源,借助岩溶地下水天然出露点与其他地物的温度差异,探索它们之间的可分性;结合ASTER数据可见光/近红外、短波红外波段的解译成果,进行岩溶地下水天然出露点信息识别。

基于光谱的天基空间点目标特征提取与识别

天基空间目标观测时,对于远距离目标,通常只能得到一个点的相关信息,包括目标的位置和灰度等,损失了目标的材料、大小和状态等特征.代表物体固有属性差异的光谱特性可作为目标特征提取与识别的一种重要手段.从目标光谱特性的产生特点出发,综合考虑目标的材料特性、结构特性、背景特性、轨道特性等因素,建立了目标光谱特性的数学模型,提出了基于光谱特性数学模型反演计算的目标特征提取与识别方法,以环境一号卫星缩比模型为例,进行了典型参数条件下的目标特征提取与识别实验验证,实验结果验证了建模方法的正确性.

特种材料表面激光散斑特征提取和识别研究

为了获取特种材料表面特有的激光散斑特征,建立了一套实验室内模拟远场测量系统。利用锁相放大器进行弱信号探测。采用小波分析的方法对数据进行了预处理,采用神经网络算法对实验数据进行了自动分类识别。实验结果表明,特种材料表面激光散斑的空间强度分布可以作为识别特种材料的依据之一,并为特种材料的识别提供了一种新的有效途径。

GPR探测中管线异常自动提取与识别

在目前的探地雷达管线探测中,埋藏管线产生的双曲线特征是专业人员用来推断和解释目标的主要依据,但双曲线特征尚不能精准界定管线目标的属性材料.为了进一步对管线反射双曲线区域特征的解释分析,本文首先对经过预处理的GPR数据,运用图像处理手段对感兴趣的管线回波双曲线异常区域进行自动圈定,定位管线位置.然后综合分析管线信号时频谱特征和瞬时相位特征这些具有区分力的多参数特征,判定管线属性材料,完成对管线的提取与识别.最后,将该方法运用于模拟数据与实测数据之中,实现了管线的自动提取与参数特征分类识别,为GPR数据解释提供了指导意义.

光纤入侵信号的特征提取与识别算法

为了对分布式光纤上的入侵信号类型进行准确识别,提出了一种基于集合经验模态分解(EEMD)结合随机向量函数链接(RVFL)神经网络的光纤入侵信号的特征提取与识别算法。算法步骤为:对采集到的光纤入侵信号作预处理操作,包括最小-最大规范化处理和利用db3小波去除信号的低频噪声;采用EEMD方法对入侵信号进行分解,得到5组本征模态函数(IMF);计算各IMF分量的能量占比,并依据方差分析法筛选出3组特征向量;将特征向量送入RVFL神经网络进行训练并对入侵信号进行识别。实验结果显示:该方法能正确识别不同入侵信号的类型,具有较高的准确率。

小波分析在发动机早期故障识别中的应用研究

在对飞机发动机早期故障进行分析的基础上,提出了利用虚拟仪器和小波分析相结合对发动机早期故障进行识别的原理与方法。文中对如何从检测信号中提取早期故障特征信号和对早期故障特征信号进行分离、放大、识别等进行了分析和研究,并通过实验证明了所提方法的有效性。结果表明,虚拟仪器强大的图形化功能与小波分析良好的多分辨率时频局部化特性,能够从复杂的微弱信号中提取出早期故障特征信号,并能有效地消除噪声,对早期故障进行快速识别。

X射线焊缝缺陷自动识别系统的设计与开发

为了增加焊接检测技术的客观性、规范性,提高焊接检测效率,采用计算机技术对焊缝进行缺陷检测是有效提高方法之一。由于x射线焊缝检测的底片数字化后存在信噪比低、背景起伏大等问题,使得焊接缺陷的自动提取与识别存在较大困难。针对上述问题系统地阐述了x射线焊缝缺陷自动识别系统的开发方案,并在Windows操作系统上采用C++语言实现系统的开发。同时,利用该系统成功地将焊接缺陷从焊缝中提取出来。试验结果表明,文中所提出的x射线焊缝缺陷自动识别系统的设计方案是可行的,系统能够快速准确地识别出焊缝并提取出缺陷,具有很高的实际应用价值。

结合小波插值与K-means方法提取彩色图像文字

彩色图像文字的提取和识别是人工智能与模式识别领域中的研究热点。现有方法在处理彩色图像中背景与文字相近或者字体较小的图像文字时会受到复杂背景的影响。为了解决彩色图像中文字与复杂背景颜色相近和模糊不清与排列不规则的文字提取与识别问题,文中采取人工选取文字区域进行小波插值放大的方法使图像清晰化,再利用K-means方法对文字色彩进行聚类得到单背景彩色文字图像,然后通过二值化处理和文字分割后再结合BP神经网络进行文字识别。实验表明,该方法不仅能处理大多数彩色图像文字的提取,而且在识别低对比度彩色图像文字方面比目前常用的方法要好。

基于二维图形信息的轴类零件三维特征识别

在研究三维轴类零件与二维图形的关联关系基础上,提出一种基于二维图形信息的平面几何特征封闭结构的创建方法;并结合尺寸标注,提出一种轴类零件的三维结构特征的识别方法。实例与应用表明,所提方法可实现典型轴类零件三维特征的提取与识别,效率高,结果准确。

图像处理技术在直升机巡检输电线路中的应用综述

直升机巡检以其高效、准确和安全等特点逐渐成为高压输电线路巡检的重要方式。通过对直升机巡检采集到的大量航拍图像的处理和分析可以发现输电线路故障和缺陷,因此图像处理技术在电力线路巡检中具有良好的应用前景。分析了国内外直升机巡检输电线路图像处理技术的研究现状,提出了图像处理技术应用于该领域需要解决的几个主要技术问题,并探讨了可能的解决方案,最后对输电线路巡检的发展方向进行了预测,并提出该领域将可能成为研究热点。

中医四诊合参辅助诊断关键技术的数字化、量化研究

本文就推动和发展中医特色的主客观辨识及辅助诊断技术两者合一的数字化、量化、规范化、标准化创新性研究,以及所形成的原创和独立地知识产权进行了概述。同时介绍了现有的单一诊断信息提取识别设备和两种以上多诊合参设备的研制情况,并在此基础上对相关研究成果在临床应用方面提出了一些参考性建议。

基于FDM能量熵的特征提取方法及其在光纤振动识别中的应用

针对传统分解信号方法需要人工设定基函数,具有测不准性等问题,采用自驱动的傅里叶分解方法(FDM)处理信号,提出一种基于FDM能量熵的特征提取与识别方法。首先对振动信号进行FDM分解,得到若干个傅里叶固有带函数;然后利用自相关性原理重构信号,并提取信号FDM能量熵特征;最后将融合的特征向量送入支持向量机进行训练,并对有害振动进行识别。实验结果表明,所提方法能正确识别不同振动信号的类型,具有较高的准确率,应用于光纤预警系统中有望提高对有害振动的识别性能,促进管道保护技术的发展。

影像超分辨率重建技术的发展与应用现状

影像超分辨率重建是通过对多幅具有互补信息的低分辨率影像的处理,重构一幅高分辨率影像的技术。从互补信息来源方式、重建模型、快速算法、"硬件"与"软件"相结合、多/高光谱、视频压缩、遥感应用、医学应用和生物信息提取与识别等多个角度阐述了影像超分辨率重建技术的发展与应用现状。

基于Mask R-CNN算法的遥感图像处理技术及其应用

遥感技术的发展使得遥感影像被应用于农业、军事等诸多领域,而深度学习方法的融入使得该项技术在目标检测、场景分类、语义分割方面取得了重大突破。与自然场景下的舰船检测不同,遥感图像中的舰船为俯视图,舰船较为密集,且容易与港口混合。当前对舰船检测的输出结果主要是检测框,缺少对舰船掩码的输出,使得无法全面分析出模型存在的不足;同时,由于遥感图像中的舰船停靠密集,容易产生漏检问题。为解决上述问题,利用Mask R-CNN对舰船进行目标检测,较全面地分析模型的训练情况、掩码和检测框的输出结果;通过对目标边缘的学习及参数的调整,使模型与舰船目标相适应。通过实验分析得出了适用于舰船检测的网络模型参数,从而有效降低了舰船停靠密集所产生的误检和漏检问题。

SOA在光组头处理器中的性能研究

全光网络和全光信息处理技术是未来的发展方向。全光的信头提取、识别技术又是全光信息处理中的一个关键的技术。将现有的几种典型的全光分组头提取装置和性能进行对比,进而得出基于SOA-MZI信头提取装置无论是在性能还是结构的稳定性上均优与其它的几种结构、只要设置适当的参数。

基于局部均值分解的样本熵特征提取研究及应用

分布式光纤传感技术已被广泛应用于管道运输的安全监测中,对不同光纤振动信号的特征进行准确提取和分类识别是近年来的研究热点。针对传统时频分析方法研究光纤振动信号时需要人工设定基函数以及无法消除高频噪声干扰的缺陷,采用具有自适应特性的局部均值分解(LMD)方法对信号进行处理,并提出了一种基于LMD的特征提取与识别方法。首先,对原始信号进行LMD,得到若干个乘积函数分量;然后,通过自相关原理重构信号,并提取重构信号的样本熵特征和能量特征;最后,将上述特征进行融合并送入支持向量机进行训练识别。实验结果表明,该方法能有效识别不同振动类型,且识别准确率较高。

基于AdaBoost集成学习的光纤振动信号识别分类方法

对光纤振动信号的有效识别是保证油气管道光纤预警系统运行的重要基础。针对传统光纤振动信号检测中单一分类方法的不足,提出一种基于AdaBoost集成学习的光纤振动信号识别分类算法。首先通过分析研究5类光纤振动信号的特征,选取样本熵、能量分布以及频带宽度作为三维特征向量,并将其分别送入决策树、支持向量机(SVM)以及以决策树作为基分类器的AdaBoost分类算法进行训练识别;其次通过交叉验证的方式对得到的模型进行参数优化和模型评价;最后对得到的模型进行对比测试实验。实验结果表明:以决策树作为基分类器的AdaBoost集成学习算法可以对不同振动类型进行有效识别,在光纤预警中对不同来源振动信号的识别具有一定意义。

基于梯度提升决策树算法的光纤入侵信号分类

光纤预警系统已被广泛应用于油气管道的入侵检测预警中,目前的技术难点仍是如何提高光纤入侵信号多分类识别的准确率。采用梯度提升决策树(GBDT)算法训练光纤入侵信号多分类模型,并提出了一种基于傅里叶分解方法(FDM)及GBDT算法的特征提取与识别算法。该算法采用FDM对光纤入侵信号进行预处理,提取信号的近似熵、能量和谱熵特征。采用GBDT算法训练模型并对光纤入侵信号进行识别分类。为了检验该算法的性能,分别用支持向量机和AdaBoost算法训练模型并进行对比实验。结果表明,该算法能有效识别敲击、小跑、过车和镐刨四类光纤入侵信号,平均准确率为92.5%。

基于傅里叶分解与排列熵降噪方法的光纤入侵信号分类

为了准确识别分布式光纤预警系统中的入侵信号类型,提出了一种基于傅里叶分解方法(FDM)与排列熵降噪方法的光纤入侵信号特征提取与识别算法。首先,用FDM将光纤入侵信号分解为若干个固有频带函数(FIBF)。然后,计算各FIBF分量的排列熵,利用排列熵对噪声的敏感特性筛选出符合条件的FIBF并重构信号。最后,计算重构信号的近似熵与能量并构造二维特征向量,将其送入支持向量机进行训练后识别光纤入侵信号。实验结果表明,该算法可以有效识别敲击、小跑、过车三类光纤入侵信号,平均识别准确率为93.33%。