基于方向轮廓的小波分解车牌字符识别方法

字符识别是车牌识别的技术核心。本文提出了一种快速的车牌字符识别方法。首先提取字符的外轮廓。根据小波分解变换的性质,对字符轮廓进行多分辩分解,得到低分辨率下字符轮廓的近似,通过计算待识别字符与参考字符在多尺度下的轮廓之间的相似度,判别待识别字符与参考字符的匹配程度,最终确定匹配字符。本文对字符匹配算法进行了改进,加快了匹配速度,提高了匹配的可信度。利用本文算法,对1200幅车牌字符图像的识别,准确率达到95.4%,单字符识别平均耗时约为10ms。

基于B-样条轮廓方向变化率多尺度表示的角点检测

基于B-样条尺度空间定义了轮廓方向变化率的多尺度表示,并利用多尺度轮廓方向变化率及其乘积提出了的新的角点检测算法。该算法直接把多尺度轮廓方向变化率乘积的局部极值点定义为角点,这是由于多尺度乘积不但融入了多个尺度下轮廓方向变化率的特征信息,而且能极大地增强角点的变化率,抑制受边界和量化噪声影响的边界点的轮廓方向变化率。这样,算法仅通过一个全局阈值就能获得很好的检测效果,而且真正地实现了候选角点多尺度检测。最后,定性分析了角点检测的定位性能,并通过对比实验验证了所提出的算法具有很好的检测性能。

基于局部轮廓方向特征的笔迹鉴别

利用局部结构的概率分布能够体现笔迹特征的思想,提出一种基于局部轮廓方向特征的离线笔迹鉴别方法。使用与窗口中心连通的边缘片段减少笔迹粗细的影响,将边缘点分成32种方向类别从而获取辨别局部轮廓的能力。在此基础上,统计以边缘点为中心的滑动窗口中的方向特征并归一化为局部轮廓方向特征。最后,使用加权Manhattan距离对笔迹特征进行相似性度量。实验表明提出的方法在ICDAR2011笔迹鉴别竞赛的多语言测试数据库上获得了较好的辨别正确率,部分指标超过了目前的先进算法。

基于轮廓方向特征的脱机手写中文笔迹鉴别

提出了一种基于轮廓方向特征的脱机手写中文笔迹鉴别方法。轮廓方向特征是在笔迹轮廓上的每一个像素点周围一个局部的微型网格中获取笔迹轮廓的方向角度和笔迹曲率信息,描述笔迹图像独特的个人手写风格。在获取特征向量之后,使用带权卡方距离计算特征向量的相似度。分别以信封地址图像库中25个书写人的信封地址图像和HIT-MW库中390个书写人的手写中文笔迹图像为实验对象。最佳Top-1鉴别结果达到了95.02%的正确率。

基于最小区域原则的五轴机床轮廓误差估计算法

针对当前五轴联动数控机床刀尖点位置轮廓误差和刀具方向轮廓误差估计方法的不足,提出了一种具有普适性且高精度的综合考虑刀具位置和姿态的轮廓误差估计方法。利用各驱动轴的实际输出和机床拓扑结构计算出刀具的实际位姿,通过在刀具有效切削范围内均匀选取适量的点,并基于轮廓度误差的最小区域原则,计算出实际刀轨的轮廓误差。通过交叉耦合控制方式进行了轮廓误差补偿,并与传统的轮廓误差计算方法进行了实验对比。结果表明,基于所提出的轮廓误差估计方法进行的轮廓误差补偿精度较高,验证了所提出方法的有效性和误差估计的优势。

轮廓曲线的LoG变换及图像共变区域的检测

本文将LoG(Laplacian of Gaussian)变换应用到轮廓曲线上,其范数的平方具有稳健的曲率特性,由此构造了轮廓角点的响应函数;在此基础上,结合轮廓LoG所检测的角点和角点邻域内轮廓方向的尺度共变性设计了一种新的关于旋转和尺度共变的特征区域检测算法.最后,利用相关度准则对多组受干扰的图像进行特征共变区域匹配,实验结果验证了所提出的共变特征区域检测算法具有计算简单、容易实现和较强的鲁棒性等特点.

基于边界边缘检测的在线产品轮廓跟踪

产品流水线实时检测需有效解决流水线上运动产品的图像跟踪,提出仅选择在视频码流中跟踪目标的一个边界边缘来实现产品轮廓的跟踪。首先利用边缘运动去除背景,随后使用跟踪轮廓的正常方向导数选择边界边缘。准确跟踪是基于减少无关边缘的影响,因此仅选择边界边缘像素。使用边缘运动消除背景边缘需要计算跟踪目标的运动,同时移除边缘的运动和边缘与目标不同方向的运动,从而得到运动产品的轮廓。仿真实验结果表明,该跟踪方法对流水线上的产品有较好的跟踪效果,且具有较强的稳健性。

数控车床中顺逆圆弧插补指令运行方向研究

以标准床身数控车床的圆弧插补指令为例,论述了在手工编程时如何正确确立工件坐标系,进行圆弧运行方向准确判别的简便方法,解除了编程人员因专业性要求太强而难以理解所产生的困惑,将复杂之事变得简单。

基于非采样Contourlet特征的水印算法

提出一种利用非采样Contourlet边缘方向信息实现对RST攻击校正的水印方案。该方案利用非采样Contourlet变换提取载体图像多尺度多方向上的变换系数,对显著方向子带系数进行二值并细化,获得载体图像轮廓方向信息。水印检测时,利用轮廓方向的特征点集估计测试图像受到RST攻击的参数,从而使测试图像恢复到原来的大小和位置,即恢复已丢失的同步信息。实验结果表明,该方法对RST攻击具有较好的鲁棒性。

基于CUDA与粒子滤波的多特征融合视频目标跟踪算法

针对复杂环境中非线性运动目标跟踪,单一特征无法满足对目标的准确描述,造成不能准确跟踪的问题,提出了一种基于粒子滤波与多种特征自适应融合的跟踪方法.该方法先对目标区域提取轮廓方向分布与颜色分布,根据自适应规则融合后,然后与粒子滤波理论相结合,实现对各种复杂环境中视频运动目标的有效跟踪.同时,通过使用CUDA(Compute Unified Device Architecture)加速,实现了目标跟踪的实时性.实验结果表明,该方法可对非线性、非高斯的运动目标进行有效的跟踪,对目标的遮挡与暂时消失,背景焦距的拉伸与背景颜色的变换,有很强的鲁棒性和实时性.