水电机组轴心轨迹HU氏不变矩与仿射不变矩特征量对比

为了提高发电机转子轴心轨迹形状自动识别的精度,寻求更高效率的识别方法,本文通过仿真对HU氏不变线矩和仿射不变线矩特征量进行比较,分别计算了仿真的轴心轨迹图形在相似变换和仿射变换下的HU氏改进不变线矩与仿射不变线矩特征向量,并将结果与原图形对应的特征向量进行对比,结果表明,HU氏不变线矩在轴心轨迹自动识别研究中存在一定的应用局限性,而仿射不变线矩则具有更好的识别能力,为转子轴心轨迹形状自动识别研究提供了理论依据。

基于特征融合的水下目标识别方法

针对传统Hu氏不变矩易受摄像头径向畸变影响造成水下目标识别率低的问题,提出一种基于改进的Hu氏不变矩提取形状特征的方法,该方法依据摄像头的径向畸变模型重新恢复目标像素坐标与其灰度值的映射关系,构造出新的具有平移、缩放和旋转不变形的形状特征向量.同时为消除形状特征向量信息间的冗余问题,根据相关向量线性组合不改变向量自身性质的特点,提出一种基于相似度量准则进行对形状特征向量降维处理的方法.最后针对直接组合向量使得各特征权重一致而造成的识别率低的问题,给出了一种线性加权求和进行形状特征和纹理特征融合的方法.水下目标识别实验结果表明,该识别方法能够克服水下图像失真、信息冗余等不利因素,有效提高水下目标识别准确率.

基于深度学习的水下移动目标快速识别方法研究

由于传统的水下移动目标快速识别方法不能精准且快速地识别水下移动目标,提出一种基于深度学习的水下移动目标快速识别方法。采用深度学习中的神经网络进行知识模型训练,在此基础上,根据点扩散函数构建水下光学环境模型,并通过标定图学习获取光学参数获取,同时为降低变化畸形,使用优化后Hu氏不变矩在去除干扰基础上获取图像特征,并凭借反解径向畸变模型,输出映射像素坐标间理想的对应关系,最后利用像素分辨率完成水下移动目标识别。实验结果表明,基于深度学习的水下移动目标快速识别方法能够精准地识别水下移动目标,且提高了识别效率。