统一Hu矩及在电视图像目标识别中的应用

分析了在离散状态下比例因子对不变矩特征的影响,扩展了Hu提出的基于区域的不变矩和Chen提出的基于边界的不变矩,构造了一种新的不变矩,统一了基于区域和边界的矩不变量公式,并满足离散状态下的比例不变性,比传统的不变矩更具一般性。将其应用到电视图像目标识别中,仿真结果表明,不变矩不变性好,识别率高,实时性好,具有一定的应用前景。

基于HSV颜色空间加权Hu不变矩的台标识别

该文根据台标的视觉特征,提出基于时空不变区域检测的方法来进行台标分割,并对台标特征提出用基于HSV颜色空间的加权Hu不变矩进行描述,最后采用基于知识库的方法进行台标识别。实验表明:该算法识别正确率较高,效果基本令人满意。

改进的统一Hu矩在图像目标识别中的应用

以图像的平移、旋转及尺度变换为研究对象,结合Hu提出的基于区域的不变矩和Chen提出的基于边界的不变矩,进一步改进了统一Hu矩,并证明了改进后的不变矩在离散状态下的不变性。其中针对图像旋转的特点引入权向量的改进发法,并通过实验证明了这种方法极大提高了图像在旋转变换后的识别命中率,使其具有一定的应用前景。

多特征判断的合作目标识别方法

针对视觉导航中合作目标识别问题,提出一种多特征递进判断的快速准确识别算法。通过图像轮廓特征、Hu不变矩特征以及FAST角点特征等多特征,对图像进行层层处理和判断,剔除非目标区域,最终实现合作目标的准确识别。在该过程中对算法进行了一些改进和加速策略,以满足实时性要求。室内外实验表明该算法在不同尺度、形变以及环境干扰等情况下依然可以准确地识别出合作目标,有较高的鲁棒性和适应性。

一种融合多特征的UAV快速目标识别

针对UAV(Unmanned Aerial Vehicle)侦察图像快速目标识别问题,提出一种融合多特征的UAV快速目标识别算法。该算法结合图像的不变矩特征和SIFT特征,用不变矩特征构造适应度函数并利用遗传算法的全局搜索能力,在侦察图像中进行搜索,快速提取出可能包含目标的感兴趣区域(Region Of Interest,ROI)。采用尺度不变特征变换算法(Scale Invariant Feature Transform,SIFT)在ROI区域中进行匹配识别,从而精确确定目标的位置。仿真结果表明:该算法的鲁棒性较强,能有效识别特定目标并显著减少识别时间。

Hu矩匹配方法在显微视觉目标识别中的应用

在介绍了传统模板匹配算法原理的基础上,分析了该算法在识别和定位目标方面的不足之处,并对其进行了改进,提出将Hu不变矩的模板匹配方法应用在显微视觉目标识别中.实验结果表明:采用Hu不变矩的模板匹配算法解决了传统方法存在的对目标的旋转无法识别的问题,在目标识别上具有旋转和平移不变性,提高了目标识别的准确性.

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。