采用人工神经网络技术改善光学模式识别系统的识别效率

在采用光学模式识别技术、ＳＤＦ（综合鉴别函数）滤波技术进行实际场景中的三维目标畸变不变识别的时候，由于面对的是大量的非训练像的相关识别，加上场景图像中的不同噪声、背景的干扰，以及硬件识别系统的各种非理想特征等因素，均不可避免带来相关平面的Ｓ／Ｎ的严重退化，从而使按通常的阈值技术进行相关信号分割的方法失败。因而大大降低了ＯＰＲ系统的识别效率。本文采用人工神经网络（ＡＮＮ）技术与光学模式识别技术（ＯＰＲ）相结合。通过对相关平面感兴趣区域（ＲＯＩ）的分割与强度分布特征抽取以及脱机人工神经网络的训练过程，使ＯＰＲ系统能有效地对输入的训练像、非训练像及各种背景噪声分别给出不同的输出响应。

具有转动不变性模式识别能力的三层光学神经网络模型

本文提出一种适于光学实现的三层神经网络模型,该模型具有对多目标转动不变的模式识别能力.该模型被用于对四种飞行器的平面内旋转识别.计算机仿真表明,该模型对样本模式、非样本模式以及有局部遮挡时,皆有良好的联想识别能力.

强度不变的自动模式识别技术

针对光学模式识别技术实用化要求，提出一种新的图像预处理算法，使识别现场光照明强度及分布的变化对识别效率所带来的影响大大降低。

利用体全息相关器实现车辆牌照旋转不变识别

为了使用综合判别函数作为输入在光折变晶体中记录匹配滤波器,利用不同旋转角度的参考图像集训练出该图像的综合判别函数,再通过角度复用存储在晶体中,从而构建出一个体全息旋转不变光学相关器。同时,在光路中直接引入光学子波滤波器,大大地提高了相关器的判别能力。实验结果表明上述方法可以较好地完成车辆牌照旋转不变识别。

基于振幅调制纯相位滤波器和片状正交非线性广义相关的畸变不变识别

提出一种基于振幅调制纯相位滤波器(AMPOF)和片状正交非线性广义(SONG)相关的畸变不变光学相关目标识别算法。利用振幅调制纯相位滤波器区分能力强的优点,结合综合鉴别函数(SDF)方法,提出基于振幅调制纯相位滤波器的畸变不变识别算法,达到明显优于传统综合鉴别函数方法相关输出效果的目的。在此基础上引入SONG相关技术,利用其突出的区分能力和抗噪性能,结合这两种非线性滤波技术,得到能够很好地兼顾多项性能指标的畸变不变识别算法。仿真实验结果表明,算法既提高了相关峰输出质量和多目标区分能力,又具有很强的抵御噪声能力,在输入图像被噪声严重破坏的情况下,识别度仍然能够达到97%以上。和其他结合SONG相关的畸变不变识别算法相比,该算法目标识别性能更为优良,且更实用、广义。

基于多通道联合变换相关器的旋转和缩放不变性目标识别方法

为充分利用光学相关识别系统的空间-频谱带宽,提高光学相关识别系统的速度和精度,提出一种基于多通道联合变换相关器和综合鉴别函数的旋转和缩放不变性目标识别方法,并将峰值位置变化标准差作为识别判据。首先,分析以局域峰值杂波均值为相位优选约束条件时存在的问题,提出新的相位优选约束条件——峰值位置变化值,用于选择一定旋转和缩放范围内目标的公共相位,将公共优选相位用于多通道联合变换相关器并结合综合鉴别函数实现了旋转和缩放不变性识别;然后,分析了当目标缩小或综合鉴别函数集成训练图像数量增加时系统的识别容限;最后,分析了场景图像中背景发生变化时所提方法的适用性。研究结果表明,在设定的图像尺寸和背景复杂度条件下,所提方法能够在9通道并行处理的前提下对目标缩小60%、综合鉴别函数集成9幅图像的旋转和缩放目标进行有效识别,且对像素数变化不超过50%的背景具有较好的适应性,提高了目标识别的速度和精度,对多通道光学相关器的实用化具有重要意义。