一种融合多特征信息的飞机图像目标识别方法。

5星

浏览量: 0

大小:None

文件类型：None

简介：
提出了一种基于概率神经网络（Probabilistic neural networks, PNN）和Dezert-Smarandache理论推理的飞机图像目标多特征融合识别算法。该算法旨在整合从图像目标中提取的多项图像特征，并充分利用数据融合的理念，对这些特征所包含的信息进行综合处理。具体而言，首先对图像进行二值化预处理操作，随后提取了Hu矩、归一化转动惯量、仿射不变矩、轮廓离散化参数以及奇异值特征这五个关键特征量。接下来，为了解决Dezert-Smarandache理论中信度赋值构造的难题，该算法利用PNN网络构建目标识别率矩阵，并以此矩阵对证据源进行信度分配。随后，采用Dezert-Smarandache组合规则在决策层级进行特征融合，从而实现对飞机目标的精准识别。最后，在目标图像存在小畸变情况时，本文提出的图像多特征信息融合方法与单一特征方法进行了对比实验测试。实验结果表明，本文方法在同等条件下显著提高了正确识别率的同时满足实时性要求，并且具备有效的拒判能力以及对目标图像尺寸不敏感的特性。即使在大畸变情况下，该算法也能达到89.3%的识别率。

全部评论 (0)

还没有任何评论哟~

客服

基于多特征信息融合的飞机图像目标识别方法

优质

本研究提出了一种基于多特征信息融合的技术方案，用于提升飞机图像中目标识别精度与效率，适用于复杂背景下的精准检测。本段落提出了一种基于概率神经网络（Probabilistic Neural Networks, PNN）与DSmT推理（Dezert-Smarandache Theory）的飞机图像目标多特征融合识别算法。该方法针对提取出的不同图像特征量，采用数据融合技术进行信息整合处理。具体步骤如下： 1. 对图像执行二值化预处理，并从图像中抽取五种不同的特征量：Hu矩、归一化转动惯量、仿射不变矩、轮廓离散化参数和奇异值。 2. 针对DSmT理论中的信度赋值难题，采用PNN网络构造目标识别率矩阵来为证据源分配信度值。 3. 利用DSmT组合规则在决策层进行融合处理，从而实现飞机图像的目标识别。实验结果表明，在小变形条件下，该算法相较于单一特征方法显著提高了正确识别率，并且满足实时性要求。此外，该算法还具备有效的拒绝判断能力和对目标图像尺寸变化的不敏感特性。即使面对较大的图像畸变情况，其识别准确度仍能达到89.3%。

一种利用深层次多尺度特征融合CNN进行SAR图像中舰船目标检测的算法

优质

本研究提出了一种基于深层次多尺度特征融合的卷积神经网络(CNN)算法，专门用于合成孔径雷达(SAR)图像中的舰船目标检测。基于深度学习的目标检测技术在目标检测领域展现出强大的潜力,但在应用于合成孔径雷达(SAR)图像中的舰船目标检测时并未达到预期效果。为此，我们提出了一种基于卷积神经网络的SAR图像舰船目标检测算法，该算法能够有效识别多种场景下的多尺度舰船目标。此方法在单发多盒探测器框架的基础上,采用性能更优的Darknet-53作为特征提取网络，并引入了更深层次的特征融合模块以生成包含更多语义信息的新特征预测图。此外，在训练策略方面，我们提出了一种新的二分类损失函数来应对训练过程中正负样本不平衡的问题。通过在扩展后的公开SAR图像舰船数据集上进行验证实验,结果表明该方法对复杂场景下不同尺寸的舰船目标具有良好的检测适应性。

基于多特征融合的图像检索算法

优质

本研究提出了一种基于多特征融合的图像检索算法，通过整合颜色、纹理和形状等多种视觉特征，显著提升了图像识别与检索的准确性和效率。在信息技术与人工智能迅速发展的背景下，图像检索技术作为计算机视觉及模式识别领域的重要分支，在人们的日常生活中发挥了不可或缺的作用。传统图像检索方法主要依赖人工标注，这种方式效率低下且存在局限性。随着计算能力的提升以及算法的进步，基于内容的图像检索（Content-based Image Retrieval, CBIR）技术应运而生，并逐渐取代了传统的文本为基础的图像检索方式。 CBIR通过分析颜色、纹理和形状等视觉特征实现对图片的自动搜索。然而，单一特征难以满足复杂需求，因此结合多种特性的多特征融合算法成为研究热点。本论文提出了一种基于纹理、颜色及形状多重特性整合的图像检索方法，旨在提升检索效率并降低计算难度。在CBIR中，颜色是最基本且直观的视觉元素之一；传统色彩直方图法虽简化了图像信息处理但无法满足复杂需求。相比之下，纹理特征提供了关于粗糙度和方向性的详细描述，有助于理解图片内容；形状特性则能捕捉到轮廓与结构细节，在区分相似色调或纹理却不同形状的对象时具有独特优势。多特性的融合算法首先提取颜色、纹理及形状三个方面的信息，并通过特定策略整合这些数据，最终生成全面反映图像内容的特征向量。具体而言，该论文中的方法先对彩色图片进行边缘检测以获得基元图；随后计算得到共生矩阵与梯度直方图。此外还量化了RGB色彩空间至64色范围内获取颜色直方图。通过这三种数据构建多特性描述符，并将其用于检索任务。实验结果表明，相较于BCTF（基于色调和纹理特征）及MCM算法，在查全率(Recall)与查准率(Precision)方面本论文提出的策略表现更佳且计算复杂度更低。高召回表示系统能找出更多相关图像；而高精确则意味着检索出的图片中无关项较少，两者均反映了系统的性能水平。综上所述，该研究不仅优化了特征提取和描述过程、提升了检索效果，并为多特性融合算法的发展提供了新路径。随着未来对技术不断改进与完善，在图像搜索及其他相关领域的应用前景广阔。

面部识别：LBP与Gabor特征级融合方法

优质

本文探讨了基于LBP和Gabor特征的面部识别技术，并提出了一种有效的特征级融合方法以提高人脸识别系统的准确性。人脸识别技术可以通过LBP（局部二值模式）和Gabor滤波器的特征级融合来实现。

关于多模态身份识别中特征融合的方法研究

优质

本研究探讨了在多模态身份识别系统中的特征融合技术，旨在提升系统的准确性和鲁棒性。通过综合分析多种生物特征数据，提出了一种有效的特征融合策略。本段落探讨了多模态身份识别问题，并结合人脸与掌纹两种不同的生理特征提出了基于特征融合的多模态身份识别方法。对于人脸和掌纹图像，分别采用Gabor小波变换及二维主元变换（2DPCA）提取其特征信息；随后依据一种新的权重算法将这两种模式下的特征进行整合，并利用最邻近分类器来进行分类与识别工作。实验结果表明，在AMP、ORL的人脸库以及Poly-U的掌纹图像库中，两种模态融合的方式能够提供更多的决策分析所需的信息，从而相比传统的单一模态（如仅使用人脸或掌纹）的身份识别方式具有更高的准确率和安全性。

图像的特征级融合

优质

图像的特征级融合是指在计算机视觉领域中，通过结合多个图像或数据源的特征信息来提高目标识别、分类和场景理解精度的技术。这种方法可以有效整合多模态数据的优势，提升算法鲁棒性和性能。本段落介绍了图像的特征提取及融合方法，有助于你更深刻地理解这些算法。

单尺度融合：一种有效的图像融合方法

优质

本文介绍了一种名为单尺度融合的技术，这是一种高效且准确的图像融合方法。通过在单一但关键的尺度上进行处理，该技术能够显著提高图像的质量和清晰度，为计算机视觉领域提供了新的解决方案。我翻译了文献《Single-Scale Fusion An Effective Approach to Merging Images》，中文名为《单尺度融合——一种融合图像的有效方法》。压缩包里包含英语原文和我的译文。

高分辨率雷达一维距离像的融合特征识别

优质

本研究聚焦于通过融合高分辨率雷达一维距离像中的多种特征，提高目标识别精度与可靠性。探索适用于复杂背景下的高效识别算法。在雷达目标识别过程中，提取有效特征对提升识别效果至关重要。鉴于高分辨距离像（HRRP）具有平移敏感性的问题，本段落提出了一种基于多特征融合的方法来改善这一问题。具体而言，通过PCA技术将三种平移不变的特征进行整合，并利用支持向量机算法来进行目标识别。实验结果表明，该方法不仅减少了存储需求，还有效解决了高分辨距离像中的平移敏感性问题，同时具备较高的识别准确率和良好的推广能力。

基于HOG+LBP+SVM的人脸识别特征融合方法

优质

本研究提出了一种结合HOG与LBP特征，并利用SVM进行分类的人脸识别方法，有效提升了人脸识别系统的准确性和鲁棒性。采用LBP和HOG特征提取融合以及SVM分类的人脸识别程序。

基于多特征灵活融合的目标追踪

优质

本研究提出了一种新颖的方法，能够通过灵活地融合多种特征来提高目标跟踪算法的效果和鲁棒性。为了克服传统基于单一特征的跟踪方法在复杂场景及光照变化下容易失效的问题，本段落提出了一种新的目标跟踪算法——多特征自适应融合技术。具体而言，在该方案中我们选择了颜色与纹理两种互补性强的目标特性来构建一个多维度的目标模型；接下来依据这些子特性的区分能力对它们的重要性进行动态调整以优化性能表现；最终通过实验验证了结合这两种特征的算法相较于仅依赖单一核函数目标跟踪方法在各种环境下的鲁棒性更佳。