测试系统中波形的神经网络识别方法

为满足自动测试系统对信号波形的智能化识别要求,在对现有的波形识别方法进行研究的基础上,提出一种新的波形识别方法;该方法在利用离散余弦变换（DCT）对波形进行频域特征提取的基础上,将模式识别与BP神经网络理论相结合从而建立波形特征匹配模板,最终实现对信号波形的智能识别;对比试验表明,该方法与最大相关系数法（MCC）、最大相关差值法（MCD）相比很好地解决了待测波形与模板波形匹配过程中的相位对齐过程,而且更加快速、高效。     

基于综合特征的字符模板库的建立与训练

叙述邮政编码自动分拣系统的软件处理的原理以及程序设计方法,对于倾斜放置信封的邮编区域的定位问题提出解决方案,利用信息熵理论对字符的综合特征的选取提出融合方案,建立训练了邮政编码识别系统中的手写数字模板库,并设计与之相关的可视数据库系统,该系统大大提高信封的自动分拣率以及可行性。     

铁路路况识别系统的设计和开发

为了实现对多种复杂铁路路况的识别,需要采集路况图像并加以处理,以得到识别所需的图像特征,最后通过模式识别辨别路况.由摄像机、采集卡、计算机及相关软件建立一套路况图像采集与识别系统.探讨数字图像的采集、图像处理中同态滤波、对比度增强、优化二值化算法、膨胀操作、粒子滤波等处理方法以及模式识别方法在铁路路况识别系统中的应用.经过现场验证,所设计系统识别准确率达94.4%,识别效果理想,可以满足路况采集及识别的需要,是一种可以运用在铁路机车智能减振系统中的新方法.     

贝叶斯假设方法在水声成像声呐阵控制中的应用

在对水中目标轮廓进行水声成像时,可设计声呐阵中各声呐单体对目标分割识别,利用贝叶斯假设方法,解决多声呐单体识别结果的目标最终识别问题,实现声呐阵的有效控制。     

基于感兴趣区域的CNN-Squeeze 交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

基于形态检测与深度学习的高空视频车辆识别

为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示：AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标.     

基于线谱特征提取的被动声纳目标识技术研究

该文针对被动声纳目标识别,着重研究了线谱特征提取方法,提出了一种自适应遗传BP算法,并用该算法训练神经网络目标分类器。经对上海上实录三类目标噪声分类识别实验结果表明,所设计的被动声纳目标识别系统具有很好的分类效果。     

基于行为识别的智能车纵向决策研究

针对智能车纵向决策问题,提出基于环境车辆偏离车道程度识别运动模式的方法;构建动态环境车辆横纵向轨迹预测模型,并求解;构建保持、先行、避让在内的决策集,提出基于预测轨迹的单个车辆决策方法,并基于所有动态环境车辆的决策结果在加速、减速和匀速3 种结果中做出综合决策. 实车实验表明：在直行、换道和转弯运动模式下轨迹预测平均误差分别为0.11,0.29,0.80 m,预测精度较高;复杂动态环境下,本文提供的纵向决策信息提升了智能车行驶的安全性和舒适性.     

融合式空间塔式算子和HIK-SVM的交通标志识别研究

在交通标志识别问题上,提出了一种基于融合式的空间塔式算子和直方图交叉核支持向量机(HIK-SVM)的分类方法.在该方法中,通过提取图像的灰度塔式词袋直方图(Gray-PHOW)特征、颜色塔式词袋直方图(Color-PHOW)特征和塔式边缘方向梯度直方图(PHOG)特征来对交通标志的外观、颜色和轮廓信息进行描述.通过提取空间塔式直方图特征,能很好地对图像各种特征的空间分布状况进行描述.提取到图像的外观、颜色、轮廓和特征的空间分布信息后,对其进行融合,最后得到的融合式的空间塔式特征具有很强的鲁棒性.将该融合式特征送入HIK-SVM进行训练和分类,取得了极其高的识别效果.     

基于LBP算子的路面类型识别研究

不同的路面类型会对车辆的制动、加速、变道等决策产生不同影响,因此实时获取路面类型信息对于提高智能汽车的安全性、舒适性等有着重要意义。论文提出一种基于LBP算子的路面类型识别方法,首先采集了四种车辆行驶常见路面的图像信息,并对图像进行了增广处理;然后使用LBP算子提取出路面图像的纹理特征,再采用PCA方式对纹理特征进行降维;最后通过分类器对数据进行训练与分类。实验结果表明该方法的最高分类准确率可以达到98.5%,有效提升了当前路面类型识别的精度。