搜索资源列表
background-model8
- ：基于背景建模的运动目标分割是智能视频监控的重要任务，模型的质量直接影响到检测、跟踪、识别等运动分析的准确性．当前的建模方法多是单层的，忽略了像素特征在时域和空域上的联系，模型描述不够准确，对于背景扰动、全局光照变化及复杂的室内外场景等多种情况鲁棒性不强，导致了分割中出现空洞和噪声点．针对这些问题提出了一种双层建模的方法，在第一层提取时域上的像素亮度特征采用码本建模，第二层提取邻域纹理特征采用基于中心对称的局部二值模式建模．实验证明该方法在用于运动分割时，比常用方法具有更好的准确性和鲁棒性．-M
fingerprint_match
- 指纹识别系统，包括指纹图像预处理，特征点提取，采用点模式匹配。-Fingerprint identification systems, including fingerprint image preprocessing, feature extraction, using point pattern matching.
lbp1
- 局部二值模式（LBP），用于人脸识别局部文理特征的提取-Local binary pattern（ LBP）, local arts and feature extraction for Face Recognition
lmp
- 局部多值模式LMP，对lbp的改进算法，用于人脸识别局部文理特征的提取- Partial multiple- valued model LMP, improvements to the LBP algorithm for Face Recognition Feature extraction of local arts and sciences
one
- 基于叶片数字图像的植物识别是自动植物分类研究的热点。但是随着植物种类的增加，传统的分类方法由 于提取的特征比较单一或者分类器结构过于简单，导致叶片识别率较低。为此，本文提出使用纹理特征结合形状 特征进行识别，并且使用深度信念网络构架作为分类器。纹理特征通过局部二值模式、Gabor 滤波和灰度共生矩阵 方法得到。而形状特征向量由 Hu 氏不变量和傅里叶描述子组成。为了避免过拟合现象，使用“dropout”方法训练 深度信念网络。这种基于多特征融合的深度信念网络的植物识别方法-Plant based
two
- ：植物种类识别方法主要是根据叶片低维特征进行自动化鉴定。然而，低维特征不能全面描述叶片信息，识别准确率低，本文提 出一种基于多特征降维的植物叶片识别方法。首先通过数字图像处理技术对植物叶片彩色样本图像进行预处理，获得去除颜色、虫洞、 叶柄和背景的叶片二值图像、灰度图像和纹理图像。然后对二值图像提取几何特征和结构特征，对灰度图像提取 Hu不变矩特征、灰 度共生矩阵特征、局部二值模式特征和 Gabor 特征，对纹理图像提取分形维数，共得到 2183 维特征参数。再采用主成分分析与线性 评判分析相