不变量特征的构造及在目标识别中的应用

不变量特征的构造及在目标识别中的应用

朱旭锋[1]2012年在《基于图像不变量特征的自动目标识别技术研究》文中认为随着光电子、智能控制、模式识别和计算机视觉技术飞跃发展,自动目标识别技术(ATR)在现代武器系统中的作用日益突出。基于图像不变量的特征提取方法,一直是ATR的关键技术之一。本文在对目标识别、图像处理等理论研究的基础上,针对图像目标的不变量特征进行了总结和拓展。论文以飞机为研究对象,完成了从目标图像特征提取到分类的一系列ATR关键技术研究,为飞机成像自动识别技术提供了有价值的参考。论文主要贡献如下:1、对飞机识别中用到的图像不变量,包括全局不变量和局部不变量,进行了系统的总结;2、以往的飞机识别,大都基于已知目标是飞机的前提下,对飞机机型进行自动判别。实际应用中,目标的类型往往是未知的,成像自动目标识别系统无法事先自动获知传感器采集目标是否是飞机。因此,为解决在一系列目标中能够自动检测出飞机,提出了一种基于模糊C均值聚类的改进词袋模型算法;3、提出了对飞机目标进行二级自动分类的识别框架:粗分类和精分类。粗分类采用上述的改进词袋模型算法,检测出飞机目标;精分类采用通用的不变量特征提取方法,结合智能型分类器:传统神经网络或支持向量机,进行飞机机型分类;4、针对叁种全局不变量:Hu矩,仿射矩,归一化傅里叶描述子,结合支持向量机分类器,进行识别效果对比。在此基础上,将叁者进行特征级融合,形成一种新的组合不变量:矩-傅里叶描述子。同时,为解决特征分量之间取值范围较大的问题,研究了四种不同的特征量归一化方法,分别与传统神经网络和支持向量机结合后的分类效果,进而提出对图像不变量特征选用归一化方法的具体原则;5、提出了一种新的局部不变量: SIFT顺序尺度。分析了SIFT顺序尺度的不变性。仿真实验验证了在清晰、加噪、遮挡条件下所提出的SIFT顺序尺度不变量,对比于仿射矩、多尺度自卷积的高识别率性能;6、针对特征级融合时,特征向量维数较大,部分较差特征甚至还会降低识别系统识别率等问题,提出采用决策级融合方法进行机型判别:对同一幅飞机图像,选取不同类别的不变量,构造多个分类性能较优的单分类器,按照自适应权重投票法,进行多分类器融合判别,去实现较为通用的飞机图像自动识别系统;本文虽然是以飞机目标为研究对象进行图像识别研究,但所提出的技术具有通用性,很容易推广到运动刚体目标的图像识别中,如卫星识别,导弹识别,舰船识别,地面车辆识别等。

刘进[2]2004年在《不变量特征的构造及在目标识别中的应用》文中认为图像不变量特征的提取与构造是模式识别和计算机视觉领域中的关键技术之一。有效地、并尽可能多地从复杂多变的模式表现形式中提取出目标本原的重要特征,而且与目标的各种空间变换(包括平移、尺度、旋转等变换)和观察角度、位置等因素无关,并不受目标图像获取条件和环境的影响,这将会使后期识别工作变得比较容易。图像区域不变矩集合是反映形状特征的一种重要的特征集,可根据需要构造出各种复杂的变换不变量,这种技术正受到越来越多的关注。由于目前可利用的不变矩特征十分有限,适用范围也需要进一步明确,应用领域也需要进一步推广,有关这方面内容还需要作更深入的理论分析和更细致的实验检验。本文正是在这一背景下对不变量特征的构造及在目标识别中的应用进行了深入的研究。本文的创造性研究成果主要有:(1) 总结了图像旋转不变矩构造的一般规律, 提出叁角函数构造旋转不变矩的方法, 得到了新的不变矩通式, 并产生了一个较大的旋转、比例平移不变矩集。在此基础上, 提出不变矩各阶子式的概念,进而设计了一种滤波器式不变矩快速算法, 能有效避免大量子多项式的重复计算从而提高不变矩的计算和生成效率。论文还得出轮廓链围成区域的矩和不变矩计算式。(2) 介绍了仿射变换参数在3 维空间内的几何意义以及仿射不变矩与旋转不变矩的关系, 分析了仿射不变矩的构造方法,并作了一些补充性研究。提出了几种新的仿射不变矩,当视点距离观测图像较远时,这些不变矩能在深度信息未知的情况下识别叁维空间中绕叁个坐标轴旋转的平面图像。提出仿射变换图像的矩矢量和跟随矢量的概念,并有效地应用于仿射变换图像的配准和校正。这种方法具有快速、精度高而且简单直接的特点。(3) 定义了n 维平移比例变换不变量的一般形式, 提出一种任意高维旋转变换不变量---n 维转动惯量的通式, 并得出两个叁维旋转、比例平移不变矩:Crot3,1 Crot3,2,可用于识别3 维图形。

丁刚[3]2009年在《基于支持向量机的移动机器人环境感知和物体识别研究》文中进行了进一步梳理移动机器人利用多超声波传感器识别周围环境是移动机器人在未知环境中自定位、地图创建以及导航的重要组成部分,是移动机器人导航领域的关键技术之一。视觉传感器是移动机器人的重要传感器,移动机器人主要通过视觉传感器来感知环境、识别物体。研究基于视觉传感器的移动机器人物体识别,有利于移动机器人智能化的提高。本文针对未知环境下移动机器人的目标识别问题,分别基于多超声波传感器和视觉传感器研究了移动机器人的环境感知和物体识别方法,提出了一种基于支持向量机(SVM)的移动机器人物体识别方法。主要的研究工作和贡献如下:(1)对基于多超声波传感器的移动机器人环境建模和识别进行了研究。针对未知环境下移动机器人的环境理解与识别问题,提出了一种基于支持向量机的环境识别算法。该算法在对移动机器人室内外特征环境分析和建模的基础上,通过机器人配置的多超声波传感器获取环境的距离信息,直接作为环境的特征,按照从左到右的顺序组成表征环境轮廓的六维特征向量,送入支持向量机训练并用于特征环境的识别。该算法克服了多超声波传感器测量数据的不确定性对分类结果准确度的影响,实现了移动机器人对室内外特征环境的正确识别。(2)对基于视觉的移动机器人物体图像综合特征的提取进行了研究。在图像形状特征提取方面,提出了一种基于面积比的仿射不变量的构造,该构造方法简单可靠,在物体图像形状发生仿射变换时具有很强的稳定性,在光照影响、噪声干扰情况下,也具有一定的鲁棒性;在图像纹理特征提取方面,采用了一种基于灰度共生矩阵(GLCM)的纹理特征提取方法,选取了对比度、相关性、角二阶矩、熵、局部平稳5种纹理描述能力最强的特征参数组合;在图像颜色特征提取方面,提出了一种基于加权分块颜色直方图的颜色特征提取方法,该方法既能够反映颜色的空间分布信息,又保证了对图像旋转、平移和尺度变化的适应能力。(3)对基于支持向量机的移动机器人物体识别方法进行了研究。针对移动机器人的物体识别问题,提出了一种基于支持向量机的移动机器人物体识别方法,并从物体图像数据库中选择了20个物体的图像用于实验分析。通过仿真实验,比较了基于图像综合特征方法与单一特征方法的分类性能,基于支持向量机的物体识别方法与其他分类算法的性能,并分析了本文所提出的方法在光照干扰下的性能。

刘晨晨[4]2006年在《高分辨率成像声纳图像识别技术研究》文中研究指明本论文是在“十五”预研项目——智能水下机器人“水下目标声探测与识别技术”的基础上进行的。论文以工程中的实际问题为着眼点,深入研究了机器人声视觉系统的构建与设计、侧扫声纳和前视声纳的图像预处理、特征提取与识别等技术。主要内容包括:(1)综述了国内外水下智能机器人、水下目标识别技术的研究现状与基于声纳图像的水下目标识别的主要设备和方法;详细的介绍了当前图像识别系统的组成和主要技术手段。(2)综述了目前国际上先进的高分辨率成像声纳——高分辨侧扫声纳、声透镜声纳和叁维成像声纳的技术特点与性能;以军用智能水下机器人中“水下目标声探测与识别技术”课题中声视觉系统的主要任务为基础,设计了一种新的声视觉系统构建方式和工作过程,使水下智能机器人能够同时探测前方和下方海域,并具备了在远距离上粗略的目标分类能力和近距离的精确目标识别能力,能够更有效的完成水下目标探测和识别的任务。(3)分析了声纳图像在成图过程中所受到的噪声干扰。深入研究了脉冲耦合神经网络(PCNN)的相关理论,设计了一种在PCNN简化模型基础上,结合形态学与中值滤波的噪声抑制算法。该方法在不损失图像边缘信息的前提下,能够同时有效的去除图像中的高斯和脉冲噪声,并且由于PCNN内在的并行实现性,更加适合实时的图像处理。(4)介绍了水下智能机器人携带的侧扫声纳图像的主要应用范围。综述了利用侧扫声纳图像的海底底质分类研究领域的最新进展,提出了将包含图像结构细节信息的相位谱与灰度共生矩阵相结合的海底底质纹理表示方法,并应用主分量分解提取了特征向量。由于将统计和结构信息有机的融合起来,从而提高了识别精度。(5)根据不同图像其相同灰度值的空间分布不同的特点,利用PCNN简化模型得到对应于不同灰度值的二值序列图像,作为原图像的纹理表示。计算每幅图像的方差,将序列图像转化为一维特征矢量,用于侧扫声纳图像和自然纹理图像的识别中,可以获得很高的图像识别率。(6)在海底目标检测中,针对侧扫声纳图像受海底混响干扰严重的缺点,提出了将高阶谱中双谱的谱峰值大小作为图像中目标是否存在判断方法。利用高阶谱可以抑制了图像背景中不相关噪声,使目标高阶相关性增强的性质,可以有效的检测出具有不同参数的侧扫声纳系统图像中的目标存在,更具有普遍适用性。(7)在海底目标提取中,提出了将自适应灰度规整与Otsu’s阈值分割方法结合的海底目标区域分割方法。该方法能够进行自动阈值选择,得到的分割结果有更好的区域均匀性和对比度。(8)分析了高分辨率前视声纳图像的特点,针对其所受干扰大和回波不均匀造成的内部孤立点问题,提出了一种形态学边缘检测算法。该方法对噪声不敏感,并且较好的消除了声纳图像中目标内部由于回波信号的强弱变化导致的灰度突变,使其中的孤立点得到抑制,所以提取出的边缘轮廓较完整。(9)针对水下机器人在作业过程中的运动会造成图像中目标的旋转、平移和比例变化问题,深入研究了图像识别中的视觉不变量理论。提出了一种基于图像边缘Radon变换的声纳图像不变性特征提取方法。在图像目标尺度归一化的基础上,利用Radon变换将二维边缘信息投影到一维空间,构造了此空间中的旋转、平移和比例不变矩。根据不同阶数的不变矩组合矩阵,利用奇异值分解(SVD)方法提取目标不变特征。该特征表示方法只利用了目标的边缘信息,计算量小,运算速度快,鲁棒性强并具有较好的图像分类效果。(10)综述了叁维目标识别技术,重点介绍了叁维目标的表达和目标识别方法。分析了叁维声纳成像的原理,并以此为依据,借鉴工业和医学上断层成像系统的叁维重建和处理方法,阐述了叁维成像声纳目标识别的实现过程,介绍了其中的关键技术并对实际中的困难进行了分析。

王雪力[5]2010年在《平面及空间射影不变量在目标识别中的应用》文中提出目标识别是计算机视觉中一个重要的研究方向,在军事、自动化等领域具有广泛的应用。由于目标的成像过程属于射影变换,因此,为了准确识别目标,必须找到一种具有射影不变性的目标形状的描述方法。以往人们对物体的描述和识别大都基于平面目标的几何模型进行,但是,近些年随着计算机视觉的快速发展,更广泛射影群下不变量特别是几何不变量的研究越来越受到人们重视,并成为计算机视觉中的热点和难点问题之一。基于此本文针对二维和叁维物体识别中的射影不变量进行了研究。本文首先对射影不变量的研究现状进行了概述,并简单介绍了目标识别中射影不变量的基本理论,然后重点研究了特征比和特征数在特征点匹配中的应用,以及平面曲线的几何不变量在空间中的推广。主要研究包括:(1)在特征点匹配中使用了一种不同于交比的新的几何不变量--特征比和特征数,并把特征比与传统的交比进行了匹配效果比较。数值试验结果表明,在相同噪声干扰情况下,特征比的误差比交比的误差略小。而且在逐步增大噪声干扰时,特征比的误差增加的幅度不大,而交比的误差增加幅度相对较大,这说明特征比抗噪声的能力较交比强。同时在利用交比作为不变量进行特征点的匹配,会出现误匹配现象,即实际上并不匹配的点交比值却相等。为了避免这种情况,我们引入特征数辅助判定。因为作为射影不变量,特征数反映曲线的内蕴性质。数值试验表明特征数的确可以一定程度上达到纠正误判的作用,可视为是对图像不变性特征的有效补充。(2)将平面曲线的几何不变量推广到空间中。首先介绍了常用的平面元素(点、直线、曲线)不变量,然后利用2D射影变换求得空间直线(或空间点)与平面的交点(或交线),且此交点(或交线)是由射影变换矩阵和空间的点和直线表示的,这样就将空间元素与平面元素建立联系,使得平面元素可以由射影变换矩阵和空间元素表示,从而将二维几何不变量推广至叁维空间。使得几何特征不变量的使用范围得到扩大,给空间物体的识别带来了方便。

季康[6]2016年在《基于多分类器融合的多视点飞机目标识别算法研究》文中研究说明随着科学技术的发展,飞机目标识别已经成为计算机视觉领域中研究的热点之一。飞机目标识别技术在军事领域和民用领域都有广泛的应用。在军事领域,飞机目标识别可以应用在防御系统、导航制导系统、军事目标侦查中。在民用方面,飞机目标识别可以为民航机场提供实时动态监控,便于机场进行有效的管理。近年来,飞机目标识别技术已经取得了很大的进展,但是依然存在着在多视点下飞机姿态多变导致识别率低,算法耗时量大等问题。因此,本文为提高算法识别精度,减少耗时量,在现有算法的基础上,提出了基于多分类器融合的多视点飞机目标识别算法。本文主要研究内容如下:1、总结飞机目标识别的通用流程和关键技术,并对流程中各个步骤的关键技术进行分析,其中着重介绍特征提取和分类器的选择。首先分析了特征提取中各个特征的优劣,然后探究了不同类型的特征之间的联系,最后详细介绍了识别算法中各种常用的分类器。2、针对飞机目标在多视点情况下,姿态变化导致飞机目标识别率低的问题,本文提出了一种基于SVM(Support Vector Machine)和DSm T(Dezert-Smarandache theory)理论相结合的多特征融合的多视点飞机目标识别算法。首先训练多个SVM分类器,然后利用DSm T融合规则对多个SVM分类器进行融合判断,最后得到识别结果。该算法有效的克服了在多视点下,由于飞机姿态多变导致的飞机目标识别率低的问题。实验表明该算法能够在飞机姿态发生较大变化时,较好地识别出不同类型的飞机。3、针对飞机多姿态情况下识别精度低、耗时量大的问题,提出了一种基于极限学习机的多特征融合飞机目标识别算法。通过提取小波矩、Zernike矩和傅立叶描述子分别建立相应的极限学习机模块。对于每个模块得到的结果,利用加权投票的融合方法做出最终判别结果。该算法充分利用极限学习机的特性,降低了算法所消耗的时间,提高了算法的实时性。实验表明,该算法能较好的识别出不同类型的飞机,并且耗时量小。

张虹[7]2004年在《基于小波变换和不变矩的图像目标识别算法研究》文中研究表明本文重点研究了小波分析及不变矩在图像目标识别中的应用。利用矩不变量进行形体识别一直是图像识别的研究重点。本文详细介绍了几何矩、Hu 矩不变矩的概念、性质及在图像识别中的应用,针对这几种传统不变矩的缺点:它们都是在整个图像空间中计算得到的图像的全局特征,容易受到噪声的干扰。本文引入了新的矩不变量—小波矩不变量,它将小波分析用于不变矩中,使其具有平移、旋转和比例不变性。利用小波矩不仅可以得到图像的全局特征, 而且也可以得到图像的局部特征, 还增加了小波对图像结构精细特征把握能力强的优点,因而在识别相似物体方面具有更高的识别率。本文以小波不变量为特征,并对所提取的特征进行优化选择,最后用优化后的特征与 BP 神经网络分类器相结合进行目标图像识别。从小波矩的整体性特点出发,本文提出用小波模极大值法进行图像预处理,提高目标区域分割的精度,并在此基础上进行图像区域分割。本文通过仿真实验,对叁类飞机六十个样本进行识别,得出了 Hu矩、小波矩在是否含有噪声的情况下的识别结果并对识别性能进行了比较。实验表明,小波矩不变量的识别效果要优于 Hu 矩,尤其是对于有噪声的图像。

王为[8]2016年在《基于形状特征的图像匹配与检索算法研究》文中进行了进一步梳理形状匹配技术是计算机视觉中的热点问题,它在基于形状特征的目标识别、图形拼接、基于内容的图像检索等等方面有着广泛的应用。近年来,研究者在形状匹配技术上取得了许多显着的成果,但是仍存在一些问题尚未较好的进行解决,如:形状的仿射形变,局部遮挡,形状的非刚性变换等等。对于这些问题,如何选择有效的形状描述和匹配方法是问题解决的关键。本文在深入研究传统解决这些问题的方法上,提出了一些更加有效的方法,本文主要研究内容如下:1、总结了形状匹配的一般流程,并从一般流程对形状匹配做了深入的分析与研究。首先,在预处理部分,通过滤波算法去除噪声的干扰;然后利用边缘提取算法提取目标轮廓曲线。对于形状特征的描述,将其分为基于轮廓的描述方法和基于区域的描述方法,并对它们的优缺点进行了详细的分析。2、针对传统仿射形状识别算法受局部遮挡或缺损影响的问题,提出了一种基于LCS和局部不变量的仿射形状匹配算法。该算法分为粗、精匹配两个阶段,粗匹配利用LCS序列匹配算法搜索最长公共特征点序列,该特征点序列即为对应的特征点,并通过对应特征点划分目标曲线。精匹配阶段利用构造的具有仿射不变性的小波局部不变量描述目标曲线段,并通过相似度准则衡量曲线段的匹配结果,最后达到对仿射目标的识别。实验表明,该算法可以有效的识别仿射形变的目标,并且对局部遮挡有一定鲁棒性。3、针对传统基于轮廓的形状检索算法无法较好的处理非线性变换的问题,提出了一种轮廓特征与词袋模型结合的形状检索算法。首先,为了准确获得描述目标局部特征的轮廓分段,采用曲率极值点划分轮廓段;同时,为了降低噪声的干扰,先利用高斯函数去噪,然后根据曲率极值点的特点剔除无意义的关键点。对于轮廓段,采用质心距离的形状上下文进行描述,并利用词袋模型构造出具有识别力的形状表示方法用于形状检索。该表示方法可以较好的把握形状间的一些非线性变换规律,对类内多变形的形状有更好的检索效果,并且对噪声也具有一定的鲁棒性,实验结果证明了该算法的有效性。

杨慧军[9]2008年在《基于特征融合的自动目标识别技术研究》文中进行了进一步梳理基于图像融合的自动目标识别,就是利用多种传感器提供的目标图像进行融合处理,提高识别的精度和鲁棒性,以得到更好的识别性能。这是一个很有前景的研究课题。目前图像融合的很大一部分研究工作集中在像素级融合,但是像素级融合要处理的数据非常多,数据在时间和空间上配准精度要求高,耗费时间长,实时性差。决策级融合是对各传感器的识别结果进行融合,信息损失大,性能较差。而特征级融合不仅可以增加从图像中提取特征信息的可能性,还可以通过对现有的各个特征进行综合,获取一些有用的复合特征,通过特征级的图像融合既能保持足够数量的有效信息,又经过数据压缩,大大降低了数据量,可以提高处理过程的实时性,越来越受到研究工作者的重视。基于特征融合的目标自动识别技术,是对目标的两种或多种传感器信息进行处理,提取并融合所得到的特征,对目标进行跟踪、识别的技术。本文主要针对目标图像的特征级融合识别方法进行了研究,重点研究了目标的特征提取方法和特征融合识别方法。本文的主要研究成果如下:1.针对基于正则化拉普拉斯矩阵的局部保留映射(NL-LPP)算法的不足,提出了不相关且正交的基于正则化拉普拉斯矩阵的局部保留映射(UONL-LPP)算法。该算法能够在保留原始数据空间的局部信息的同时,使提取的特征满足统计不相关性和正交性,从而具有最小的冗余,并有利于实现原始数据的重构。2.针对线性鉴别分析(LDA)主要提取数据的全局结构信息,而局部保留映射(LPP)主要提取局部结构信息的不足,提出了一种兼顾这两种特征的特征融合方法,称为全局局部特征融合分析方法(GLA),该方法通过引入一个调节因子,可以根据不同的应用调节这两种特征的权重,有效地提高了目标识别率。为了提高GLA的非线性处理能力,给出了基于核的全局局部特征融合分析方法(KGLA)。3.研究了基于典型相关分析的特征融合方法。针对当典型相关分析用于高维小样本问题时,由于矩阵奇异而失效的缺陷,提出了张量典型相关分析方法,该方法直接利用图像的矩阵形式从行和列两个方向进行特征抽取,不仅大幅度地提高了运算速率,而且识别率也有了一定程度的提高。

孙晓丽[10]2006年在《基于小波矩特征的小波神经网络目标识别研究》文中指出能够自动进行目标识别是现代武器装备力争具备的先进性能之一。小波分析因其良好的时频局部化特性,已经成为信号处理和图像分析系统中的有效工具;不变矩的抗噪性和相对于目标几何变换的数值稳定性,使其被广泛使用在各种目标识别系统中;人工神经网络的迅速发展为自动目标识别研究提供了新途径,自动目标识别方面的难题有望利用神经网络方法得到解决。自动目标识别要求在目标发生平移、旋转、尺度变化下仍有高的识别率。这可以通过首先获得目标图像的矩不变量,再将不变量输入到小波神经网络中进行识别。本文通过将目标的特征提取算法与小波神经网络结合,提出了一套新的目标图像识别系统。该系统可识别多类目标。本论文使用这种系统识别了四类飞机目标,达到了很好的效果。本文的研究工作围绕小波矩和小波神经网络及它们在自动目标识别中的应用展开。重点研究了用于自动目标识别的矩特征,研究比较了能够描述目标全局特性的Hu矩、Zernike矩和能够描述目标局部特性的小波矩。针对自动目标识别提出了一种新的识别系统,将小波矩和小波神经网络结合用于目标识别,实验证明该识别系统具有良好的识别效果。论文的主要研究工作包括:(1)研究了图像的矩特征,比较了图像的Hu矩,Zernike矩和小波矩。Hu矩和Zernike矩提取的是图像的全局矩,而小波矩结合小波分析的局部时频分析的特点,可以提取图像的局部矩。小波分析与图像矩不变量的结合为我们研究图像的不变量特征提出了一个比较新的方法。小波矩不变量能够区分图像的细微差别。(2)通过实验提取发生平移、旋转、尺度变化和含有噪声的飞机目标图像的Hu矩、Zernike矩和小波矩,统计其数据。证明了小波矩的特征不变率比Hu矩和Zernike矩低。(3)小波分析具有良好的时频局部化特性,神经网络具有良好的自学习和自适应特征。基于这些优点,小波神经网络更具有良好的性能。同BP神经网络比较,小波神经网络更具有实际价值。实验证明Hu矩、Zernike矩的识别率低于小波矩的识别率。

参考文献:

[1]. 基于图像不变量特征的自动目标识别技术研究[D]. 朱旭锋. 中国科学院研究生院(西安光学精密机械研究所). 2012

[2]. 不变量特征的构造及在目标识别中的应用[D]. 刘进. 华中科技大学. 2004

[3]. 基于支持向量机的移动机器人环境感知和物体识别研究[D]. 丁刚. 中国科学技术大学. 2009

[4]. 高分辨率成像声纳图像识别技术研究[D]. 刘晨晨. 哈尔滨工程大学. 2006

[5]. 平面及空间射影不变量在目标识别中的应用[D]. 王雪力. 大连理工大学. 2010

[6]. 基于多分类器融合的多视点飞机目标识别算法研究[D]. 季康. 南昌航空大学. 2016

[7]. 基于小波变换和不变矩的图像目标识别算法研究[D]. 张虹. 北京工业大学. 2004

[8]. 基于形状特征的图像匹配与检索算法研究[D]. 王为. 南昌航空大学. 2016

[9]. 基于特征融合的自动目标识别技术研究[D]. 杨慧军. 上海交通大学. 2008

[10]. 基于小波矩特征的小波神经网络目标识别研究[D]. 孙晓丽. 东南大学. 2006

标签:;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  

不变量特征的构造及在目标识别中的应用
下载Doc文档

猜你喜欢