物体识别

摘要： 为进一步提高深度神经网络算法在嵌入式机器人系统中的物体识别性能,提出了一种基于恒虚警率检测的深度神经网络Dropout正则化方法(CFAR-Dropout)。首先,通过对权重进行量化,将权重和激活从浮点数减少到二进制值;然后,设计了一个恒虚警检测器(CFAR),保持一定的虚警率,自适应地删减一些神经元节点,优化参与计算的神经元节点;最后,在嵌入式平台PYNQ-Z2上,使用基于VGG16的优化模型对算法的物体识别性能进行实验验证。实验结果表明,与使用经典的Dropout正则化方法相比,CFAR-Dropout正则化方法的错误率降低了约2%,有效防止了过拟合;与原本的网络结构相比,参数量所占内存减少到8%左右,有效防止了过参数化。

摘要： 现代工业中机械臂的使用越来越广泛,但传统的机械臂缺乏同工作环境的交互能力,灵活性较差。为此考虑利用视觉来引导机械臂作业,为机械臂配置视觉传感器,实时获取工况信息,以提高机械臂在线实时作业的能力。ROS(Robot Operating System)在机器人开发领域的应用愈加广泛,借助ROS构建相应的视觉引导机械臂作业的仿真模型。在Gazebo完成机械臂和Kinect相机的建模仿真,利用ROS节点通讯机制实现视觉识别结果对机械臂路径规划的指导。仿真运行结果验证了该模型的可行性。

摘要： 随着机器视觉技术和人工智能的高速发展,当代机器人正朝着协作化、自动化、网络化以及智能化方向发展。为保障机器人作用的精准高效,机器视觉技术受到了极大的关注并被广泛应用于各领域。传统的分拣过程受物件特征的影响较大,而机器视觉技术具有速度快、信息量大、功能多的特点,并且能避免工人疲劳带来的误差,因而机器视觉技术在分拣领域表现出了良好的应用前景。基于此,详细分析和探讨了基于机器视觉技术的分拣机器人的组成、关键技术以及在各个行业的应用现状,具体阐述了相应的优势、存在的问题及可行性解决方案。最后,展望了分拣机器人结合机器视觉技术在人工智能大数据时代的发展趋势。

摘要： 车辆自动驾驶包括感知、判断和执行,而感知是整个过程的源头,是自动驾驶系统的重要模块。在车辆行车过程中,感知系统会通过传感器实时采集周边环境的信息,相当于自动驾驶汽车的“眼睛”,可以帮助汽车实现类似于人类驾驶员一样效果的观察能力。在自动驾驶车辆中,感知系统主要由摄像头、毫米波雷达、激光雷达(可选)等传感器构成。摄像头作为主要的环境感知传感器起着非常重要的作用,可以实现360°全面视觉感知,弥补雷达在物体识别上的缺陷,是最接近人类视觉的传感器。因此车载摄像头是自动驾驶领域的关键设备之一。

摘要： 在当前生活中,超市里农产品主要依靠条形码来获取价格,但是随着农业技术的提高和人民大众对快捷生活的追求,无人售卖将会渐渐代替人工售卖,这是一种发展带来的趋势,而且由于水果的种类繁多,无人售卖能够帮助节约大量人力和时间成本.为了解决这个问题,本文提出了基于深度学习的水果识别方法.不同于通过颜色特征和纹理特征去识别水果,本文搭建了一个较为高效的卷积神经网络,从而达到较高的准确率,使用性高,能够有效地应用于日常生活中.

摘要： 为了提高基于图像的物体识别准确率,提出一种改进双流卷积递归神经网络的RGB-D物体识别算法(Re-CRNN).将RGB图像与深度光学信息结合,基于残差学习对双流卷积神经网络(CNN)进行改进:增加顶层特征融合单元,在RGB图像和深度图像中学习联合特征,将提取的RGB和深度图像的高层次特征进行跨通道信息融合,继而使用Softmax生成概率分布.最后,使用标准数据集进行实验,结果表明,Re-CRNN算法的RGB-D物体识别准确率为94.1％,较现有基于图像的物体识别方法有显著的提升.

摘要： 利用磁致伸缩材料铁镓合金(Galfenol)设计制作了触觉传感单元,并将其集成为阵列,安装在二指机械手上.基于电磁原理、逆磁致伸缩效应和欧拉伯努利动力学原理,建立触觉传感单元力测量模型.设计的传感单元测力范围为0～3N,当压力小于1.5N时,灵敏度为151mV/N,在1.5～3N区间,灵敏度约为109mV/N,测量较低的静态力时具有更高的灵敏度,在2～4Hz范围内对动态力具有动态响应快、灵敏度高的特点.根据机械手的测量范围,选取形状较为规则的六种饮料瓶样品进行了抓取,搭建实验系统进行数据采集与存储,测试了传感器阵列的输出特性,集成的传感器阵列能很好地辨识所选样品,对于装满水样品有更高的精度.选择合适的特征值,应用支持向量机算法,通过选择不同的特征值数量和训练集与分类集的比例,对采集的数据进行分类识别.经计算可知,选择三个特征值且训练集与分类集比例为9:1时识别率最高,为87.5％.

摘要： 误差反向传播算法是适合于深度学习中多层神经元网络的一种学习算法,它建立在梯度下降法的基础上.反向传播算法主要由两个环节(激励传播、权重更新)反复循环迭代,直到网络对输入的响应达到预定的目标范围为止.本论述首先介绍物体检测和物体识别的概念,然后对图像检索系统所涉及的深度学习、卷积神经网络、反向传播算法、梯度下降和激活函数等相关概念进行了介绍.最后在卷积神经网络中分别采用了ADAGRAD、ADADELTA、ADAM、ADAMAX、NADAM、SGD和RMSPROP等七种优化方法对COIL100数据集中的72个对象进行训练并得出结果进行比较分析,结果表明,Adadel?ta优化器在图像数据集上提供了更好识别的结果.

摘要： 综合利用彩色和深度信息,采用多数据模式的特征提取策略,提出一种基于卷积-递归神经网络和费舍尔向量的RGB-D物体识别方法.对于彩色图像和深度图像,分别利用卷积-递归神经网络和卷积-费舍尔向量-递归神经网络提取物体的纹理及形状特征.为了更加全面的获取物体信息的特征表述,引入了灰度图像和表面法向量作为原始数据的补充,并利用卷积-递归神经网络提取特征.最后,将4种数据模式下提取到的特征融合起来,输入到softmax分类器中实现RGB-D物体识别.在标准的RGB-D数据库中对算法进行验证,所提算法可以有效提高物体识别率.

摘要： 在工件装配过程中,针对基于SURF算法的工件匹配识别过程速度慢、实时性较差的问题,通过对K-Means聚类算法以及机器学习中文本检索方法进行研究,推导了基于聚类算法的特征点种类词袋模型,对特征点类别进行统计.提出反向标记法生成目标物体描述向量.在物体匹配识别阶段,对待检测物体的描述向量分段进行匹配并选取满足阈值条件的子向量作为最终匹配向量来实现目标物体的识别.实验结果表明改进算法在一定尺度、光照、旋转条件影响下实现了工件的准确识别,并且提高了识别速度.

摘要： 方向梯度直方图被广泛应用于图像特征描述领域并在物体识别应用中扮演着重要角色,然而在识别可能会以任意角度出现的物体时,因其并非旋转不变而受到许多限制.本文给出了一个简捷高效构建旋转不变的区域特征的方法并用于物体识别.该特征采用自适应强度顺序分层方法,能够结合图像强度顺序与梯度分布对整个图像进行分层,从而使特征对刻画以任意角度出现及复杂背景下的目标物体具有更强的区分能力.实验结果表明本文所提出的特征在对任意角度出现的物体的识别具有鲁棒的效果,同时在复杂背景下,本文提出的特征相比其他旋转不变性特征具有更好的结果.

摘要： 鉴于场景RGB-D图像兼含物体的颜色信息与深度信息,提出了一种融合2D物体识别和3D物体识别的快速物体识别与位置估计方法.首先,采用2D SURF算法快速从场景图像中识别出模型图像所处的目标区域,进而从场景点云中分割出待搜索的目标点云,大大减小了3D物体识别的计算量;其次,采用3D Hough算法从目标点云中识别出模型点云所处的空间,从而精确估计出物体位置;最后,对日常生活场景常见物品RGB-D物体进行物体识别与位置估计试验.结果表明,本文方法适应性和鲁棒性好,具有识别速度快、识别精度与准确率高等优点.

摘要： 物体识别是图像理解的基本任务之一,常用的物体识别方法有模板匹配、边缘检测和统计方法等,这些方法都是直接分析图像信号来完成物体识别的任务,与生物的视觉系统相比缺乏智能性.因此,模拟生物视觉系统的智能特性构建合适的计算机模型来完成物体识别任务成为热点研究之一.本文在介绍了物体识别基本方法的基础上,重点介绍了基于生物视觉的物体识别方法的研究现状,全面综述了选择注意性机制、视觉工作记忆和视皮层工作机理等,最后对模拟生物视觉的智能性来完成物体识别的研究进行了展望.

摘要： 传统根据人类腹侧流视觉处理机制中前馈处理原理建立的分层算法模型，在物体识别上获得了较好的识别准确率。但是这一分层算法模型在层层递进过程中，忽略了后层处理结果对先前层次的反馈，使得算法在特征的选取上存在一定缺陷，同时该分层算法模型在物体识别中还忽略了全局结构特征。本文在原算法模型上引入反馈处理机制，进行有效的特征选取，同时在识别过程中考虑物体在全局结构上的相似性，有效提高了物体识别性能。

摘要： SIFT算法运用的核心特征(SIFT特征)是一种基于局部梯度的向量特征,能够抵抗图像的伸缩、旋转等多种变化,满足了三维物体识别的实际需要.将SIFT特征应用于三维物体识别系统中的视点空间划分、背景物体分割、模式特征匹配等模块,可以有效地提高系统的识别速度与效率,增强系统的稳定性.本文通过理论分析与实验验证,论述了将SIFT特征应用于三维物体识别系统的可行性与优势.

摘要： 物体识别是计算机视觉研究的重要内容之一。阐述了物体识别模型，对目前常用的物体识别方法进行了分类和总结；并提出了一些三维视觉系统中还需要深入研究的问题，包括对所研究物体形状的限制、复杂背景的影响和表达以及识别中的“整体和局部”的矛盾等。

摘要： 人工智能技术是地面无人平台目标识别、视觉导航、环境感知等技术的核心,然而以神经网络为代表的智能算法计算密集度高、占用计算资源大,难以部署在资源受限的地面无人平台上.针对地面无人平台强实时性需求、人工智能算法密集型计算需求和小型化嵌入式系统中算力功耗等资源限制,文章以地面无人平台物体识别任务为背景,选择卷积神经网络作为物体识别算法并进行适当裁剪以适应资源受限环境的需求;基于ARM+FPGA异构计算框架与OpenCL并行编程标准,充分利用FPGA流水并行处理的特性,对卷积神经网络算法进行硬件加速,提高计算效率.使用该系统处理不同种类的物体图像进行实验,实验数据表明,该系统可以对实验物体进行正常识别,同时识别效率有着非常明显的提高.

摘要： 佛学和心理学都认为:世界是人心理活动的产物.佛学中认为世界只存在于有情众生的意识形态中;心理学同样认为:世界是人的心理表徵.本文以视知觉的形成为例,把唯识学与认知心理学作相应对比,认知心理学的物体识别相关理论实际上是概括了唯识学中五蕴、八识、四分等概念;这些概念可以基本对应验证认知心理学中视知觉的生理基础、物体识别图式理论、注意的分配机制、记忆的结构等理论;本文对唯识学与认知心理学中关于物体识别机制相互印证的内容做了比较完整的总结,同时也指出认知心理学和唯识学之间,一些不完全对应的、各自独有的内容.希望本文的探讨给佛学在当代社会的教学传播,提供一个现代科学的视角和切入点;同时也从佛学的角度,为认知心理学的研究开拓些许新的思路.

摘要： 提出了一种基于SIFT特征和三焦张量的物体识别跟踪算法。在物体跟踪过程中,利用SIFT算法对每帧图像中的物体进行识别,同时引入计算机视觉中三焦张量的几何关系,剔除识别过程中SIFT算法产生的误配点。实验表明,该算法具有准确的识别跟踪效果,并对尺度变化、旋转和光照变化等具有不变性。

摘要： 近年来,深度学习在诸多领域尤其计算机视觉领域取得了巨大的进展,受到了学术界与工业界广泛关注.互联网与信息技术的快速发展,使得视觉数据(如图像、视频等)的规模不断增大,同时出现了CUDA等并行计算技术,这些都为深度学习提供了良好的基础,极大地促进了深度学习技术的发展.利用深度学习技术对视觉数据进行分析与挖掘,已经成为了计算机视觉领域的研究热点.深度学习技术在图像分类、物体检测与识别、图像视频分析、图像重构等方面取得了巨大的成功,但同时深度学习依然存在许多挑战.本文将重点介绍深度学习在计算机视觉领域的研究动态与最新进展,并从多个角度分析其发展趋势.

摘要： 提取部(101)将在多个检测定时由外部检测传感器(501)检测到的车辆(200)周边的多个检测点中的静止物的检测点提取作为静止物检测点。分组化部(105)将在多个检测定时由提取部(101)提取出的多个静止物检测点中、推测为同一静止物的检测点的2个以上的静止物检测点进行分组化。

摘要： 作为物体识别用异常检测装置的图像处理ECU检测使用了测距传感器(10)和外界相机(20)的车辆的周边物体识别中的异常，该测距传感器搭载于车辆，除了生成包含距离信息的反射光图像之外，还生成背景光图像，该外界相机搭载于车辆，生成相机图像。图像处理ECU具备：速度状态掌握部，获取车辆的速度状态；图像信息获取部，获取背景光图像和相机图像；以及投影误差检测部，在车辆为低速区域以下的速度的速度状态下生成背景光图像和相机图像的情况下，检测背景光图像与相机图像之间的投影误差。

摘要： 设为能够反映摄影环境的变化来稳定地实施高精度的物体识别。一种物体识别方法，用摄像机对应该被配置物体(商品)的摄影部(摄影台)进行拍摄，使用物体识别用的机器学习模型来对拍摄得到的图像中包含的物体进行识别，物体识别用的机器学习模型是基于学习完毕模型数据来构建的，所述学习完毕模型数据是通过使用将无背景物体图像与学习用背景图像合成得到的图像进行学习处理来生成的，所述学习用背景图像是拍摄未被配置物体的状态的摄影部得到的，在物体识别方法中，在规定的时机判定是否需要进行与物体识别用的机器学习模型有关的更新处理，在需要进行更新处理的情况下，使摄像机进行拍摄未被配置物体的状态的摄影部来重新获取学习用背景图像的处理，将使无背景物体图像与重新获取到的学习用背景图像合成得到的学习用物体图像作为学习数据来再次进行学习处理。

摘要： 本申请公开一种基于触摸屏的主动式物体识别方法、基于触摸屏的主动式物体识别装置及主动式物体识别系统，主动式物体识别方法包括：当检测到至少一个待检测物体发出触发事件时，则输出与待检测物体对应的身份识别码；当检测到发生图像处理事件时，生成与图像处理信号匹配的图像识别码，根据图像识别码与至少一个身份识别码之间的匹配结果，找到目标检测物体的虚拟图像信息，根据图像处理信号对目标检测物体的虚拟图像信息进行控制，以达到物体的识别和控制功能；因此本实施例对于多个待检测物体进行精确的识别，并且按照图像处理需求对于特定的待检测物体进行多功能控制，提高了对于多个虚拟图像信息的操控简便性，人机交互性能更佳。

摘要： 提供能够高精度地识别物体的物体识别技术。物体识别装置根据关于物体取得的对象数据(图像数据等)，关于多个不同的性质，生成将特定的性质进行了强调的性质数据，针对每个性质数据抽出作为在性质数据各自的判别中使用的特征量的判别用特征量，根据关于性质数据分别求出的判别用特征量，针对每个性质数据求出在性质数据的判别中使用的判别信息，针对每个性质数据抽出在关于性质数据分别求出的判别信息的可靠性的推测中使用的可靠性特征量，根据关于性质数据分别求出的可靠性特征量，针对每个性质数据推测判别信息的可靠性，生成将针对每个性质数据求出的判别信息和针对每个性质数据求出的可靠性进行了合成的合成信息，根据合成信息进行与物体的识别有关的处理，生成识别结果。

摘要： 物体识别装置(20)包括：图像获取部(21)，获取拍摄被拍摄体而得的图像；以及识别处理部(22)，针对获取的图像使用识别词典来识别被拍摄体，识别处理部(22)针对获取的图像使用对象物识别词典来检测对象物，针对检测出的对象物的下部使用车轮识别词典来检测车轮，将车轮的检测结果反映到所述对象物的检测结果，能够更准确地检测人物、其他车辆等对象物。

摘要： 本发明的物体识别方法是使用了获取存在于周围的物体的位置并作为在俯视中由多个反射点构成的点群的传感器的物体识别方法，根据接近程度对点群进行分组，在对分组后的点群进行多边形近似时，判定构成分组后的点群的至少一部分检测点相对于传感器是否位于对点群进行多边形近似时的近似多边形的死角。在判定为检测点相对于传感器位于死角的情况下，识别为分组后的点群是与多个物体对应的点群，在判定为检测点相对于传感器不位于死角的情况下，识别为分组后的点群是与近似多边形的单体物体对应的点群。

摘要： 作为物体识别装置，物体识别ECU(30)除了使用搭载于车辆的外界相机(20)生成的包含相机图像的图像信息，还使用搭载于车辆的测距传感器(10)生成的图像信息，来识别车辆的周边的物体，相机图像是通过由相机元件感知来自外界的可见光而生成的，测距传感器(10)生成的图像信息是包含反射光图像和背景光图像的传感器图像的图像信息，反射光图像是通过由受光元件感知通过光照射而从物体反射的近红外的反射光而生成的，背景光图像是通过由受光元件感知相对于反射光的近红外的背景光而生成的。物体识别ECU(30)具备：图像信息获取部(41)，获取测距传感器(10)的图像信息和外界相机(20)的图像信息；区域识别部(43)，考虑相机图像的强度与传感器图像的强度之间的不同来识别车辆的周边的植物。

摘要： 本发明提供一种物体识别装置和物体识别方法，能够在抑制成本上升的同时准确地探测远方的物体。物体识别装置(100)包括：摄像部(10)，其获取拍摄到物体的多个热图像；立体匹配部(11)，其使用多个热图像进行立体匹配，计算到物体的距离；特定温度区域提取部(12)，其从热图像中提取特定温度区域；和面积比例推算部(14)，其针对特定温度区域，基于立体匹配部计算出的到物体的距离，推算像素中包括的物体的面积的比例。

摘要： 物体识别装置具有：三维数据获取部，获取由分别具有三维信息的多个点构成的三维数据；平行投影转换部，通过将所述三维数据的各点平行投影到一投影面上而生成二维图像；以及识别处理部，通过模板匹配从所述二维图像中检测对象物体。