图7-10本节提出的纸币鉴别系统的原理图本节提出的纸币鉴别系统的具体实现流程如下所述。对测试纸币的红外图像进行灰度纹理特征提取。对测试纸币进行真伪鉴别。根据上述第步确定的测试纸币的面额，将上述第步提取的测试纸币的红外图像灰度纹理特征与标准真币特征数据库中相同面额真币的红外图像灰度纹理特征进行比较，根据预先设定的特征距离计算准则和判别阈值，鉴定测试纸币的真伪。......
2023-06-29
基于颜色信息的纸币面额识别优化方案
【摘要】：图7-11人民币纸币的正面彩色图像及其对应的颜色直方图特征综上所述可以看出，利用纸币彩色图像的主色调特征进行面额识别是一种简捷高效，并且非常稳定的方法。根据本书提出的颜色信息粗略量化的策略，并且6种面额的人民币纸币分别对应6种不同的主色调特征，所以本节提出的方法把色调分量H的量化等级个数设为Lc=6。
不同面额的人民币纸币在白色光源照射下呈现出显著不同的颜色特征，也称为主色调（Dominant Color）特征，这些颜色特征不但具有很强的区分能力，而且分布在整个纸币幅面上，即便纸币发生一定程度的污损、残缺，其主色调特征也基本保持不变。图7-11展示了目前市场上流通的6种不同面额人民币纸币正面彩色图像的颜色直方图，用这些直方图表示不同面额纸币的主色调特征。
图7-11 人民币纸币的正面彩色图像及其对应的颜色直方图特征
综上所述可以看出，利用纸币彩色图像的主色调特征进行面额识别是一种简捷高效，并且非常稳定的方法。同时，利用纸币彩色图像的粗略颜色信息可以很好地描述纸币的主色调特征。因此，本节提出一种基于粗略颜色信息的纸币面额识别方法，具体的实现过程如下所述。
（1）构建所有面额标准真币的粗略颜色特征库。首先采集所有面额标准真币的正面彩色图像，将其转换到HSV颜色空间，对色调分量H进行量化，然后计算H分量的直方图，并进行归一化，将其作为不同面额标准真币的颜色特征描述。根据本书提出的颜色信息粗略量化的策略，并且6种面额的人民币纸币分别对应6种不同的主色调特征，所以本节提出的方法把色调分量H的量化等级个数设为Lc=6。
（2）计算测试纸币的粗略颜色特征。采集测试纸币的正面彩色图像，按照与上述第（1）步相同的方法计算其粗略颜色特征。其中，色调分量H的量化等级个数同样设为Lc=6，即所提取的粗略颜色信息的特征维数均为6。
（3）对测试纸币的面额进行识别。首先将测试纸币的粗略颜色信息与标准真币特征库中所有面额的粗略颜色信息进行比较，计算它们的欧氏距离，然后按照最近邻原则，将粗略颜色信息距离最小的标准真币的面额作为测试纸币的面额。
有关纹理图像的特征提取和识别的文章
- 详细阅读
-
基于深度学习的人脸识别技术优化方案详细阅读
由于任务中待识别ID是半封闭集合，可以融合图像分类和度量学习的思路进行模型训练。第二阶段采用Softmax Loss+0.01×Center Loss，并在业务数据上进行网络参数的微调。目前把人脸分割为9个区域，加上人脸整体区域，共需训练10个模型。图10-12基于集成学习的人脸识别在测试阶段，对于待验证的人脸区域和候选人脸区域，分别基于图10-12所示的10个区域提取特征。最终，通过相似度加权的方法判断两张人脸是否属于同一个人。表10-1公开数据集评测结果......
2023-06-28
-
基于图像深度信息的动作识别实验结果详细阅读
表2.2不同识别算法在MSR-Action3D 数据集识别率对比图2.6在MSR-Action3D 数据集上识别率90.5%的混淆矩阵示意图第二个数据集是微软研究院于2012 年公开的MSRC-12 动作行为数据集[137]。同样使用最近邻分类器进行分类，其实验结果见表2.3，本章所述方法获得的动作识别率相应混淆矩阵如图2.7 所示。......
2023-10-28
-
基于深度信息的动作识别研究成果详细阅读
3D CNNs模型在两种条件下的训练收敛速度如图5.5 所示，对比实验结果见表5.3。使用3D CNNs 模型在SBU-Interaction 数据集上进行动作识别可获得96.76%的平均识别率，通过迁移学习动作识别率可提高到97.42%，充分验证迁移学习在3D CNNs 模型上的可行性和有效性。......
2023-10-28
-
基于深度信息的人体动作识别：底层视觉特征提取详细阅读
特征提取是人体动作识别的一个重要环节，高效、准确地提取特征可极大地提高动作识别率。学者们一般从两个方面进行底层视觉特征的提取：一是提取全局特征；二是提取局部特征。其目的是通过人体的形状轮廓信息获取全局特征。而对局部特征的提取方法，目前主要集中在提取时空兴趣点和动作运动轨迹两个方面。其优点是不易受到噪声和遮挡因素的影响，缺点是对提取的特征点准确性要求较高。下面简单介绍3 类特征提取方法。......
2023-10-28
-
基于图像深度信息的人体动作识别研究-最新成果详细阅读
由于人体动作的多样性和周边环境的复杂性，使人体动作识别充满了挑战。人体动作识别最初的研究都是基于RGB 视频图像序列，许多学者分别从静态特征、动态特征和时空特征3 个方面对该领域的工作进行了总结[1-4]。虽然基于RGB 视频图像序列的动作识别研究取得了较好的成果，但因其复杂背景、相机视角、光照变化以及遮挡等问题，人体动作识别研究仍然存在诸多挑战。......
2023-10-28
-
纹理识别精度分析优化方案详细阅读
在表4-2中，其他参与对比的算法的纹理识别精度来自提出这些算法的原始文献以及综述文献[59]。具体来说，在Outex TC-10、KTH-TIPS和CUReT这三个纹理库上，本章方法分别取得了99.95%、99.66%和99.67%的识别精度，位列第一，超过了其他所有参与比较的方法的识别精度；在Outex TC-12、UMD和UIUC这三个纹理库上，本章方法分别取得了99.44%、99.43%和98.80%的识别精度，位列第二，仅次于MRELBP算法在Outex TC-12纹理库和SSLBP算法在UMD、UIUC纹理库上的识别精度。......
2023-06-29
-
基于互信息法的特征选择方案详细阅读
利用互信息法选择特征的基本原则是选择类别相关的特征，同时排除冗余的特征。因此，基于互信息的特征选择一般遵循这样一种模式：在顺序前向搜索中寻找与类别互信息最大而与前面已选特征互信息最小的特征项。在目标分类中可以简单认为：互信息越大，特征ti和类别Cj共现的程度越大。那么，ti和Cj的互信息可以由下式计算：式中，A、B、C、D的含义和6.4.3节中约定的完全相同。......
2023-06-28
相关推荐