圖像識別技術

 圖像識別算法實現收藏

以往的圖像處理函數實現，可能是針對圖像句柄。算法實現 需要操做複雜的圖像文件。

但是，這樣的方式算法實現和調試的週期比較長。爲了加速開外，我在中間插入的矩陣庫。因爲圖像處理算法可能是針對矩陣，因此實現和調試比較快。

 

 

 

////////////////////////////////////////////////////////////////////

指紋圖像識別算法的基本原理介紹

在有的國家，指紋屬於我的隱私，不能象人工處理那樣直接處理指紋圖像，因此不少生物識別技術並不直接存儲指紋的圖像。多年來在各個公司及其研究機構產生了不少不一樣的數字化算法。指紋識別算法儘管各不一樣樣但是這些算法終於都歸結爲在指紋圖像上找到並比對指紋的特徵。咱們定義了指紋的兩類特徵來進行指紋的驗證：總體特徵和局部特徵。　　

　　A 總體特徵：總體特徵是指那些用肉眼就可以直接觀察到的特徵，包含： 　　

　　1. 紋形　

　　其它的指紋圖案都基於這三種基本圖案。僅僅依靠紋形來分辨指紋是遠遠不夠的，這僅僅是一個粗略的分類，經過更具體的分類使得在大數據庫中搜尋指紋更爲方便快捷。　　

　　2. 模式區　　

　　模式區是指指紋上包含了總體特徵的區域，即從模式區就可以分辨出指紋是屬於那一種類型的。有的指紋識別算法僅僅使用模式區的數據。 SecureTouch的指紋識別算法使用了所取得的完整指紋而不單單是模式區進行分析和識別。　　

　　3. 核心點　　

　　核心點位於指紋紋路的漸進中心，它在讀取指紋和比對指紋時做爲參考點。不少算法是基於核心點的，既僅僅能處理和識別具備核心點的指紋。核心點對於SecureTouch的指紋識別算法很是重要，但沒有核心點的指紋它仍然可以處理。　　

　　4. 三角點　　

　　三角點位於從核心點開始的第一個分叉點或者斷點、或者兩條紋路會聚處、孤立點、折轉處，或者指向這些神祕點。三角點提供了指紋紋路的計數跟蹤的開始之處。　　

　　5. 紋數　　

　　指模式區內指紋紋路的數量。在計算指紋的紋數時，通常先在鏈接核心點和三角點，這條連線與指紋紋路相交的數量就能夠以爲是指紋的紋數。　　

　　B 局部特徵　

　　局部特徵是指指紋上的節點的特徵，這些具備某種特徵的節點稱爲特徵點。兩枚指紋經常會具備一樣的總體特徵，但它們的局部特徵--特徵點，卻不可能全然一樣。指紋紋路並不是連續的、平滑筆直的，而是經常出現中斷、分叉或打折。這些斷點、分叉點和轉折點就稱爲「特徵點」。就是這些特徵點提供了指紋惟一性的確認信息。指紋上的節點有四種不一樣特性： 　　

　　1.特徵點的分類：有下面幾種類型，最典型的是終結點和分叉點。　　

　　終結點　　

　　一條紋路在此終結。 　　

　　分叉點　　

　　一條紋路在此分開成爲兩條或不少其它的紋路。 　　

　　分歧點　

　　兩條平行的紋路在此分開　

　　孤立點　

　　一條特別短的紋路，以致於成爲一點。 　　

　　環點　

　　一條紋路分開成爲兩條以後，立刻有合併成爲一條，這樣造成的一個小環稱爲環點。 　　

　　短紋

　　一端較短但不至於成爲一點的紋路。 　　

　　2.方向： 節點可以朝着必定的方向。 　　

　　3.曲率：描寫敘述紋路方向改變的速度。 　　

　　4.位置：節點的位置經過（x, y）座標來描寫敘述，可以是絕對的，也可以是相對於三角點或特徵點的。
//////////////////////////////////////////////////////////////////////////////////////////////

基於圖像識別算法的森林防火系統設計

傳統的森林火災監測技術包含人工護林監測、飛機航測、衛星監測等.本文提出一種基於普通CCD攝像頭和嘹望塔上現有的短波無線通訊設備的森林防火監測系統,依據實時圖像與參考圖像的差分及小波分解結果,當有異常狀況發生時,提取出火焰及煙霧區域,推斷提取區域是否具備煙霧和火焰的動態特徵.若斷定發生火災,即將壓縮後的圖像經過短波通訊設備傳回指揮中心.

//////////////////////////////////////////////////////////////////

車輛牌照圖像識別算法研究與實現

第1章 緒論 1
1.1 課題研究背景 1
1.2 車輛牌照識別系統原理 1
1.3 車輛牌照識別在國內外研究現狀 2
1.4 本文主要工做及內容安排 3
第2章 車輛牌照的定位方法 4
2.1 車輛牌照圖像的預處理 4
2.1.1 256色位圖灰度化 4
2.1.2 灰度圖像二值化 5
2.1.3 消除背景干擾去除噪聲 6
2.2 車輛牌照的定位方法簡單介紹 6
2.3 系統採用的定位方法 7
2.3.1 車輛牌照的水平定位 7
2.3.2 車輛牌照的垂直定位 7
2.3.3 定位的算法實現 10
2.4 實驗結果分析 12
第3章 車輛牌照的字符切割 13
3.1 車牌預處理 13
3.1.1 去邊框處理 13
3.1.2 去噪聲處理 13
3.1.3 梯度銳化 15
3.1.4 傾斜調整 16
3.2 字符切割方法簡單介紹 17
3.3 系統採用的切割方法 19
3.3.1 算法介紹 19
3.3.2 算法的實現 20
3.4 字符切割實驗結果 21
第4章 特徵提取與字符識別 22
4.1 字符的特徵提取 22
4.2 字符的識別方法簡單介紹 23
4.3 系統採用的識別方法 24
4.3.1 人工神經網絡簡單介紹 24
4.3.2 BP神經網絡識別車牌 25
4.3.3 BP神經網絡識別算法實現 28
4.4 實驗結果分析 29
總結 32
致謝 33
參考文獻 34

////////////////////////////////////