题目：非刚性目标的二维图像识别技术

非刚性目标的识别技术由于其研究对象所特有的柔性，在生物、医学、手写字体识别等领域有着广阔的前景。非刚性目标的识别技术存在两个问题：(1)需要依赖其他方法对识别目标进行初始化，给定姿态参数的初始值，且识别结果对初始化较敏感；(2)模板间的匹配函数是高次函数，在给定姿态参数初始值的情况下仍有较大的计算量。课题针对传统非刚性目标的识别技术存在的问题，采用稀疏模型作为识别模板，引入边缘排列特征作为识别量，以解决稀疏模型结构过于简单造成的误判率高等问题，结合教育部新世纪优秀人才支持计划(NCET-05-0194) —“图像视觉动态测量关键技术及系统的研究”，将研究的识别方法应用于货车运行故障的自动识别系统中，对论文所提出的方案进行了实验验证。论文的主要内容包括：1. 详细分析了二维图像识别技术的发展现状，对传统目标识别中特征的选择、提取和目标识别方法进行了比较研究。2. 提出了一种基于神经网络的图像自适应增强方法。分析了图像高频增强算法的参数选择策略，利用神经网络建立了增强系数的非线性映射模型，依据图像的灰度级的均值和标准偏差，自动获取增强系数，实现了图像的亮度和对比度的自适应增强。3. 研究了基于稀疏模型的二维图像识别技术。讨论了稀疏模型的统计模型和边缘特征的提取方法，引入边缘排列特征作为模型特征，通过模板匹配完成目标识别，为复杂背景图像中目标的识别提供了有效途径。4. 将所研究的非刚性目标的目标识别方法应用到铁路货车运行故障动态图像检测系统中，解决了关门车故障的自动判别，并基于无故障识别思路，实现货车枕簧丢失故障的自动判别。论文研究的非刚性目标的图像识别方法不仅能直接用于工业检测中的目标自动识别领域，还能作为其它非刚性目标识别(如主动轮廓等)的初始化方法，为非刚性目标识别算法的工程化奠定了基础。