基于区域推荐和深度卷积网络的交通目标检测

为解决传统目标检测算法需要人工设定目标特征、使用滑动窗法判断目标可能区域耗时等问题,将基于区域推荐和深度卷积网络用于交通目标检测,直接从原始图像提取特征,免去了人工选取特征的环节;解决了滑动窗口法耗时的问题.首先采用Selective Search方法在源图像上生成大量的候选区域,以这些候选区域作为输入样本,训练深度卷积网络学习算法,自动进行特征提取,对每个候选区提取的特征采用SVM分类器进行分类,最后基于贪婪非极大值抑制方法精修候选框的位置.此算法通过matlab编程分别对单目标、多目标及多类交通目标进行检测实验,证明了所提方法的可行性和有效性.     

SFE-SSD: 浅层特征增强的SSD算法在小目标检测问题中的研究与应用

SSD (Single Shot Multibox Dectetor)算法由于具有高速且高精度的检测性能,是目前最好的目标检测算法之一.但由于提取检测框的特征层的特征信息不足, SSD算法在小目标检测任务中表现不佳.为了解决这个问题,目前大部分方法以严重牺牲检测速度为代价提升目标检测模型的精度. 本文提出了SFE-SSD (Shallow Feature Enhancement SSD)提升SSD模型在小目标检测任务中的性能.首先我们采用反卷积操作对SSD算法中检测框金字塔特征层的最浅特征层进行特征扩张.接着通过特征融合机制对扩张后的特征层进行特征增强操作.浅层特征增强策略与SSD 的原始框提取金字塔特征层是并行结构,一定程度上是可以减少检测速度的损失.实验结果显示,我们的方法在PASCAL VOC 2007数据库上精度达到了78.4\%mAP高于SSD算法1.2\%,检测速度达到了81帧/秒,并且在小目标检测任务中有着显著的提升.     

电力巡检中绝缘子缺陷问题研究

针对电力巡检中由于无人机航拍绝缘子图像尺寸大,导致小目标检测难的问题,提出一种结合滑动窗口和主流神经网络的改进算法,对大尺寸图像中绝缘子串珠的分割以及缺陷区域的定位进行研究.在绝缘子串珠分割问题上,采用滑动窗口结合Mask R-CNN神经网络算法进行图像分割;在绝缘子缺陷检测问题上,结合滑动窗口和非极大值抑制算法对Yolo-v4神经网络进行改进,提高绝缘子缺陷区域小目标检测的精度.实验结果表明,分割所得绝缘子串珠掩膜图与标准掩膜图的相似度(Dice系数)为85.68%,与人工标记的绝缘子区域相比达到更高的相似度,绝缘子缺陷定位的平均精度均值(mean AP)为94.88%,与真实数据相比,平均重叠度为86.93%.     

基于群论的深度卷积网络分析

近年来深度学习已成为机器学习中处理大量复杂数据的有效方法,它通过多层次的结构从高维数据中提取特征,从而解决分类、回归等实际任务.文章首先回顾了深度卷积网络和自编码器的数学模型,然后引入群论中分析对称性的一些方法,对深度卷积网络在数据降维时的有效性进行了初步的讨论,最后根据深度卷积网络对称群的逐层关系提出了改进神经网络的一个原则.     

视频监控系统中运动目标的阴影消除

本文通过分析阴影的像素特征,建立了一个关于目标帧与背景帧的对比帧来实现阴影监测和消除.为了研究问题方便,本文只考虑视频系统中的摄像头是固定位置的,并且检测目标区域中的较大阴影.利用光流法技术和背景差方法,运动目标能被快速准确的提取出来.同时,背景帧、前景帧及它们的对比帧也被提取出来,而对比帧具有更好的阴影特征.在对比帧上,可以使用静态图像处理技术的一些高效算法,来实时检测阴影区域.本文提出一个对比帧的建立方法,并进一步利用水平集方法来定位阴影区域和消除阴影.通过实验,在选择合适的阈值下,该方法是有效而快速的.     

基于监控视频的前景目标提取

对含有动、静态背景的稳定图像处理时,对比了主成分追踪鲁棒主成分分析法(RPCA)、贝叶斯鲁棒主成分分析法(Bayesian RPCA)和高斯混合模型的鲁棒主成分分析法(MoG-RPCA),3种方法对静态背景下的前景提取都较为完整.而动态背景下只有Bayesian RPCA和MoG-RPCA提取出了完整的前景目标,但是Bayesian RPCA计算速度很慢,且不能够处理复杂噪声.所以MoG-RPCA模型更具有对复杂噪声的适应性,动、静态背景情况下均提取出精度较高的前景目标,且具有较快的计算速度.当图像不稳定时,采用改进的MoG-RPCA模型对非稳定拍摄的抖动视频进行前景目标提取,并在第197帧抖动图像中清晰地提取出显著前景目标,且运算速度较快.在为了快速找到目标出现的帧时,对高斯混合模型背景差分法进行改进,利用K-means聚类算法快速得到聚类中心点,然后作为高斯混合模型背景更新时的初始化均值参数,从而提高在复杂场景下前景目标的检测精度.对于多角度追踪任务,不同角度、近似同一地点的多个监控视频图像中前景目标的提取,可采用跨摄像头视角跟踪结果融合的方法,然后对目标进行匹配.     

基于Vibe算法的视频前景目标提取

前景目标提取是监控视频领域的关键性技术,对于静态背景监控的前景提取,采用Vibe算法建立背景模型,应用背景差分法得到前景目标.当监控视频中包含动态背景时,在静态背景提取的基础上引入形态学处理和中值滤波处理优化前景目标提取结果.对于摄像头抖动下所拍摄的监控视频,首先进行帧间特征角点的匹配,应用仿射变换将所有帧调整至同一角度,再将调整后的每一帧图片逐一补齐黑边,最后应用非抖动下的前景提取方法即可得到前景目标.对于含有显著前景帧号的提取,采用比例分析法简单高效地取得较优的结果.     

基于多特征与卷积神经网络的SAR图像分类方法

针对合成孔径雷达图像的分类优化方法,提出一种基于多特征与卷积神经网络的SAR图像分类方法Canny-WTD-CNN.将Canny算子提取的边缘特征,与小波阈值去噪法提取的小波特征进行自适应融合,作为卷积神经网络的输入;以softmax为分类器,对SAR图像进行分类识别检测.最后利用MSTAR公开数据集的三类目标数据进行试验,并给出该方法与其他方法结果的对比,表明该方法的有效性,识别率达到99.14%.     

多模型加权融合机制的石墨纯度识别

针对人工识别的效率低及单一卷积神经网络提取特征的遗漏问题,提出了多模型加权融合机制的石墨纯度识别算法.在自建小样本数据集上,进行离线扩充和在线增强,提高模型的泛化能力,减少深层CNN的过拟合问题;结合迁移学习,利用优化的AlexNet和ResNet50构建双通道卷积神经网络,提取石墨图像的深层次特征,并将两者的特征进行...     

基于卷积神经网络与随机森林的合成孔径雷达目标识别

自合成孔径雷达(synthetic aperture radar,SAR)问世以来,就在军事侦察等方面获得了广泛的应用和发展.SAR图像包含大量的相干斑,使得图像识别工作变得相当复杂,因此,在传统的卷积神经网络(Convolutional Neural Network,CNN)的基础上将Softmax分类器替换成随机森林(Random Forest,RF),得到CNN与RF相结合的算法,记为CNN-RF,用以实现SAR目标实别在CNN-RF中,将CNN提取出SAR图像的特征矢量输入RF分类器.实验结果表明,所提出的算法在MSTAR实测数据集上取得了较高的识别准确率,从而说明了实验的有效性.     

基于时间序列的混合神经网络数据融合算法

针对传统的数据融合算法对高噪声、大规模、数据结构复杂的时间序列数据融合性能较差的问题,该文提出了一种混合神经网络的数据融合算法(即SCLG算法).SCLG算法的思想如下:首先利用奇异谱分析算法对数据分解重构以达到去噪的目的;其次,通过深层卷积神经网络提取数据的空间特征和短期时间特征;然后,利用长短期记忆(LSTM)网络...     

多场景下复杂监控视频的前景目标提取

主要针对第十四届中国研究生数学建模竞赛D题基于监控视频的前景目标提取问题展开研究.首先建立经典模型,通过对经典模型的不足之处提出针对性的优化而建立起来的优化模型:核密度优化模型,ViBe优化模型,深度卷积神经网络优化模型.上述优化模型对监控视频前景目标提取的平均F1分数为0.83.最终提出加权模型,对视频显著目标进行提取得到包含显著前景目标的帧标号.实验结果表明,加权模型能有效提取显著前景目标,并且能成功检测出视频中的单帧.     

基于改进Canny算子的图像边缘检测方法

经典Canny图像边缘检测算法在面对复杂背景和椒盐噪声时会出现伪边缘或漏检等问题,影响后续图像分割,目标检测和识别.针对经典Canny算法高斯滤波和人工门限设置2个步骤进行优化改进,首先提出一种循环自适应滤波方法代替高斯滤波对图像进行平滑降噪,提升椒盐噪声抑制性能的同时较好的保留了图像中的细节信息,然后提出一种最小类内类间距准则的2-均值算法自动确定高低阈值门限,相对于人工门限设置方法具有更高的精确性和更强的适应性.基于标准图像库数据开展试验,结果表明所提方法可以明显提升经典Canny算法的椒盐噪声鲁棒性和复杂背景下的边缘检测性能.     

一种针对彩色视频图像中目标检测的改进模型

基于减背景技术提出了一种改进的运动目标检测模型CW4,与原模型W4相比,CW4充分利用了图像的亮度、色度和饱和度等颜色信息,使得目标检测的结果更加准确。在对带有阴影的彩色图像的背景和前景的像素特点进行分析后,还设计了一种带权重的颜色计算模型的阴影去除算法。实验结果表明,基于CW4的算法显著提高了行人检测的精确性,阴影去除算法也能够有效地检测和去除阴影。     

复杂背景下的视频前景检测方法研究

采用计算机视觉领域的相关算法,研究了如何有效地从监控视频中提取前景目标的问题.在应用中先将视频转换成逐帧图片并依据图片每一像素的灰度值将图形以二维矩阵形式数值化.在此基础上,采用帧差法、背景差法、混合高斯模型、Harris算法与FREAK算法等多种算法,利用Matlab和Python等工具建立不同背景下的相应模型.成功地从包含动态背景、镜头晃动等不同情境的监控视频中检测并提取出前景目标.同时依据不同前景目标的各维度特征信息,利用主成分分析、k-means聚类等机器学习方法构建了判断异常事件发生的算法模型,取得了一定效果.     

基于LBP算子和类覆盖捕获图的人脸检测算法

针对传统人脸检测中的过分类问题,提出一种结合LBP算子与类覆盖捕获图的人脸检测算法.该算法首先用ε-LBP算子提取人脸图像纹理特征,并把对应不同ε值提取的LBP特征数据加权融合起来,形成人脸图像特征向量,然后采用类覆盖捕获图构造分类器,最终对人脸图像实现有效检测.与传统方法相比,基于随机图理论的类覆盖捕获图能够克服过分类缺陷,比其他近邻图分类器更具优势,性能也比较稳定.实验结果表明,该算法可以有效检测人脸图像,尤其对存在模糊和光照异常的人脸图像具有较高的精确度和鲁棒性.     

长短时记忆神经网络模型在空气污染预测中的研究

基于K均值(K-Means)聚类算法进行聚类分析,将气象条件分为三类,并且分析和阐述各类气象条件的特征.针对气象监测数据和空气污染物的时间序列特点,设计基于长短时记忆(LSTM)神经网络的空气污染预测模型.将时空相关性与长短时记忆神经网络算法进行有效的融合,提出基于时空相关性的长短时记忆(SK-LSTM)神经网络的空气污染预测模型.通过空间划分,空间聚集以及空间插值,获得目标区域和周围区域的历史空气质量检测数据和历史气象监测数据,然后通过等权融合方法将时间数据和空间数据进行融合,并将其作为SK-LSTM神经网络算法的输入,最终输出的结果为带有区域协调的污染物浓度预测值.该算法能有效对空气中污染物的浓度进行更准确、高效的预测.最后通过数值仿真验证所提算法的有效性.     

基于视觉注意机制和形状特征的交通标志检测方法

交通标志的颜色和形状与周围环境存在强烈的反差,利用这一特点,提出了一种基于视觉注意机制和形状特征的交通标志检测方法.首先进行图像预处理,然后采用自底向上的视觉注意模型,提取图像的颜色、亮度、方向等初级特征,将其线性组合得到显著图,得到交通标志的感兴趣域,实现交通标志的粗检测;在此基础上,根据交通标志的几何特征描述进一步检测感兴趣区域中的图形形状,实现交通标志的细检测.最后分别基于软件和嵌入式平台对算法的检测准确性和稳定性进行验证,结果表明,与已有算法相比,所提方法可以很好的克服光照或复杂环境的干扰,显著提高交通标志检测的准确率,具有一定的优越性.     

基于深度卷积神经网络算法的肺结节检测模型

以卷积神经网络为代表的深度学习算法在医学影像分析领域正引起广泛关注,并取得了令人惊叹的进步。为了进一步提高卷积神经网络在计算机辅助筛查肺结节应用的准确率,本文设计了2种改良的深度卷积神经网络,这些改进加快了神经网络的训练速度,有效地防止了算法的过拟合。相比只采用二维卷积核的其他检测模型,该模型能够有效地学习到CT影像三维重建后的图像特征。通过实验,改进的检测模型在LUNA16数据集上的准确率明显好于其他模型,这种网络结构也可用于医学影像领域中其他三维图像的检测场景。最后,构建了一套适用于远程医疗的"计算机辅助肺癌筛查与诊断系统",该系统能够自动检测出CT影像中肺结节,并给出结节的良恶性概率评估。通过该系统的应用,可以有效缓解放射科医生超高的劳动强度,提高阅片效率,服务更多患者;减少漏诊和误诊发生的次数,有助于提高肺结节的诊断准确率;从而促进我国肺癌早筛工作的推广。     

基于LSD的具有特定特征的三维物体轮廓提取算法

提出一种基于LSD的具有特定特征的三维物体轮廓提取算法,该算法主要用于检测结构环境中的特定目标,提取其轮廓目的在于计算出目标的位姿信息,便于机器人作业抓取.针对具有特定特征的三维物体,算法首先对物体进行基于LSD的外轮廓提取,其次再对原始图像进行基于改进的Prewitt梯度算子的边缘提取,并删除经边缘提取后外轮廓特征信息,再进行基于LSD的物体内轮廓提取,从而实现物体的轮廓提取.基于LSD的轮廓提取算法包括提取梯度图像,LSD线段检测,直线段的分类和轮廓的拟合四个步骤.在直线段分类中,提出了利用极坐标表示线段特征,利用极径和极角对线段进行有效分类的方法.为了进一步证明三维轮廓提取算法的有效性,以长方体为例,详细地阐述了该算法的具体步骤.