基于灰度跳变与字符间隔模式的车牌定位方法研究

车牌定位是车牌自动识别的第一步,而如何考虑光照影响是车牌定位是否成功的关键;通过深入分析不同的车牌图像,提出一种基于灰度跳变与字符间隔模式的车牌定位方法;首先,针对不同光照条件下采集到的车牌图像明暗度的不同,利用多阈值处理方法得到车牌信息不丢失的、最佳的二值图像,然后,在其二值图像中首先利用灰度跳变定位车牌的上下边界,接着对字符垂直投影后的宽度进行统一的调整并以固定的字符间隔特征定位车牌的左右边界,从而完成车牌定位;最后,通过实验验证了该方法的有效性。     

实时车牌定位模块IP Core的研究与设计

车牌定位是车牌识别系统需要解决的首要问题。基于FPGA的硬件特点,提出了一种简单、有效的车牌定位算法。在车牌区域图像的预处理阶段,提出了一种新的基于色彩分量的灰度化方法,该方法不仅可以消除小型民用车车牌图片的背景和车身信息,还可以较好的保留车牌区域信息,从而降低定位难度,简化定位步骤,提高小型民用车车牌定位的效率。并设计了一种实时车牌定位模块的软核IP,该IP Core通过了代码覆盖率和功能覆盖率的测试。实际工程项目测试表明,该IP Core定位准确、反应速度快。     

一种新型自适应环境光照的车牌定位算法

为解决在不同光照环境下车牌的适应性定位问题,同时解决基于颜色定位的方法普遍存在的车身颜色与车牌颜色相近,以至于难以区分的问题,分析了不同光照下的车牌图像在HSV空间的分布特性与图像亮度等参数关系,结合车牌的混色分布特点、RGB与HSV空间变量转换关系,提出了一种可直接对RGB空间进行处理、能适应光照环境的快速车牌定位算法;实验结果表明,提出的定位算法对光照不足、环境光不均匀等复杂条件下获取的蓝白车牌图像具有很高的定位可靠性。     

机械式冲床停上死点位置的控制策略设计与实现

车牌定位是车牌自动识别的第一步,而如何考虑当照影响是车牌定位是否成功的关键。本文提出了一种考虑不同光照条件的车牌定位方法,首先,针对不同光照条件下采集到的车牌图像明暗度的不同,利用多阈值处理方法得到车牌信息不丢失的、最佳的二值图像,然后,在其二值图像中首先利用灰度跳变定位车牌的上下边界,接着对字符垂直投影后的宽度进行统一的调整并以固定的字符间隔特征定位车牌的左右边界,从而完成车牌定位。最后,通过实验验证了该方法的有效性。     

基于稀疏编码和卷积神经网络的地貌图像分类

提出了一种基于稀疏编码和卷积神经网络的地貌场景图像分类算法;利用非下采样Contourlet变换对训练样本进行多尺度分解;在训练样本中选择图像,利用稀疏编码学习局部特征,对特征向量进行排序;选择灰度平均梯度较大的特征向量对卷积神经网络卷积核进行初始化。结果表明:所提算法可以获得比传统底层视觉特征更好的分类结果,有效避免了网络训练陷入局部最优的问题,提高了自然场景下无人机着陆地貌的分类准确率。     

融合ViBe与帧差法的交叉路口多车辆检测方法

前景检测的精确程度是交叉路口车辆检测的重要因素,传统的基于背景建模的前景检测方法存在拖影现象,并且通常难以分辨出无牌车辆,针对上述问题,提出一种融合ViBe与帧差法的前景检测算法,并在此基础上结合车牌检测算法来检测场景当中的车辆。首先,结合帧差法和ViBe算法对背景像素点的判定结果,采用不同更新因子更新背景模型,其次,使用一种多条件过滤车牌检测算法定位运动区域当中车牌,最后,以检测到的车牌中心为锚点,定位出最终车牌区域。实验结果表明,该前景检测算法可有效应对交叉路口场景下的前景检测的拖影现象,同时车辆检测算法可以准确检测出进入场景时的车辆,并分辨出无牌车辆。     

一种稳定船载电视侦察图像序列的灰度投影拟合算法

提出了一种新的船载电子稳像算法———灰度投影拟合算法,此算法包括:合理划分图像区域,保证区域内各点运动一致;利用灰度投影法确定每个区域内的图像平移量;利用拟合公式确定图像全局运动矢量。既保留了灰度投影算法的快速性,又保证了图像旋转量的准确确定,从而实现了图像灰度细节丰富但无明显特征目标的图像序列的稳定。对船载摄像系统获取的视频图像序列进行稳像处理的结果表明,该稳像算法稳像精度高,实时处理能力强,实际应用效果好。     

基于离散余弦变换和深度网络的地貌图像分类

在未知环境中,无人机(UAV)着陆地貌的自动识别和分类有着极其重要的研究意义,传统的自然场景分类利用的是中层和底层特征信息,但是无人机着陆地貌图像场景复杂、信息丰富,需要较准确的高层语义特征表达。提出了一种基于离散余弦变换(DCT)和深度网络的地貌图像分类方法。首先将离散余弦变换能量集中的优势引入到卷积神经网络(CNN)的高效特征表达中,以降低维度和计算复杂度;然后根据地貌图像特点构建了14层的特征学习网络,并改进了卷积神经网络结构;最后将得到的深层特征输入到支持向量机(SVM)中,快速准确地完成图像分类。实验结果表明,该算法降低了数据冗余,使训练时间大幅度减少,可以自动地学习高层语义特征;所提算法提取的特征具有较好的特征表达,有效地提高了图像分类准确率。     

基于FPGA和DSP的车牌识别系统的研究

摘要：本文介绍了一种以DSP和FPGA为核心的车牌识别系统的设计方案,利用FPGA控制车牌图像数据的采集,经过图像格式转换之后传送到DSP中,进行车牌区域定位、字符分割、车牌识别等操作,最后将识别结果传送到LCD中显示。系统采用CCS（Code Composer Studio）集成开发环境,利用VC 语言编程实现车牌识别算法。通过嵌入式机器视觉库EMCV实现识别算法在DSP中的移植,并在LCD上创建工作窗口显示识别结果。实验结果表明该车牌识别系统的设计方案识别结果准确,功能稳定可靠。     

基于变分模型的单目视觉三维重建方法

提出一种基于单目视觉的致密场景重建方法,以实现对环境快速,准确地三维立体化建模。该方法针对自由式手持单目相机,在并行跟踪与地图创建(PTAM)算法框架下准确地实现相机的自定位。在此基础上,选取关键帧处图像序列,构造变分模式下深度估计模型;运用离散空间采样法获取初始深度图,借助于原始对偶算法实现该深度模型的优化,并结合相机投影模型估计待求解场景的三维模型。在统一计算设备架构(CUDA)下,利用图形处理器(GPU)进一步实现了深度估计算法的并行优化,显著提高了算法处理的实时性。真实场景下实验结果验证了所提算法的有效性与可行性。     

基于改进DeepLabv3+的无人车夜间红外图像语义分割

为了增强无人车对夜间场景的理解能力，针对无人车在夜间获取的红外图像，提出了一种基于改进DeepLabv3+网络的无人车夜间红外图像语义分割算法。由于自动驾驶场景中的对象往往显示出非常大的尺度变化，该算法在DeepLabv3+网络的基础上，通过引入密集连接的空洞卷积空间金字塔模块，使网络生成的多尺度特征能覆盖更大的尺度范围。此外，该算法将编码器模块的多层结果拼接在译码器模块中，以恢复更多在降采样过程中丢失的空间信息和低级特征。通过端到端的学习和训练，可直接用于对夜间红外图像的语义分割。实验结果表明，该算法在红外数据集上的分割精度优于原DeepLabv3+算法，平均交并比达到80.42，具有良好的实时性和准确性。     

基于深度学习的无人车夜视图像语义分割

为了增强无人车对夜视图像的场景理解,在夜间模式下更快更精确地探测和识别周围环境,将深度学习应用于夜视图像的场景语义分割,提出了一种基于卷积-反卷积神经网络的无人车夜视图像语义分割方法。在传统的卷积神经网络中加入反卷积网络,构建卷积-反卷积神经网络,无需手工选取特征。通过像素到像素的学习和训练,得到图像语义分割模型,可直接用该模型预测夜视图像中每个像素所属的场景语义类别,实现无人车夜间行驶时的环境感知。实验结果表明,该方法具有较好的准确性和实时性,平均IU达到68.47。     

星载激光雷达云和气溶胶分类反演算法研究

激光探测对于获取云和气溶胶的垂直廓线,研究大气中云和气溶胶的垂直分布特征以及对全球气候变化的影响意义重大。而星载大气激光雷达云气溶胶分类算法的研究,对于激光雷达数据的参数反演及应用极为重要。针对激光条件下探测的云和气溶胶特有的光学信息和空间分布,结合概率统计与机器学习算法,提出了一种对于云/气溶胶、云相态及气溶胶子类型识别的分类算法,实现了星载激光雷达的大气特征层快速、有效分类。算法采用中国地区2016年CALIOP的观测数据作为样本数据,主要由三部分组成：（1）基于激光探测的云和气溶胶层不同的光学特性以及地理空间分布特征,分别构建了云和气溶胶的γ₅₃₂,χ,δ,Z和lat的五维概率密度函数,以此为基础构建云气溶胶的分类置信函数,并基于此实现了云和气溶胶类型的反演;（2）选取支持向量机(SVM)作为随机朝向冰晶粒子(ROI)和水云分类的算法模型基础,结合云层的γ₅₃₂,χ,δ Z和云顶温度T的概率密度函数构建ROI,水平朝向冰晶粒子(HOI)和水云的分类置信函数以修正SVM误分的特征层以及筛选出水云中少部分的HOI冰云,获得云相态的分类结果;（3）以各气溶胶子类型的光学以及空间分布特性为基础,采用决策树策略的气溶胶子类型识别算法实现了对气溶胶子类型的区分,完成气溶胶子类型的识别。利用现有CALIOP观测结果作为样本数据构建分类数据库,避免了对于地面以及航测数据的依赖,而机器学习则大大简化了算法的实现过程,使得云气溶胶分类更加高效。算法结果与正交极化云气溶胶激光雷达垂直特征层分布数据(CALIPSO VFM)产品对比分析：云层有98.51%一致性,气溶胶有88.43%的一致性,且白天比夜间一致性高。对于云相态分类,可以有效区分出水云和冰云,其中二者水云一致性高达93.44%。在气溶胶子类型反演结果中,可以准确识别出大多数气溶胶特征层子类型。霾、沙尘以及晴空三种典型情况下的反演结果均与CALIOP VFM产品数据具有较好的一致性。其中,霾天的大部分煤烟型以及污染型（污染沙尘以及污染大陆）气溶胶反演结果与VFM具有较好的一致性。沙尘天也能够获得较好的沙尘以及污染沙尘的结果。晴空为数不多的气溶胶层也取得了较为一致的结果。对于实现的星载大气激光雷达特征层分类算法,针对CALIOP激光测量的云气溶胶层的分类进行了重要的改进,在保证一定精度的基础上,简化了算法,提高了数据处理的效率,在下一步工作中,将分别构建不同时段和季节的分类模型以及提高两种不同偏振特性的冰云和气溶胶子类型的分类精度。     

基于深度多分支特征融合网络的光学遥感场景分类

针对遥感图像背景复杂且存在某场景图像中关键物体小且尺度变化较大,需提升模型表征能力来准确辨别各类场景的问题,提出了一种深度多分支特征融合网络的方法进行遥感图像场景分类.利用多分支网络结构提取高、中、低三个层次的特征信息,将三个层次的特征进行基于拆分-融合-聚合的分组融合,最后为了关注难辨别样本和标签位置损失,提出一种损失函数.试验结果证明,本文所提出的方法对于提高分类准确率十分有效,在UCM、AID和OPTIMAL三个数据集上的准确率超过其他算法.在数据集UCM上80%样本训练,准确率达到了99.29%,与ARCNet-VGG16算法相比分类准确率提高了1.35%.在数据集AID上50%样本训练,准确率达到了95.56%,与Two-Stream算法相比提高了0.98%.在数据集OPTIMAL上80%样本训练,准确率达到95.43%,与ARCNet-VGG16算法相比提升2.73%.     

基于数字图像处理技术的人脸检测算法研究

为了提高人脸检测的准确性及检测速度,需要对基于数字图像处理技术的人脸检测算法进行研究。使用当前方法进行人脸检测时,需要提取脸部特征数目较多、检测速度过慢,降低人脸检测效率。为此,提出一种基于数字图像处理技术的人脸检测算法。该方法首先获取人脸数字图像,通过拉开数字图像的灰度间距,使数字图像灰度均匀分布,进而提高数字图像对比度,使图像更加清晰,再通过Wiener维纳滤算法对处理后的数字图像进行图像平滑去噪,在此基础上使用Robert边缘检测算子方法对数字图像人脸边缘每个像素点检测,得到数字图像中人脸边缘的基本图像,将其输入到计算机数字图像处理系统中进行识别检测。实验仿真证明,所提算法在检测速度及准确性等方面具有明显的优势。     

An Improved Stereo Matching Algorithm for Vehicle Speed Measurement System Based on Spatial and Temporal Image Fusion

This paper proposes an improved stereo matching algorithm for vehicle speed measurement system based on spatial and temporal image fusion (STIF). Firstly, the matching point pairs in the license plate area with obviously abnormal distance to the camera are roughly removed according to the characteristic of license plate specification. Secondly, more mismatching point pairs are finely removed according to local neighborhood consistency constraint (LNCC). Thirdly, the optimum speed measurement point pairs are selected for successive stereo frame pairs by STIF of binocular stereo video, so that the 3D points corresponding to the matching point pairs for speed measurement in the successive stereo frame pairs are in the same position on the real vehicle, which can significantly improve the vehicle speed measurement accuracy. LNCC and STIF can be used not only for license plate, but also for vehicle logo, light, mirror etc. Experimental results demonstrate that the vehicle speed measurement system with the proposed LNCC+STIF stereo matching algorithm can significantly outperform the state-of-the-art system in accuracy.     

基于Markov随机场的新型景像匹配算法

为了提高景像匹配导航系统的定位精度,给出了一种基于Markov随机场理论和极大后验概率估计的新型景像匹配算法。考虑到在x方向和y方向位置偏差的实时图与基准图之间的灰度分布关系,利用图像上的灰度分布服从Markvov随机场分布这一特性,建立了景像匹配问题的条件概率分布模型。应用最小二乘法和噪声的先验统计信息估计位置偏差的方差,给出了描述基准图与实时图之间灰度偏差的测量模型,确定了测量的统计特性。基于极大后验概率估计准则计算了位置偏差的估值。由于新算法在计算位置偏差估值时用到了被估量和噪声的统计信息,因此具有很高的精度。将该算法与最小二乘景像匹配算法进行了仿真比较。仿真结果表明,新算法的匹配精度达到了0.1~0.2像素,高于最小二乘匹配算法的匹配精度。     

基于标准序列浮动前向特征选择的改进算法研究

随着信息技术的高速发展,信息特征的表述方法和内涵不断扩充,高维特征大幅涌现。这些高维特征中可能存在许多不相关和冗余特征,造成了维度灾难,对分类识别算法提出了更高的要求,需要利用特征选择算法,降低特征向量维数并消除数据噪音的干扰。针对高维特征向量引入的维度灾难等问题,围绕目标分类识别的具体应用,对标准的序列浮动前向特征选择算法进行了研究,并通过优化正确分类样本数目的置信上限及交叉验证的重复次数,提出了一种改进的序列浮动前向特征选择算法。通过仿真实验表明,在利用贝叶斯分类器开展识别时,改进算法能够在确保分类识别正确率的前提下,有效提升特征选择的计算速度,并随着特征选择步骤的增加,能够维持一个相对更为收敛且稳定的置信区间,具备良好的准确度。     

A Nighttime Vehicle Detection Method with Attentive GAN for Accurate Classification and Regression

Vehicle detection plays a vital role in the design of Automatic Driving System (ADS), which has achieved remarkable improvements in recent years. However, vehicle detection in night scenes still has considerable challenges for the reason that the vehicle features are not obvious and are easily affected by complex road lighting or lights from vehicles. In this paper, a high-accuracy vehicle detection algorithm is proposed to detect vehicles in night scenes. Firstly, an improved Generative Adversarial Network (GAN), named Attentive GAN, is used to enhance the vehicle features of nighttime images. Then, with the purpose of achieving a higher detection accuracy, a multiple local regression is employed in the regression branch, which predicts multiple bounding box offsets. An improved Region of Interest (RoI) pooling method is used to get distinguishing features in a classification branch based on Faster Region-based Convolutional Neural Network (R-CNN). Cross entropy loss is introduced to improve the accuracy of classification branch. The proposed method is examined with the proposed dataset, which is composed of the selected nighttime images from BDD-100k dataset (Berkeley Diverse Driving Database, including 100,000 images). Compared with a series of state-of-the-art detectors, the experiments demonstrate that the proposed algorithm can effectively contribute to vehicle detection accuracy in nighttime.     

Improved robustness of target location in nonhomogeneous backgrounds by use of the maximum-likelihood ratio test location algorithm

We address the problem of localizing small targets with random gray levels that appear in random background clutter. We consider the recently proposed maximum-likelihood ratio test (MLRT) algorithm, which scans the observed scene with an estimation window in which the local statistics are estimated. In the presence of a spatially homogeneous background, we show that if the estimation window is a few times larger than the target itself, the MLRT is quasi-equivalent to the optimal maximum-likelihood (ML) algorithm, which uses the whole scene for estimating the background statistics. The MLRT thus constitutes an efficient alternative to the ML algorithm and is more robust in dealing with spatially nonhomogeneous clutter since it utilizes a small estimation window.