基于视网膜大细胞通路计算模型和深度学习的无人机目标检测

在复杂背景下的小型无人机红外目标检测是计算机视觉领域的挑战性课题.传统目标检测算法利用深度卷积神经网络提取无人机的静态外观特征并进行模式判别,但在复杂背景下且目标外观不清晰时的性能会显著下降.本文借鉴生物视网膜机制,通过视网膜大细胞通路模型提取无人机目标的时空运动信息,同时借助深度卷积神经网络获得基于静态表观特征的目标置信度图,进而将视网膜时空运动信息与深度卷积网络的目标置信度图进行融合获得目标检测结果.在Anti-UAV2020公开数据集上的评估结果表明,所提出算法的检测精确率达到86.90%,超过了业内主流的YOLO-v3算法.     

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%.     

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%.     

直肠癌淋巴结转移的智能诊断研究

基于数字图像处理与机器学习等技术,对直肠癌淋巴结转移情况的诊断问题进行了研究,将肿瘤诊断分解成肿瘤区域提取的图像分割问题与肿瘤区域诊断的图像分类问题.首先,针对肿瘤区域提取的问题,根据直肠肿瘤CT图像的特点,提出了一种结合聚类和水平集方法的图像分割算法,其结果的Dice系数达到0.895 4±0.051 2,与专业医生人工提取的结果相比具有较高的相似度.然后,使用传统特征提取的方法,针对直肠癌淋巴结是否转移的问题,对肿瘤区域的CT图像进行了分类.实验结果表明,肿瘤的灰度特征与其淋巴结转移情况关联性最高,并且使用PCA降维得到的分类效果最优.最后,本文还使用深度学习方法对肿瘤图像进行了分类.本文使用AlexNet网络模型并采用迁移学习的方法进行训练,实验表明,该方法的效果优于传统方法,其F1-Score达到了0.771 9.     

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.     

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.     

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.     

基于深度学习的验证码识别技术研究

针对基于机器学习的传统验证码识别受字符分割限制与人工操作过多等问题,基于深度学习Tensorflow学习框架将卷积神经网络应用到验证码的特性提取、分析、归类和识别中.将图片验证码作为整体输入,改进传统的LeNet-5网络结构,构建一种端到端的9层卷积神经网络,对验证码图像由低级到高级逐层提取图像特征,实现对图片验证码的识别.模型确定后采用控制变量法,针对每一迭代次数所处理的图片数量进行分析,对其准确率、损失值、训练时间进行综合测评,最终选取最优参数.实验结果显示,每批次处理128张图片,每迭代次数用时6秒,准确率的上限最高达到92%,损失值的下限最低达到0.0184.     

基于CNN-ELM的SAR图像分类识别

针对传统卷积神经网络(CNN)中Sigmod激活函数求导计算量大,提取SAR图像特征效率不高的问题,本文将CNN中的Sigmod激活函数改进为Relu激活函数,并结合极限学习机(ELM)算法,提出了基于CNN-ELM算法的SAR图像识别算法,通过对SAR图像进行分类识别的实验表明,该算法能实现网络的稀疏性,缓解过拟合问题,加快网络的收敛速度,并且具有更高的识别率.     

基于颜色和方向特征区域对比度的显著性检测模型

视觉显著性检测是很多计算机视觉任务的重要步骤,提出了一种基于颜色、方向特征和空间位置关系相结合的区域对比显著性检测算法.首先用基于图论的算法将图像分割成若干区域,结合区域间颜色特征和空间对比度计算出颜色显著图.同时采用基于纹理特征的算法分割图像,通过方向特征和空间对比度得到方向显著图.最后将二者结合得到最终显著图.在国际现有公开测试集上进行仿真实验,并与其它显著性检测方法进行对比,检测结果更加准确、合理,证明此算法切实可行.     

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Shadowed Sets的连续属性离散化

基于Shadowed Sets理论研究了粗糙集连续属性离散化问题,提出一种新的基于Shadowed Sets 理论的候选断点集提取算法.该算法根据实例在单属性上的分布,对数据样本进行分类,采用Shadowed Sets计算出各类的上下近似,最终提取出候选断点集.使用多组UCI数据对此算法的性能进行检验,同时还与其它候选断点集提取算法做了对比实验.实验结果表明,此算法能有效地减少数据集候选断点的数目,提高离散化算法运行速度和识别率.     

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.     

一种结合小波模极大值法和Canny算子的目标提取方法

针对基于小波变换的目标提取中忽略低频子图像的一些重要信息的问题.提出了一种基于小波变换的模极大值法和Canny算子的目标提取方法.在小波域中,通过求解局部小波系数模型的极大值点提取(检测)高频边缘,利用Canny算子提取(检测)低频边缘.然后根据融合规则对两个子图像边缘进行融合.实验结果表明,该方法不仅能有效地增强图像边缘,而且能准确地定位图像边缘.     

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.     

基于小波变换的Laws纹理测度在植被分割中的应用

针对从全色航空影像中进行植被区域提取的随机性和复杂性,阐述了一种基于小波的Laws纹理测度进行植被提取的新算法,它的特点是先用小波变换将图像变换到不同的尺度层上,然后再在多尺度层上提取Laws纹理测度,形成植被区域的特征.与传统的植被提取方法比,它用到了不同频率上纹理的Laws信息,从而更准确的刻画了植被区域的纹理特征,试验结果表明:基于小波变换的Laws纹理测度对植被有较好的分割效果.     

基于最小生成树的二维图像深度分配

随着三维视频资源需求的增长,二维转三维(2D-3D)转换技术成为三维(3D)图像处理技术研究的焦点.由于2D视频中没有包含深度信息,2D-3D转换技术的关键在于2D视频中深度信息的提取.提出一种基于最小生成树的二维图像深度分配方法.利用最小生成树的方法对图像进行分割,然后先验理论对分割区域进行深度分配以产生合适的深度图像.最小生成树的方法不需要设置较多参数,对于不同场景的图像有较强的自适应性,而且最小生成树算法具有算法简单,运行速度快的优势.     

基于概率弹性匹配的多姿态人脸认证

为解决多姿态情况下的人脸认证问题,提出了基于概率弹性匹配的方法.首先从多尺度密集采样的图像中提取局部特征,并将局部区域的位置信息保存到特征向量中.然后用高斯混合模型在图像集中训练得到人脸特征的空间外观分布,并将人脸图像中的每一个局部区域表示成与其最相似的高斯分量,从而形成一个基于高斯混合模型表示的人脸特征.通过统计两个人脸特征向量的差向量来训练支撑向量机分类器从而实现多姿态人脸认证.在通用图像库中的实验验证了方法的有效性.     

图像域增强约束卷积稀疏编码的稀疏角度CT重建算法研究

稀疏角度CT重建因其可以降低辐射剂量引起广泛关注,然而减少角度会降低重建图像质量,影响诊断结果分析.为解决上述问题,提出了图像域增强约束卷积稀疏编码的稀疏角度CT重建算法,该算法继承了卷积稀疏编码的优点,通过直接处理整幅图像提取特征,克服了字典学习因图像分块聚合引起的伪影.继而引入全变分正则项来增强图像域的约束,可以有效地进一步抑制噪声.通过几组稀疏角度的重建实验与不同算法对比,实验结果表明,所提算法在噪声抑制、伪影减少和图像细节恢复方面性能优越.