基于多尺度特征图像分割的车道线提取方法

识别与检测车道线作为自动驾驶感知周围环境的一环，为自主车辆在众多复杂场景中提供交通数据信息参考.为了提取车道线本身含有的交通语义信息，按照实际含义分为不同类别，提出一种多尺度分辨率特征的图像分割方法提取车道线，生成低分辨特征，同时保持高分辨尺度子网.针对卷积神经网络无法充分探索空间信息的局限，引入全自注意力网络结构改进下采样解码部分，将特征图通过嵌入向量映射完成线性采样，再经由全自注意力网络结构提取空间上下文语义信息，最后对图像进行降采样完成最终的下采样过程.利用滑窗多头注意力机制，解决嵌入向量映射层因划分造成边界上下文语义信息的不连续问题.针对改进的模型采用交并比损失函数进行优化，能够在保持精度的情况下正确识别相应类别，交并比和F1系数分别达到49.36%和63.02%.经实际测试，在遮挡、阴影等复杂场景下的车道线识别也能更加准确，具有更好的鲁棒性.     

基于多分支深度学习的沥青路面多病害检测方法

为了准确、快速地识别路面多病害,采用一种基于多分支框架的深度学习方法,提取并融合路面图像的大、小尺度特征,将路面二维图像和三维图像作为网络输入,增强病害特征.采集裂缝、条状修补、块状修补、坑槽、松散等沥青路面病害图像共计10 562张,进行人工标注.结果表明：500次训练后该方法的平均交并比为0.83,准确率和召回率的调和平均数F值为0.90,优于U-net、PSPNet、DeepLabv3+等方法;在单一类别上,对条状修补、坑槽、松散、桥接缝等分割效果最优,对裂缝、块状修补的识别展现出较强的鲁棒性;所提方法的识别效果高于仅使用单一输入或者单一分支的方法.因此,双通道和多分支的设计方法可以显著提升网络对多类别路面病害的识别精度.     

基于多尺度特征的视盘分割方法

针对视盘、视杯分割任务中,由青光眼病变引起目标大小显著变化导致的错误分割问题,提出一种使用更轻量级的编码器-解码器网络,并引入金字塔池化模块,通过网络丰富的感受野捕捉更多上下文特征,丰富尺度特征,充分利用全局信息.在数据集RIM-ONE v.3上进行多组对比实验和评估,实验结果表明,该方法对视盘分割的平均交并比为0.908, Dice系数为0.958,均方误差为0.002,比现有算法各项指标性能均有提高.     

基于ICA算法和尺度优化的无人机影像树冠提取方法

针对高分辨率遥感影像进行树冠提取时所遇到的由各类地物之间的相关性和复杂性带来的地物提取难点,将独立分量分析算法和尺度优化法结合进行树冠提取研究.首先,通过独立分量分析算法优化高分辨率遥感影像,去除地物波谱信息之间的相关性,并将ICA变换得到的特征值作为波段加权的权重;再通过改进的最优尺度计算模型选择最优的分割尺度;最后通过对树冠提取的平均精度评价该改进的计算模型.将本研究方法与单纯尺度优化法实验对比分析,结果表明:本文方法有利于降低"同谱异物"和"同物异谱"以及树冠连冠现象,提高树冠信息提取的精度,并可有效避免人为确定分割尺度的主观性和低效性.     

基于LIDAR数据的建筑三维重建

为了实现数字城市中三维建筑场景的快速建模,针对平顶建筑,采用"Alpha shapes算法"提取建筑轮廓线,进一步概括和规则化后,结合屋顶高度可快速实现平顶建筑三维模型的自动重建;针对非平顶建筑,采用"基于法向量聚类分析的屋顶提取方法"和相应的屋顶规则化策略,实现了几种常见规则屋顶的建筑模型三维重建。实践结果表明:本文算法方法精度可靠,简洁高效,具有一定自适应性,非常适用于LIDAR数据提取城市典型建筑的三维模型。     

基于多尺度平滑的前景提取

传统的Graph cuts算法可以有效地提取卡通图像前景,但是对自然场景图像效果差.为了提高前景提取的效果,本文提出了基于多尺度平滑的前景提取模型,联合分割和多尺度特征,从适当的尺度特征中提取前景.运用TV保边平滑模型对图像进行平滑,降低了图像区域的非均匀性,保护了边缘,提高了前景提取的效果.实验结果表明,基于多尺度平滑的前景提取算法降低了非均匀区域对前景提取的影响,其评测分数高于传统的Graph cuts算法.     

融合多尺度多特征的人脸识别方法

为降低光照、噪音、姿态等变化的影响,减少有效局部信息的损失,提出了使用图像的变换特征,及多尺度分块线性鉴别分析的算法.将图像进行多尺度划分,对划分后的每个子图像分别抽取其低频部分或奇异值,组合起来作为该图像的特征向量,进行线性鉴别分析.针对单一特征表示图像时的局限性,又提出了融合多尺度低频特征和多尺度奇异值特征进行人脸识别的方法.在ORL和Yale人脸库上的实验结果显示,所提出的算法识别精度明显提高,泛化能力较强.     

基于无人机点云数据的露天采场矿车提取方法

针对在基于无人机点云数据进行露天采场验收测量过程中,由于矿车点集的存在导致验收精度降低的关键问题,提出了一种露天采场矿车点集自动提取方法.以哑巴岭露天采场无人机点云为数据源,首先利用渐进式形态学滤波算法分割出地面点与非地面点,然后通过改进的欧氏聚类算法对非地面点中的矿车点集进行聚类提取,最后基于国际摄影测量和遥感学会(ISPRS)提出的误差评判标准对矿车提取结果进行评估分析.分析结果表明,该方法可以有效提取露天采场中的矿车点集,为实现露天采场快速高效验收提供了重要的技术支持.     

基于无人机的月季提取方法研究

随着月季种植的专业化和规模化,用无人机遥感技术提取月季种植面积对于评估月季经济效益具有积极意义。使用易康(eCognition)软件平台,对无人机高空间分辨率影像进行面向对象的多尺度分割,在分割的前提下,利用影像的光谱信息、结构特征、纹理特征等特征优化组合后进行分类。实验结果表明,基于无人机获取月季图像,使用面向对象的影像分类方法进行月季解译识别和监测,分类精度达到80%以上,是月季识别与监测可行有效的支撑手段。     

基于图像多尺度分解的前景提取

为了弥补纹理对传统GrabCut提取结果的负面影响,本文分析了图像边缘和颜色分布的尺度特性,结合图像多尺度分解和GrabCut,提出了基于图像多尺度分解的前景提取模型.首先,该模型运用全变分对图像进行多尺度分解得到一系列平滑图像,该分解保护了图像边缘并平滑了纹理,压缩了图像区域颜色的分布范围;其次,将给定平滑图像前景颜色分布表示为高斯混合模型,并运用直方图形状分析方法优化了高斯混合模型的高斯函数个数,弥补了传统固定高斯函数个数的负面影响;最后,根据不同平滑图像的分割结果设计了迭代终止条件,使得从适当的分解尺度中提取前景.与传统前景提取算法相比较,该模型降低了纹理对前景提取的负面影响,其测评分数高于传统算法.     

考虑病害三维特征的沥青路面车辙异常检验方法

针对复杂路况下车辙深度异常或横断面数据不完整的问题,提出了基于病害三维特征的路面车辙异常检验方法.首先,对三维图像中激光点异常值进行筛选及修正,利用横断面深度数据应用包络线算法提取最大车辙.考虑到裂缝、坑槽和拥包对车辙提取存在误判,利用三维高程数据建立病害种子检测模型以自动提取裂缝、坑槽和拥包种子点.测试结果表明,车辙深度相对误差小于7%,车辙深度测量重复性小于4%,包络线算法结果与人工测量值的相关系数高达0.999 2.在车辙异常检验中,裂缝种子识别模型准确率和召回率的均值分别为92.18%和84.79%,且F值为88.33%,优于支持向量机及改进的Canny方法.坑槽及拥包种子识别模型检测正确率大于95%.所提方法不仅能高效地提取车辙深度,而且能准确地检验造成车辙检测异常的其他病害.     

基于云计算的大数据关键特征高效提取方法

传统特征提取方法不适于大数据特征提取,提取效率低;为此,提出一种新的基于云计算的大数据关键特征高效提取方法。介绍了云计算中的MapReduce编程模型,给出Map与Reduce两个阶段的任务执行过程,通过MapReduce编程模型对大数据关键特征提取方法进行编程和处理,在云计算中实现高效运算。通过样本局部特征对特征集合进行评价,选择大数据关键特征。通过相空间重建保证大数据特征的不变性,在此基础上,引入关联维实现大数据关键特征的提取。实验结果表明,采用所提方法对大数据关键特征进行提取,可行性和效率高,与其他方法相比有更好的性能。     

基于多序列比对的网络攻击特征数据提取算法分析

网络安全是目前网络工作者研究的主要问题,随着计算机技术的不断发展,网络攻击方式层出不穷.攻击特征自动提取技术是目前网络安全研究的一种重要技术.该文以研究网络攻击特征数据提取算法为切入点,通过几种序列比对自动提取算法的分析,引入了一种改进算法,并对其进行应用.应用结果表明,该算法能有效地降低误报率,与其他算法相比有一定的应用价值.     

基于多尺度特征选择与融合的目标检测方法

针对多尺度目标检测中特征图特征混淆和特征丰富程度不足的问题,提出一种基于多尺度特征选择与融合的目标检测算法。设计了一个特征选择模块来分离出不相关的特征,并结合特征金字塔网络形成特征选择网络结构,降低特征图中不同尺度目标的局部特征对当前尺度特征的干扰;提出一种浅层特征融合方法,将浅层特征逐级融合到较深层级特征中,解决特征图的特征不够丰富问题。结合特征选择架构和浅层特征融合架构,在PASCAL-VOC2007数据集上进行测试,结果mAP达到了80.1%。相较于基础的单阶段目标检测(single shot detection, SSD),所提算法的网络性能可提高2.9%,且在一些小目标和遮挡目标的检测效果上有明显的提升。通过对比和消融实验,证明了所提方法的有效性。     

基于多尺度特征融合的遥感影像场景分类方法

针对遥感场景影像存在类间相似性高、类内多样性大、且不同尺度下遥感影像差异大等问题,导致场景分类任务精确度受限,提出一种基于多尺度特征融合的遥感影像场景分类算法。首先利用轻量级网络MobileNetV2作为主干网络,以更少的网络参数实现更高的分类准确率。网络通过一维卷积提升输入通道,设计的多尺度特征融合模块能够捕获遥感影像的高级特征和低级特征,融合影像的多尺度特征,能够有效缓解不同尺度下遥感影像差异大的问题。通过在三个公开遥感数据集上进行实验对比,验证了所提方法的有效性。     

基于纹理和梯度特征的多尺度图像融合方法

该文提出一种基于纹理和梯度特征的多尺度图像融合方法。采用纹理提取滤波器和边缘梯度滤波器模板分别对每层Gauss金字塔进行滤波,生成多尺度纹理和边缘图像,使得多分辨率变换域中能够将原图像中的纹理信息包含进来,从而为进一步融合提供更全面的信息量度。采用该文所提出的方法对红外与可见光图像进行融合仿真,并且与具有代表性的融合方法进行了比较。实验结果与图像融合质量评价显示了该文所提出方法的优越性。     

尺度不变特征点提取

结合传统的角点检测算法,提出一种基于高斯金字塔匹配的尺度不变特征点提取算法PBSI,首先建立高斯金字塔,在每层图像中检测Harris角点,根据高斯尺度理论自上而下找到它们在不同层的对应点,所有层上都有的匹配点就是最终的尺度不变特征点.实验结果表明本文算法具有计算简单、抗噪声能力强、稳定性好的优点.     

基于粒子群算法的多尺度反卷积特征融合的道路提取

研究基于传统FCN算法下的不同比例的多尺度特征融合对于复杂场景下道路提取准确度的提高.针对复杂的航拍道路场景,设计了针对于农田环境下的FROBIT农田道路数据集,并使用全卷积神经网络(FCN)对FROBIT农田道路数据集和Massachusetts城市道路数据集进行道路提取工作.本文基于传统的FCN的网络,对其反卷积方式进行改进,采用粒子群算法(PSO)设计了不同比例的多尺度特征融合.通过将本文提出的Multi-Scale FCN网络与传统的FCN神经网络在FROBIT数据集和Massachusetts道路数据集上进行对比实验,结果表明Multi-Scale FCN网络相比于传统的FCN神经网络在提取精度上得到了提高.     

一种基于特征表达的无人机影像匹配像对提取方法

针对无人机(unmanned aerial vehicle, UAV)影像三维重建中匹配像对提取适应性差、效率低、需准确的先验知识等问题,提出一种基于特征表达的无人机影像匹配像对提取方法。首先利用SiftGPU算法对一组无人机影像进行尺度不变特征转换(scale-invariant feature transform, SIFT)特征提取。其次,对SIFT特征向量集合构建分层词汇树,并分别计算各个影像与影像集中各影像的综合权重因子并按得分大小进行排序。最后,自适应计算影像检索阈值,得到最终的影像匹配像对。通过对不同地形地貌的无人机影像进行试验。实验结果表明:所提方法能快速、有效获取查询影像的匹配像对。与常规词汇树检索方法相比,查准率提高了19%～24%,查全率提高了17.4%～30.9%。尤其针对海量的无人机影像数据,所提方法具有更高的处理效率。     

基于多尺度分层联合的泥石流物源信息精细化提取方法

针对泥石流物源分布破碎、赋存条件复杂的特点以及泥石流防治工程中物源信息精度需求高的问题,提出一种面向对象的分层联合信息提取方法,其综合样本分类器能实现模糊分类的优点和规则分类器在地物空间信息提取方面的便利性,联合样本分类与规则分类两种影像信息提取手段;根据不同地物间的特征差异,遵循由粗至细、去伪存真的处理原则,分阶段、分层次处理影像信息,逐层剔除无关地物信息的同时提取目标地物信息,从而实现泥石流物源类型及其空间分布特征的精细化提取.以西部高寒干旱地区某泥石流沟的无人机遥感影像为试验数据,对所提多尺度分层联合信息提取方法进行验证,结果表明降低了不同地物间的混淆,提高了分类结果精度,为破碎分布型泥石流物源信息的精细化提取提供了新方法和思路.