车辆识别与样本自动采集方法的研究

为解决车辆样本采集困难的问题,在研究车辆识别与跟踪的基础上提出了样本的自动采集方法.首先,采用Blob分析技术从视频流中检测出车辆;其次,结合Blob和CamShift跟踪算法跟踪运动车辆;再次,通过分析车辆的运动轨迹判定其停驶状态;最后,控制云台变焦摄像机获取车辆的细节图像,以此作为车辆的样本.实验结果表明,本文提出的方法实时性高,对车辆的识别与跟踪、停驶判断具有较高的准确性,获取的车辆样本图像细节丰富,能够满足车辆样本库建设的基本要求.     

基于Adaboost算法的日间前方车辆检测

提出了一种基于类Haar特征和Adaboost算法的车辆检测方法,以解决汽车安全辅助驾驶系统中对前方车辆的信息感知问题。基于类Haar方法对训练集的积分图进行提取,采用Adaboost算法选取有效的类Haar特征并生成前方车辆检测分类器。利用前方车辆检测分类器对PETS(Performance evaluation of tracking and surveillance)提供的图片进行测试。试验结果表明:该方法可以快速、准确地实现日间前方车辆的检测。     

一种基于Adaboost算法的车辆检测方法

由于车间安全距离不足容易导致追尾事故的发生.前方车辆的检测能为建立完整的汽车防撞预警系统提供必要的辅助信息.本文提出了一种采用Adaboost算法训练得到的级联分类器实时检测前方车辆的方法.通过选取扩展的类Haar特征,采用Adaboost算法训练得到一个识剐车辆的级联分类器.最后将训练得到的分类器应用至ll实车车辆检测系统中.试验结果表明,基于此算法的车辆检测方法具有检测率高、速度快,能够达到实时检测的要求.     

复杂背景的人脸检测方法

由于原始的Adaboost方法在复杂图片上检测人脸效果不够理想,所以提出了一种能够处理复杂背景图片的人脸检测方法,即基于肤色的Adaboost检测方法。该方法具有肤色分割的检测率高、适应性强和AdaBoost算法检测速度快等优点。首先,通过人脸肤色的统计特征对图像进行肤色分割,得到候选人脸区域;然后使用经过训练的AdaBoost算法级联分类器对候选人脸区域进行检测,最终得到精确定位的人脸。经过实丐令证明,基于肤色分割的Adaboost人脸检测方法比原始的Adaboost方法在鲁棒性上有了很大提高。     

基于新Haar-like特征的Adaboost人脸检测算法

为解决基于Haar-like特征的Adaboost人脸检测方法存在的特征计算复杂度较高的问题,提出两组Haar-like特征扩展集;利用积分图给出特征组的计算方法;采用Adaboost算法在正脸和侧脸样本库分别训练出正脸和侧脸级联分类器,并将其组成双通道分类器。在开源视觉库OpenCV上的实验结果表明,本方法具有较少的弱分类器数,检测效率高、计算速度快,对于多角度人脸检测具有较好的鲁棒性。     

基于卷积神经网络的道路车辆检测方法

提出了一种基于卷积神经网络的前方车辆检测方法。首先,根据车底阴影特征,运用基于边缘增强的路面检测算法以及车底阴影自适应分割算法来分割并形成车底候选区域,以解决路面灰度分布不均及光照条件变化问题;其次,运用针对道路交通环境的卷积神经网络结构,建立图像样本库进行网络训练;在此基础上,采用基于卷积神经网络识别的方法以验证并剔除被误检测为车底阴影的候选区域,进而确定真正的车辆目标;最后,修改网络为三分类识别,以验证本文方法的强扩展性的优势。实验结果表明:本文提出的车辆检测方法能够很好地区分车底阴影和非车底阴影干扰,有效地提高车辆检测的准确率和可靠性,降低误检率。     

基于图像分块和RBF神经网络的人脸识别方法

目的 提出一种基于图像分块和径向基函数(RBF)神经网络的人脸特征提取与识别方法,解决人脸识别中的高维、小样本问题.方法 采用人脸图像的分块处理、奇异值分解压缩算法,降低特征维数,有效地解决了存储和传输中的数据压缩问题,运用基于聚类方法的RBF神经网络分类器进行人脸分类识别.结果 通过实验和数据分析表明,该方法在人脸骨骼特征明显时具有较高的识别率,与基于整体人脸图像的识别效果相比,识别率提高了3%.结论 笔者提出的识别方法具有良好的学习效率和识别精度品质指标.     

基于深度卷积神经网络的车型识别方法

针对现有车辆车型视觉识别技术中的检测精度不高、难以适应天气环境变化、难以从视频图像中准确提取出用于识别的车辆图像、难以对车辆车型子类进行识别分类、难以兼顾识别精度和检测效率等不足,将深度卷积神经网络引入车辆目标定位、识别和分类（子类）问题中.利用深度卷积神经网络自动完成车型的深度特征学习,在特征图上进行逻辑回归,从道路复杂背景中提取出感兴趣区域;利用softmax分类器训练特征实现车型识别;为了优化softmax在深度卷积神经网络分类过程中出现的类内间距大的问题,引入中心损失函数对softmax损失函数进行优化,提高类间分散性与类内紧密性.在BIT-Vehicle车型数据集中的实验结果显示,提出方法的平均精度为89.67%,检测和识别时间为159 ms;与传统的分类方法相比,识别精度提高约20%,效率提高10倍以上,检测鲁棒性有明显提升;与未改进前的深度卷积神经网络相比,检测精度提高0.6%,速度提高0.29倍.     

面向公共安全监控的多摄像机车辆重识别

由于现有的车辆重识别方法大多是在已标注车辆边界框的图像间进行的,但在真实场景中无标注信息,同时环境的复杂性、车辆外观的相似性和多样性也是导致重识别精度不高的原因。因此,针对公共安全监控领域中无标注的原始视频,提出一种结合车辆检测与识别的多摄像机车辆重识别方法。首先设计了二值-单点多盒车辆检测网络以获取视频中的车辆边界框,并在线生成候选车辆数据库;其次设计了一种多任务孪生车辆识别网络以提高重识别精度;最后组建“VeRi-1501”车辆数据集。该数据集在现有数据集上扩充车辆身份,并均衡每个车辆身份在不同摄像机下的图像数量。该方法在VeRi-1501数据集和实际交通场景中识别准确且精度高。     

基于混合深层网络与云平台计算的车牌识别系统

为提高车牌文本识别的精度和处理速度,研究设计了一种基于混合深层网络与云平台计算的车牌文本识别系统。该系统基于C++语言与TensorFlow开源框架实现。在采集现实场景车辆图像并进行数据标准化之后,采用融合生成式与判别式的混合深层网络对样本图像进行训练,以提高识别精度,同时建立由前端模组采集车辆图像数据到后端模组计算分析数据的云平台计算架构,借助综合云计算平台的存储与计算能力提高识别效率。实验测试结果显示,这种车牌文本识别系统具有更高的识别精度和效率,面对1万例陌生样本,其识别正确率可达99. 4%。     

Adaboost人脸检测算法研究及OpenCV实现

针对复杂背景条件下人脸检测的检测率低速度慢的问题,选用了基于统计的人脸检测算法．详细介绍了Adaboost人脸检测算法的原理及训练流程．利用OpenCV图像处理软件与Adaboost人脸检测算法的结合模块,选取扩展的Haar特征,实现了人脸检测并给出了检测结果．设计的检测器对592个人脸漏检62个,可达倒20帧／s左右．因此该方法具有较高的准确度和实时性．     

基于肤色分割的连续Adaboost人脸检测算法

针对彩色图像人脸检测问题,将连续Adaboost和肤色分割相结合对彩色图像人脸进行检测．先由连续Adaboost构造的瀑布型分类器检测出候选人脸区域,再对可能的人脸区域进行光照补偿后采用r-g颜色模型进行肤色分割,最终精确定位人脸．实验证明：该算法可以有效的降低连续Adaboost检测彩色人脸图像时的虚警率。达到较好的检测效果．具有一定的应用价值．     

基于V-detector算法的滚动轴承故障诊断方法

针对实值阴性选择(RNS)算法的检测器尺寸不能自适应变化的问题,提出基于变检测半径的RNS算法(V detector)的轴承故障诊断方法.将计算轴承振动信号局域波分解后各基本模式分量的关联维数作为特征向量,并根据故障模式将其划分为多个自体样本集,采用V detector算法训练多个检测器集,用其对轴承故障进行诊断.结果表明：自体半径过小则误诊率高,自体半径过大则检测器灵敏度低,这都将导致准确率减小;覆盖率越高,则准确率越高、计算花费越大,当覆盖率≥95%时,覆盖率对准确率的影响远小于其对计算花费的影响;相对于基于RNS的诊断方法,V detector算法具有同样高的准确率,且计算花费显著减小、稳定性更高,可有效地识别轴承故障.     

基于Adaboost-高斯过程分类的人脸表情识别

为了弥补Ababoost分类器分类精度不够、训练耗时的缺点,利用高斯过程分类器分类精度高、计算复杂度低的优势,提出一种改进的表情识别方法.该算法将高斯过程分类（GPC）和Adaboost的人脸表情识别算法相结合,在训练二分类Adaboost时利用高斯过程分类器训练弱分类器;把这些弱分类器组合成一个总分类器,将二分类Adaboost GPC扩展为多类分类算法.采用Gabor提取面部表情特征,由于Gabor特征提取后存在维度变高、冗余大的问题,引入二维主成分分析（2DPCA）对Gabor特征进行选择.基于Cohn-Kanade和JAFFE数据库的实验结果表明,该算法在识别正确率和速度方面的表现均较好.     

基于深度学习的绝缘子自爆检测方法研究

针对绝缘子自爆海量图片与人工检测效率不平衡不匹配的问题,文中提出了基于YOLOV3-tiny的绝缘子自爆自动检测方法.借鉴残差网络的跳跃连接思想,对YOLOV3-tiny模型的主干网络进行改进,提高模型特征学习能力;为了使模型更加适于绝缘子自爆检测,对Anchor box参数进行调整.实验结果表明,改进后模型的检测精确率AP达到92.57%,检测速度FPS达到38 f/s,能够快速准确地从海量航拍图像识别绝缘子自爆故障,提高了绝缘子自爆检测的自动化程度.     

基于AdaBoost RBF神经网络的火灾烟雾检测

为了解决大空间场所的火灾早期预警问题,减少环境变化对预报的影响,从烟雾的视觉特征角度探讨了视频火灾烟雾检测方法.该算法首先采用背景减除法获得差分图像,接着对差分图像进行二值化,并结合数学形态学提取可疑区域,然后从可疑区域提取颜色特征、运动特征和形状特征,最后使用基于AdaBoost的RBF神经网络进行识别,判断场景中是否有烟雾出现.试验表明,该方法能有效地检测出烟雾并且具有较好的抗干扰能力,提高了烟雾检测的准确率,具有较好的工程应用价值.     

一种改进的行人检测方法

针对AdaBoost（Adaptive Boosting）算法耗时长,检测精度低的问题,提出一种将支持向量机（Support Vector Machine,SVM）与AdaBoost算法相结合的方法,采用多尺度（Histogram of Oriented Gradient,HOG）特征描述行人不同尺寸区域的特点,在样本权重更新过程中引入非行人样本的误检率,训练了一个级联结构的行人分类器.结果表明：选择特征数目为5个时,改进后的AdaBoost算法检测率和计算时间分别为99.8%和577.66s.在INRIA行人数据库上训练了一个六层结构级联分类器,使用特征数目为46个时,检测率达到96.74%,而误检率仅有3.26‰.     

环状物新检测方法及在敏感图像识别中的应用

为了克服传统的Hough变换类环状物体检测的局限,提出了1种结合物体形状与外观特征的环状物体识别检测算法.识别算法使用cascade结构,分别使用灰度、纹理以及外观综合特征,按Bagging的方法训练产生一组弱分类器.这些弱分类器串接而成,并结合局部物体分割,逐个处理当前扫描窗口.相比于传统的Hough算法,新方法具有更快的检测速度.选择敏感图像作为实验对象,采集数据进行训练和检测,实验结果表明,新方法具有明显的性能优势.使用更全面的物体外观信息,按Bagging产生弱分类器的组合,能够在提高环状物体的检测性能的同时,获得理想的处理速度.     

基于视觉形状与相关反馈的三维模型检索

提出一种基于小波矩的面光源描绘子和改进的基于高斯势函数的轮廓描绘子,并在此基础上结合Adaboost相关反馈,构建一种两阶段的三维模型检索策略.首先获得模型的最优包围盒;然后进行两阶段检索：第一阶段是基于高斯势函数的轮廓描绘子的快速定位检索范围,第二阶段是融合以上两种描绘子的精确检索.最后结合Adaboost相关反馈,从而有效地评估模型之间的相似度.实验结果表明：该方法具有较高检索效率与精度.