基于深度图像的嵌入式人体坐姿检测系统的实现

以检测不良坐姿,分析人们学习工作状态为引导,设计了基于深度图像的坐姿检测系统。该系统采用3D传感器获取人体坐立时的深度图像,设计了一种基于深度阈值的快速前景提取与干扰移除方法,能快速有效的提取坐姿状态下的人体分割图。基于人体轮廓的曲线特征实现了人体关键点定位,通过人体关键点的角度、深度信息与轮廓特征,对不同的坐姿图像进行统计分析,得到了一种区分不同坐姿的判定基准,运用该基准对9种不同坐姿进行识别,平均识别率可达到90%。最后,基于Android平台设计了坐姿检测系统的应用软件,实现了坐姿检测、坐姿提醒以及姿态统计等功能,并且对学习过程进行测试,测试结果表明,本系统可以有效的检测出9种坐姿、并对不良坐姿进行提醒与统计。     

基于卷积神经网络的色情图像检测

针对通常使用的色情图像检测方法中难以获取准确的色情图像特征的问题,提出一种以数据为导向基于深度卷积神经网络来获取图像特征的色情图像检测方法。对含色情内容和不含色情内容的图片数据集进行数据增强处理,接着使用Inception模块设计及建立卷积神经网络模型;使用批量随机梯度下降算法训练卷积神经网络获取色情图像特征;使用训练好的模型识别一张图像是否是色情图像。测试集检测正确率达到了99.06%,对比实验表明所设计的网络模型因其参数更少比其他模型更不易过拟合并比其他方法实现了更高的准确率。     

基于InceptionV3和特征融合的人脸活体检测

针对身份验证中经常出现的照片欺诈问题,提出了一种基于InceptionV3和特征融合的人脸活体检测模型——InceptionV3_FF。首先,在ImageNet数据集上预训练InceptionV3模型;其次,从InceptionV3模型的不同层得到图像的浅层、中层和深层特征;然后,将不同的特征进行融合得到最终的特征;最后,使用全连接层对特征进行分类,从而实现端到端的训练。InceptionV3_FF模型在NUAA数据集和自制的STAR数据集上进行仿真实验,实验结果表明,InceptionV3_FF模型在NUAA数据集和STAR数据集上分别取得了99.96%和98.85%的准确率,高于InceptionV3迁移学习和迁移微调模型;而与非线性扩散卷积神经网络（ND-CNN）、扩散核（DK）、异构内核卷积神经网络（HK-CNN）等模型相比,InceptionV3_FF模型在NUAA数据集上的准确率更高,具备一定的优越性。InceptionV3_FF模型对数据集中随机抽取的单张图片进行识别时,仅需4 ms。InceptionV3_FF模型和OpenCV结合构成的活体检测系统可以对真假人脸进行识别。     

基于OpenCV的立体匹配算法的研究与实现

提出了一种基于OpenCV的立体匹配算法,先使用投影仪在物体表面添加棋盘格角点特征,再利用OpenCV库函数对角点特征的像素精度和亚像素精度位置进行检测和计算.最后使用基于OpenCV的立体匹配算法完成图像对间角点特征的匹配.为了验证该算法,在VS2008环境下利用VC++进行了实验.算法验证实验和三维测距实验的结果表明,该算法匹配效果理想,匹配精度也高于传统的视差图匹配算法.     

基于深度传感器的坐姿检测系统

以检测不良坐姿和分析人们的坐姿习惯为引导,设计了一种基于深度传感器的坐姿检测系统。该系统首先运用Astra3D传感器对人体的坐姿进行深度图像采集,基于阈值分割法设计了快速有效的前景提取方法。将坐姿前景分割图在3个笛卡尔平面上进行投影,得到3个投影图,对投影图进行空白去除、插值缩放、归一化等处理,得到投影特征。经过PCA降维后的投影特征与前视图的金字塔HOG特征共同组成最终的坐姿特征向量。随后,运用随机森林对14种坐姿进行分类识别。实验中,对20个人的坐姿深度图像数据库进行统一测试与交叉测试。测试结果表明,所提坐姿识别方法具有很好的识别率与识别速度,并且在坐姿种类、识别率方面优于现有方法。最后,将所提方法在Android平台上进行实现,设计了坐姿检测系统的应用软件,实现了坐姿的有效检测和对不良坐姿的及时提醒等功能。     

融合高效注意力的多尺度输电线路部件检测

针对在高分辨率输电线路图像中，不同种类部件尺度跨越大，难以被均衡检测的问题，提出一种融合高效注意力的多尺度输电线路部件检测算法。在YOLO v5目标检测算法中，设计添加高效注意力模块ECBAM提高算法特征提取能力。根据输电线路部件的特征分布统计，使用滑动窗口对高分辨率输电线路图像进行切片，并对切片前后的图像分别使用改进后的YOLO v5算法训练模型。将两个模型的检测结果进行集成，得到多尺度输电线路部件检测结果。在公开的PLAD架空输电线路图像数据集上，该模型的检测性能远超现有目标检测模型，Precision可达83.2%,Recall可达92.8%，相比数据集原作者提出的模型，mAP值提升了1.6个百分点，达到了90.8%，且能检测出未在原始数据集上标注出的隐蔽目标，验证了在高分辨率图像中检测多尺度输电线路部件的有效性。     

基于动作捕捉的汽车座椅坐姿自动化装配方法研究

针对汽车座椅坐姿自动化装配过程存在人体动作干扰等因素,提出基于动作捕捉的汽车座椅坐姿自动化装配方法。结合视觉动态特征分析方法,进行汽车座椅坐姿自动化装配的动作图像采集,对采集的汽车座椅坐姿动作图像进行降噪处理,采用分区域特征匹配方法进行汽车座椅坐姿动作图像的模板特征匹配,提取汽车座椅坐姿动作图像的边缘轮廓特征量,结合模糊像素区域性融合技术实现对汽车座椅坐姿自动化装配过程中的动作捕捉,根据动作捕捉结果进行汽车座椅坐姿的动态调节,实现汽车座椅坐姿自动化装配优化。仿真结果表明,采用该方法进行汽车座椅坐姿动作捕捉的性较高,动态调节能力较好,提高了汽车座椅坐姿自动化装配水平。     

基于特征融合的小样本目标检测

小样本目标检测旨在通过少量的样本学习来训练目标检测模型，现有的小样本目标检测方法大多基于经典的目标检测算法。在二阶段的检测方法中，由于新类别样本数量少，产生了许多无关的边界框，导致候选区域的准确率较低。为了解决这个问题，提出了一种基于特征融合的小样本目标检测算法FF-FSOD。该方法采用特征融合的方法进行数据增强，对新类别样本进行补充，扩大样本的覆盖范围，同时引入FPN网络进行多尺度特征提取，再对RPN网络进行改进，引入支持集图像分支，计算支持集图像特征与查询集图像特征的深度互相关性，得到注意力特征图，进而获得更精确的候选框。所提模型的有效性在MS COCO和FSOD数据集上得到了验证，实验结果表明，该方法获得了更精准的候选框，进而提升了检测精度。     

基于OpenCV的输送带跑偏自动检测算法研究

为提高输送带跑偏检测方法的实时性和精度,结合OpenCV函数库的优点,提出了一种输送带跑偏自动检测算法。该算法利用CCD摄像机实时采集输送带视频流图像,并对图像进行预处理,然后使用改进的Canny边缘检测算法检测图像边缘,最后利用Hough直线变换提取输送带跑偏特征,通过输送带图像的几何特征来判断其是否跑偏,如跑偏则报警。实验结果表明,该算法简单有效,运算速度快,实现了输送带跑偏的自动检测。     

基于神经网络的骨骼特征融合下坐姿快速识别

基于深度学习的坐姿识别方法目前在识别精度上获得了较好提升,但模型在嵌入式平台上无法兼具高准确性和快速性,进而难以应用于边缘智能等领域。本文基于神经网络提出一种坐姿快速识别方法,使用轻量化网络替换骨干网络提取底层特征,并利用基于自适应批量归一化层候选评估模块对模型进行剪枝优化。同时,对坐姿识别方法改进,在骨骼关节特征的基础上融合骨骼图像特征,提升检测速度的同时保证了识别精度。实验结果显示,改进后的模型准确率高,并且检测速度获得大幅提升。     

基于C++和OpenCV相结合的猫脸识别研究

现今,互联网主要围绕人工智能、大数据、虚拟现实等展开,这些都是当今的热词,是大势所趋,而图像识别技术就是人工智能的一个重要领域.OpenCV是一个跨平台的计算机视觉库.它用于各种图像和视频分析,如面部识别和检测,车牌阅读,照片编辑,高级机器人视觉,光学字符识别等等.文章对基于开源计算机视觉库OpenCV,实现在开发平台vistual studio 2017下利用OpenCV进行猫脸检测和定位及使用感知哈希算法实现猫脸相似图片的搜索.     

一种改进Faster R-CNN的图像篡改检测模型

随着人工智能的发展，数字图像被广泛应用于各大领域。然而，图像编辑软件的出现导致大量图像受到恶意篡改，严重影响了图像内容的真实性。图像篡改检测的研究不同于通用的目标检测，它需要更加关注图像本身的篡改信息，而这些信息表现形式往往比较微弱，所以检测时需要侧重于学习更丰富的篡改特征。提出一种结合梯度边缘信息和注意力机制的双流Faster R-CNN模型，可以实现不同篡改类型区域的检测定位。双流之一为原色流，利用注意力机制提取图像的表层特征，如亮度对比、篡改边界的视觉差异等。双流之二为梯度流，利用梯度高通滤波器增强真实区域与篡改区域之间的边缘异常特征，使模型更容易发现篡改图像中微弱的篡改痕迹。通过紧凑型双线性池化将原色流和梯度流的特征进行融合。由于公开可用的图像篡改数据集规模较小，基于PASCAL VOC 2012数据集创建了规模为10 000幅的图像篡改检测数据集，用于模型预训练。在COVER、COLUMBIA和CASIA数据集上的检测结果表明，所提模型的检测精度相比当前最好模型的提高了7.1%～9.6%,并在JPEG压缩和图像模糊攻击下表现出了更高的鲁棒性。     

基于轻量级卷积神经网络的遥感图像检测模型

针对遥感图像目标检测困难，当前网络难以兼顾检测精度与实时性的问题，提出一种轻量级的遥感图像检测模型Yolov4＿Rs。以Yolov4为基准，将轻量级网络Mobilenetv2作为主干特征提取网络，减小模型容量；在网络颈部融入多个特征增强金字塔模块，丰富特征信息；在特征融合网络中去掉下采样，引入残差连接；使用K-means++算法对数据集进行聚类。实验结果表明，Yolov4＿Rs体积仅为Yolov4的25.1%,在RSOD和UCAS-AOD数据集上的MAP相比Yolov4分别提升了2.26%、0.99%,表明该模型比Yolov4检测效果更好，是一种轻量高效的检测模型。     

SCTD1.0:声呐常见目标检测数据集

近年来,卷积神经网络(CNN)在大规模自然图像数据集(如ImageNet,COCO)中获得了广泛应用,但在声呐图像检测识别领域的应用研究较缺乏,其存在声呐图像目标检测和分类数据集缺乏且水下目标样本往往面临样本稀少、不平衡等问题.针对这一问题,在进行广泛收集声呐图像的基础上,构建了一个完全公开的、可以用于开展声呐图像检测和分类研究的声呐常见目标检测数据集SCTD1.0,该数据集目前已包含水下沉船、失事飞机残骸、遇难者3类典型目标,共计596个样本.在SCTD1.0的基础上,文中采用迁移学习的方式测试了检测和分类的基准,具体来说:针对检测任务,使用特征金字塔网络对多尺度特征进行组合利用,比较了YOLOv3,Faster R-CNN,Cascade R-CNN这3种检测框架在本数据集上的性能表现;针对分类任务,对比了VGGNet,ResNet50,DenseNet 3种网络的分类性能,分类准确率达到了90％左右.     

一种基于人体骨架的任意角度坐姿识别方法

针对当前坐姿识别技术在不借助外部工具以及在动态环境下检测效果较差的情况,提出了一种基于人体骨架的坐姿识别方法,实现在任意角度环境下对坐姿的识别。人体骨架由关节和骨骼相互连接所成,其骨架信息不受动态环境和复杂背景的影响。该方法首先对任意角度下的坐姿图像进行人体姿态估计,提取出人体骨架信息,在三维空间下利用骨骼的物理连接关系构造一种用于检测坐姿的骨架图,并提出Skeleton-GCN(骨架图卷积网络)提取骨架图空间特征,将特征取平均值聚合并输入MLP层保存输出预测概率。此外,将任意角度的人体骨架坐标在三维空间下的不同角度进行投影,得到不同角度下的骨架图像,通过对比网络对骨架图像进行正面姿态估计得到正面骨架图像并输入CNN中,输出该骨架图像的预测概率,通过加权融合集成两个模态分类器预测概率并输出类别结果。最后,将所提方法应用于办公室、课堂等场景,实现了任意角度下坐姿的有效检测。     

基于ROS平台的运动物体跟踪识别系统的研究

物体跟踪识别是机器视觉领域中的一个比较重要的部分,可以应用在自动驾驶、军事等各个领域。本文结合时下应用较广的ROS移动机器人开源平台,利用OpenCV库对图像集进行处理,使用图像的斑点特征进行灰度值对比,实现对运动物体跟踪识别的功能。通过在真实环境中测试,系统可以满足大部分情况下移动机器人的运动物体跟踪识别。     

基于显著性检测的图像隐写分析方法

针对图像隐写分析难度大、现有的检测模型难以对图像隐写区域进行针对性检测的问题,提出了一种基于显著性检测的图像隐写分析方法。该方法利用显著性检测技术引导隐写分析模型更加关注图像隐写区域的特征。首先,显著性检测模块生成图像的显著性区域;其次,区域筛选模块筛选出与隐写区域重合度较高的显著性图,利用图像融合技术与原始图像进行融合;最后,用相应的显著性融合图替换检测错误的图像,提高训练集质量,从而提升模型的训练效果和检测能力。实验使用BOSSbase1.01数据集,分别用空域和JPEG域的自适应隐写算法对数据集嵌入后进行隐写分析,结果表明,该方法能够有效提升现有基于深度学习的隐写分析模型的检测准确率,最多可提升3个百分点。为了进一步验证该方法的泛化性和提高其实用价值,在IStego100K数据集上进行了模型失配测试,测试结果也表明该方法具有一定的泛化能力。     

基于OpenCV的车道线检测与识别

精准快速的车道线检测算法对自动驾驶有着至关重要的作用，提出一种基于OpenCV检测车道线。相机矫正对图像去畸变，通过HLS颜色空间的L通道提取白色车道线，利用OpenCV库的inRange函数设置高低阈值数组提取HLS空间道路图像的黄色车道线，合并黄白车道线图像；通过优化后的Canny算法检测车道线边缘两种方法结结合起来完成车道线检测。根据像素直方图动态选择滑动窗口方法检测车道线通过二次多项式进行车道线拟合。     

面向特征融合的图像多窜改检测与定位算法

现有的图像窜改检测方法大多只针对某一种窜改方式,且存在窜改区域边界检测精度不高的问题,对此,提出了一种基于U型网络的双流编码器—解码器架构的图像窜改检测方法。首先利用编码器与解码器之间跳跃连接的方式来融合窜改图像中的低级和高级特征,并使用空洞卷积和CBAM注意力机制对编码器输出的特征进行融合,使得网络对不同尺度大小的窜改区域都有较好的定位性能;其次为了提高网络对窜改区域的边界检测精度,使用图像形态学方法制作了窜改边界数据集;最后使用多损失函数来同时优化网络的性能,即采用交叉熵和均方根损失函数来分别度量预测图的窜改区域损失和窜改边界损失。在CASIA、Columbia、NIST16、Coverage四个公开数据集上的实验结果表明,所提方法可以有效地检测出拼接和复制—粘贴两种窜改方式所伪造图像的窜改区域,输出像素级别的窜改区域定位图,且与其他主流窜改检测方法相比,所提方法在CASIA和Columbia数据集上的AUC值达到最高,在Columbia数据集上的F1值达到最高。     

基于改进Faster R-CNN的小目标检测算法

针对图像纹理细节等高频特征在基于卷积神经网络模型的特征提取过程中丢失，从而导致小目标检测效果较差的问题，提出一种多层频域特征融合的目标检测算法。算法以Faster R-CNN为基础框架，使用高频增强后的图像和对比度增强后的图像作为算法输入样本，提高了待检测图像质量；针对总像素面积较小的目标，更改RPN网络中的锚点尺度，并利用多尺度卷积特征融合的方法，融合来自不同特征层的特征，解决了小目标在深层特征图中特征信息丢失的问题。实验结果表明，所提算法在DAGM 2007数据集上具有良好的性能，平均精度均值mAP达到了97.9%,在PASCAL VOC 2007测试集上对小目标的mAP也明显优于原始Faster R-CNN的。