基于YOLO v3的交通标志牌检测识别

在无人驾驶和辅助驾驶领域,交通标志牌检测识别是重要的。针对目前基于YOLO的检测方法能够达到实时的检测效果,但在准确率方面有所降低的问题,提出了基于感兴趣区域(ROI)的交通标志牌检测方法。首先根据交通标志牌的颜色特性得到候选区域;再利用交通场景图像规则确定交通标志牌的ROI;最后在交通标志牌的ROI,基于YOLO v3实现对交通标志牌的检测识别。实验结果表明:由于本文提出的方法去除了图像中部分干扰因素,使得算法在检测精度上得到了提升,也能满足实时性的需求,并在无人驾驶车辆上进行了验证。     

一种基于Hough变换的步态特征提取方法的研究

步态识别是一种新兴的生物特征识别技术,旨在通过人们走路的姿态进行身份识别。与其他的生物识别技术相比,步态识别具有非接触远距离和不容易伪装的优点。提出了一种基于新的特征提取方法的自动步态识别算法,该算法仅从腿部的运动进行身份识别。对于每个序列,用一种基于图像色度偏差的背景减除算法来检测运动对象,在经过后处理的二值图像序列中利用边界跟踪算法获取对象边界。在对象边界图像上,局部应用Hough变换检测大腿和小腿的直线,从而得到大腿和小腿的倾斜角。用最小二乘法将一个周期内的倾斜角序列拟合成5阶多项式,把Fourier级数展开后得到的相位与振幅的乘积定义为低维步态特征向量。在小样本的数据库上用F isher线性分类器验证所研究算法的性能,正确分类率为79.17%。在步态数据库不很理想的情况下也获得了较好的识别率。     

交通标识牌字符提取算法

为解决智能交通系统中道路标志牌字符提取问题,提出了一种快速的基于颜色与笔画的新算法。首先采用主元分析方法提取标志牌颜色特征并进行定位,然后对确认后的标志牌区域进行仿射处理,获得容易进行文字提取的图像。最后根据形态学的top hat、skeleton算子以及区域生长等算法得出道路标志牌字符清晰的二值化图像,送OCR软件识别。实验结果显示该算法具有很强的准确性和鲁棒性。     

相位标志牌图像识别与缺陷检测

相位标志牌是重要的电力设施,通常安装在杆塔的显著位置,由于其长期经受风吹雨淋,容易发生破损、划痕等缺陷。本文提出一种相位标志牌识别和缺陷检测算法。首先采用导向滤波、灰度化方法对图像进行预处理;使用固定阈值和漫水填充算法对图像进行分割;运用基于SURF算法和FLANN算法对提取的相位标志牌进行识别;在识别出相位标志牌信息后,通过计算模板和待检测相位标志牌B通道直方图的相交系数百分比,判断相位标志牌是否存在缺陷。实验结果表明,该算法可有效判别相位标志牌是否存在缺陷,具有很好的实用性和稳定性。     

基于双流卷积神经网络的改进人体行为识别算法

近年来人体行为识别成为计算机视觉领域的一个研究热点,而卷积神经网络(Convolutional Neural Network,CNN)在图像分类和识别领域取得了重要突破,但是人体行为识别是基于视频分析的,视频包含空间域和时间域两部分的信息。针对基于视频的人体行为识别问题,提出一种改进的双流卷积神经网络(Two-Stream CNN)模型,对于空间域,将视频的单帧RGB图像作为输入,送入VGGNet_16模型;对于时间域,将多帧叠加后的光流图像作为输入,送入Flow_Net模型;最终将两个模型的Softmax输出加权融合作为输出结果,得到一个多模型融合的人体行为识别器。基于JHMDB公开数据库的实验,结果证明了改进的双流CNN在人体行为识别任务上的有效性。     

基于Logistic回归和BPNN的二值人脸图像识别

针对人脸检测识别中受外在条件影响及低识别率的问题,提出一种基于二值图像的Logistic回归和反向传播神经网络BPNN(back-propagation neural network)的人脸识别方法。该算法将彩色图像被转换成灰度图像。使用低通滤波器去噪,将局部窗口标准偏差和自适应阈值应用于灰度图像,得到高质量的二值去噪图像,从中检测可能的人脸区域。使用最近邻居内插方法将其缩小,与每个缩小大小的图像相对应地创建人脸数据库。使用Logistic回归和BPNN来分类属于每个人的所有图像,并为每一类图像获得一个决策边界。图像尺寸的缩小最大限度地减少了逻辑回归和神经网络训练的计算空间和时间。实验结果表明,在FEI图像数据库上Logistic回归和反向传播神经网络的识别精度高达97.5%,优于其他识别算法的精度。     

模糊AdaBoost算法在SAR图像目标识别中的应用

提出了一种AdaBoost算法的多类别推广方法,并将推广后的算法应用于合成孔径雷达图像目标识别中.针对AdaBoost基本算法只考虑两类分类的情况,对算法进行多类别推广,用"一对一"方法将多类别分类问题分解为多个两类分类问题,用模糊方法对多个两类AdaBoost分类器的输出进行决策判决,得到最终分类结果.将推广后的模糊AdaBoost算法应用于SAR图像目标识别,用MSTAR数据库中3个军事目标进行识别实验.实验结果表明,该算法可有效应用于SAR图像目标识别.与其他分类算法相比较,可获得较高的目标正确识别率.     

基于二维码的涉密网络数据传输系统设计

本系统主要面向涉密场景,旨在实现无线移动网络与有线局域网络之间在物理隔离条件下数据的双向传输。系统以二维码图像作为数据传输载体,移动网络采用智能手机作为数据收发节点,局域网采用计算机作为数据收发节点。系统设计有移动网络端数据库和局域网络端数据库,两个数据库表结构完全相同且不直接连接。发送端通过数据库语言筛选出两个数据库之间的差异数据,将其编码为二维码图像显示出来。接收端扫描识别二维码图像得到数据信息,完成收发两端之间数据的传输。     

全景影像中道路交通标志的自动识别

针对全景影像中道路交通标志牌所处环境复杂导致识别不精确的问题,提出一种基于全景影像交通标志牌的自动定位与识别的方法:首先将RGB的全景影像转换到HSV空间,再利用形态学运算得到感兴趣区;然后计算提取候选区HOG(histogram of oriented gradients)特征和LBP(local binary pattern)特征,对提取特征进行融合得到HOG-LBP融合特征;最后将融合特征与事先得到的样本集特征比对,匹配最佳模型,输出交通标志牌识别结果。以车载移动测量系统获取的某段道路全景影像为实验数据,验证了该方法的可行性,识别正确率达到了93.27%。     

一种实用的标志牌文本提取算法

根据对自然场景图像分割后具有标志牌和背景明显分开等特点,提出了一种基于边框删除的标志牌文本提取算法,首先在二值化图像中采用基于边缘检测和投影算法对标志牌区域进行定位,然后采用边框删除算法提取标志牌文本.大量实验结果表明该方法能够准确定位并提取非规则的标志牌文本.     

基于数据库编程语言的海量邮件数据分类技术

针对海量邮件数据的处理需求和实际业务需要,设计了基于数据库编程语言的海量邮件自动分类系统。该系统由特征学习模块、数据库查询模块和贝叶斯分类模块3部分构成。结合贝叶斯分类算法,利用PL/SQL语言与数据库交互时的高效性特点,在ORACLE PL/SQL存储过程中完成对未知邮件的特征提取和表示,实现对海量邮件数据的有效分类。     

基于二阶双向二维主成分分析的人脸识别方法

为了克服光照变化较大的情况对识别率的影响,提出基于二阶双向二维主成分分析(Sec-(2D)2PCA)的人脸识别方法。丢弃提取人脸图像的(2D)2PCA的前几个反映光照信息的主成分。在剩余图像中再次使用(2D)2PCA方法。Yale人脸库B和Yale人脸库上的试验结果表明,该方法在识别性能上优于2DPCA、(2D)2PCA、Sec-2DPCA方法。     

新车型识别方法及其在套牌车辆鉴别中的应用

提出一种用于判决车辆类型的车灯定位识别方法,可解决套牌车辆鉴别问题。在车牌和车标识别基础上,以车牌中心点为准,选取相对完整的单个车灯,从靠近车标一方开始,截取车灯垂直幅值倍数的水平宽度作为有效区域,然后对其进行大小和方向归一化处理;接着使用图像的不变矩距离分类器在车标确定的车系中进行车灯识别,根据车灯识别结果确定车辆具体车型;最后结合车型识别结果和牌照信息在车辆信息库中比对,判断是否为套牌车辆。经交通卡口获取的实测图像进行测试结果表明,车型识别准确度为95.5%。     

复杂环境下的交通标志检测与识别方法综述

交通标志检测与识别是无人驾驶三大模块中环境感知的研究热点之一,检测和识别交通标志可以向无人车传递道路交通信息,优化行车决策。在暴雨、大雾以及光线昏暗等复杂环境下,拍摄到的图像往往会被遮挡,变得模糊。这不仅影响图像的质量,还会对后期标志的检测与识别带来巨大的困难。简述了交通标志检测与识别方法,对近年来国内外学者解决各类复杂环境下交通标志检测与识别的方法、原理和步骤进行了总结归纳,有利于人们更好地解决此类问题。同时,对常用的交通标志数据集进行了总结,并对数据集里在复杂环境下拍摄的图像比例给予了说明。     

基于卷积神经网络的交通标志模糊影像识别

当前方法不能有效的识别交通标志模糊影像,且识别交通标志所用的时间较长,存在识别效果差和识别效率低的问题。提出基于卷积神经网络的交通标志模糊影像识别方法,首先对交通标志模糊图像做亮度均衡化处理,消除交通标志自身因素和天气因素对交通标志识别过程产生的影响。对均衡化处理后的图像进行分割,计算各个图像块的显著度,挑选显著度最高的图像块作为交通标志图像的感兴趣区域。提取感兴区域中存在的HOG特征向量和LBP特征向量,对HOG特征向量和LBP特征向量进行融合,得到交通标志图像的HOG-LBP特征。将HOG-LBP特征输入卷积神经网络中,在卷积神经网络中进行前向计算和反向计算,根据计算结果调整偏差和权值,输出交通标志模糊影像的识别结果,实现交通标志模糊影像的识别。仿真结果表明,所提方法的识别效果好、识别效率高。     

导盲机器人的交通标志视觉识别技术研究

导盲机器人是当今研究热点问题之一,交通标志识别技术是导盲机器人中的重要技术环节。无法在复杂交通情况下高精度识别交通标志是阻碍导盲机器人投入使用的最大难题。在分析研究了已有交通标志识别技术的基础上,通过Matlab中的图像处理函数,创新性地在两个色度空间同时对图像进行填充与分割、膨胀与腐蚀、k-means聚类等一系列操作处理,辅以长宽比、面积限制、平行等几何条件的限定,准确识别了红绿灯、盲道以及人行道等交通标志。     

可见光-近红外HSV图像融合的场景类字典稀疏识别方法

针对典型自然场景智能观测的需求,为提高稀疏分类器在小样本数据库上的识别精度,提出一种可见光和近红外（NIR）HSV图像融合的场景类字典稀疏识别方法。首先,利用一直应用在计算机视觉显示领域中的图像HSV伪彩色处理技术将近红外图像与可见光图像融合;然后,对融合图像进行通用搜索树（GiST）特征和分层梯度方向直方图（PHOG）特征的提取与融合;最后,结合提出的类字典稀疏识别方法得到场景分类结果。所提方法在RGB-NIR数据库上的实验识别精度达到了74.75%。实验结果表明,融合近红外信息的场景图像的识别精度高于未融合时的识别精度,所提方法能够有效增加稀疏识别框架下场景目标的信息表征质量。     

基于微控制器改进SqueezeNet交通标志识别的研究

针对目前交通标志的识别都是基于操作系统之上,无法做到自主可控、稳定可靠的问题,故提出一种基于微控制器卷积神经网络交通标志识别。考虑到微控制器内存及计算速度,研究采用改进SqueezeNet网络模型结构,将PC训练机训练好的各种交通标志权值矩阵文件缩小了50倍,移植到前端Cortex-M核系列开发板上;利用内嵌的CMSIS-NN网络函数库搭建与训练机相同的网络模型结构实现对标志的快速识别。实验结果表明,基于微控制器改进SqueezeNet交通标志识别方法平均识别率达到97.4%以上,识别速度得到了有效的提高, 同时为智慧交通的标志识别提供了一种可选择方案。     

Medical Sign Recognition of Lung Nodules Based on Image Retrieval with Semantic Features and Supervised Hashing

Sign recognition is important for identifying benign and malignant nodules. This paper proposes a new sign recognition method based on image retrieval for lung nodules. First, we construct a deep learning framework to extract semantic features that can effectively represent sign information. Second, we translate the high-dimensional image features into compact binary codes with principal component analysis (PCA) and supervised hashing. Third, we retrieve similar lung nodule images with the presented adaptive-weighted similarity calculation method. Finally, we recognize nodule signs from the retrieval results, which can also provide decision support for diagnosis of lung lesions. The proposed method is validated on the publicly available databases: lung image database consortium and image database resource initiative (LIDC-IDRI) and lung computed tomography (CT) imaging signs (LISS). The experimental results demonstrate our retrieval method substantially improves retrieval performance compared with those using traditional Hamming distance, and the retrieval precision can achieve 87.29% when the length of hash code is 48 bits. The entire recognition rate on the basis of the retrieval results can achieve 93.52%. Moreover, our method is also effective for real-life diagnosis data.     

基于LDP特征和贝叶斯模型的人脸识别

针对现有的局部方向模式LDP(Local Directional Pattern)方法仅利用了图像自身的LDP特征的问题,提出将LDP特征直方图与贝叶斯(Bayes)模型相结合的方法,从而有效使用人脸图像的先验信息,以提高人脸的识别率。第一步,在相互独立的训练集上,学习同类样本图像和异类样本图像的LDP直方图特征相似度的先验信息,并估计类条件概率密度函数(同类样本与异类样本分别进行计算);第二步,利用人脸图像的LDP直方图来比较该图像是否为某一类型图像的概率数值大小;第三步,使用贝叶斯规则进行分类。仿真结果证明,在ORL库与Yale库上,与传统PCA,LBP和LDP算法相比,所提方法得到的人脸识别率均有显著提升。