基于奇异值分解行人对齐网络的行人重识别

为解决行人重识别的训练数据集中自动检测出的行人图像背景过大和行人部分缺失的错位现象问题,使用空间变换网络层对图像错位进行处理。为优化整个网络的深度学习过程,提高图像检索能力,增加网络特征层,使用奇异值向量分解方法对其进行处理。将行人对齐网络和奇异向量分解相结合,构造奇异值分解行人对齐网络,既可解决图像错位问题,又提高图像特征的相似性度量的效果。在Market1501、CUHK03和DukeMTMC-reID数据集上进行试验,并与行人对齐网络和其他深度学习与非深度学习的行人重识别方法进行比较,试验结果中整个网络的平均检索精度和行人图像第一次匹配正确的概率平均达到了65%和80%左右,这表明奇异值分解行人对齐网络可以提高对行人匹配的效果。     

基于随机擦除行人对齐网络的行人重识别方法

基于检测出的行人图像容易出现错位和深度网络容易出现过拟合现象的问题,使用行人对齐网络和随机擦除数据增强,对行人数据集进行预处理。使图像生成不同程度的遮挡,并通过仿射估计分支中的空间变换网络层将图像中的错位进行修正。裁剪背景大的部分,填补行人图像缺失的部分,从而降低网络过拟合的现象,提高网络泛化能力。Market1501、DuckMTMC-reID和CUHK03数据集上进行试验,结果表明在rank-1的值达到84%左右。将随机擦除行人对齐网络方法与其他方法进行比较,发现随机擦除行人对齐网络的行人重识别方法的试验结果要好。     

基于行人分割与部位对齐的行人再识别

为了解决行人再识别中由于视角变化和背景干扰造成的错位匹配(未对齐)问题,提出一种基于行人分割的部位对齐网络(SegPAN)的方法,该网络由3部分组成:1)构建一种基于RefineNet的行人分割网络(TL-RefineNet),以获得多个局部对齐部位;2)基于分割的行人部位,提出一种行人部位对齐网络,以提取多个局部对齐特征;3)通过一种加权融合的策略将提取的局部对齐特征融合,提高视觉特征的判别能力。在此基础上利用特征之间的相似度实现行人再识别。实验在Market-1501和DukeMTMC-reID数据集上进行测试,R1的性能分别达到90.5%和80.3%。结果证明该方法不仅有效的缓解了错位匹配问题,而且减少了背景的干扰,提高了再识别性能。     

雷达与视觉信息融合的行人检测方法

首先建立两传感器间的坐标变换模型,将雷达扫描的深度信息映射到图像上。然后对雷达扫描的数据进行聚类分析,并结合行人物理属性,对聚类点簇进行筛选获得有效点簇信息;根据摄像机的成像规律,确定行人成像区域与其所处位置的关系,从而确定行人检测感兴趣区域。在此基础上,提取感兴趣区域的梯度方向直方图特征,运用支持向量机检测行人。实际交通场景测试结果表明本文方法能够对行人实时检测,且准确率可达93%以上。     

融合Gabor特征与卷积特征的小样本行人重识别

针对视频监控环境下采集的可用行人图像数量有限,以及非可靠数据标注导致监督学习算法性能下降等问题,提出一种融合Gabor特征和卷积特征的无监督小样本行人重识别方法。采用Gabor变换提取多尺度、多方向行人纹理和边缘信息,实现小样本行人图像特征级数据增强,进一步通过特征编码消除冗余信息,提升相似度比对效率。采用卷积自编码网络提取行人非线性深度卷积特征,避免监督学习算法对数据标注的依赖性。融合两种异构特征用于行人相似度比对,实现小样本下行人特征数据的拓展,同时实现行人特征判别能力增强。在Market-1501和DukeMTMC-reID数据集的试验中rank-1准确度分别达到74%和67.1%,证明所提网络架构能有效提升小样本行人重识别的性能。     

基于改进HOG LBP特征的行人检测

针对梯度方向直方图(histogram of oriented gradient, HOG)和局部二值模式(local binary pattern, LBP)特征维数高、冗余信息多、影响视频图像中行人检测速度的问题,提出一种基于改进HOGLBP特征的行人检测方法。通过对原有HOG特征进行统计平均,结合单独最优特征组合和巴氏距离(Bhattacharyya)可分性判据选出最优特征,并与LBP特征融合得到改进的HOGLBP特征,然后利用支持向量机(support vector machine, SVM)对样本特征进行训练获得分类器,最后对测试样本进行分类。实验结果表明,该方法使得行人检测的准确率和实时性都有一定的提高,并用自行拍摄的视频验证了该方法的有效性。     

基于助老机器人的行人检测与跟踪算法研究

行人检测与跟踪是助老机器人的基本功能之一。针对行人检测中目标需人工标定图像初始帧、目标检测准确性差、行人丢失较难重新跟踪的问题,提出一种基于行人检测和核相关滤波器(KCF)的跟踪算法。通过Kinect2摄像头获取环境视觉信息,采用方向梯度直方图(HOG)提取行人特征,使用支持向量机(SVM)的方法训练模型实现自动检测,应用KCF跟踪算法跟踪行人,并结合深度数据,计算其世界坐标,驱动机器人实现行人稳定跟踪。在Ubuntu16.04系统和ROS平台下搭建软件系统,并在实验Turtlebot移动平台进行实验测试。结果表明,该算法可自动检测行人并在复杂环境中对行人进行稳定跟踪,有效提高了助老机器人的移动、感知性能。     

基于线性SVM的车辆前方行人检测方法

采用基于线性SVM方法检测复杂交通背景下车辆前方行人.该方法根据行人非刚性的特点,利用三线性插值法提取图像的梯度方向直方图特征,采用线性支持向量机对视频中的图像进行多尺度融合检测,以适应复杂交通背景的行人检测需求,有效提高检测准确性.实验表明,该算法能够对混合交通视频中的不同尺度和姿态的行人进行有效识别.     

一种域增强和域自适应的换衣行人重识别范式

为了解决服装变化对行人重识别模型识别人物身份准确率的影响，提出一个基于域增强和域自适应的换衣行人重识别范式，使模型在不同的域中学习通用鲁棒的身份表示特征。首先设计了一种服装语义感知的域数据增强方法，根据人体语义信息，在不改变目标人物身份的情况下，分别改变样本衣服裤子的颜色，生成同人同衣不同色的域数据，填补换衣数据域单一问题；其次设计了一个多正类域自适应损失函数，该函数根据不同域数据在模型训练中所做出贡献的不同，为多正类数据损失赋予不同权重，迫使模型专注于样本的通用身份特征的学习。实验证明，在不影响非换衣行人重识别准确度的情况下，该方法在PRCC和CCVID换衣数据集上的首位命中率和平均精度均值达到了约59.5%、60.0%和88.0%、84.5%。对比于其他方法，这种方法具有更高的准确率和更强的鲁棒性，显著提高了模型识别换衣行人的能力。     

基于自适应增殖数据增强与全局特征融合的小目标行人检测

针对当前规模的小目标行人数据集较少，传统行人检测模型对小目标检测效果较差的问题，提出一种基于消隐点性质，提出自适应增殖数据增强和全局上下文特征融合的小目标行人检测方法.利用射影几何与消隐点的性质，对图像中的多个目标进行复制；通过仿射变换投影到新的位置，生成多个大小与背景合理的小目标样本以完成数据增强.利用跨阶段局部网络与轻量化操作改进沙漏结构，融合坐标注意力机制强化骨干网络.设计全局特征融合颈部网络（GFF-neck），以融合全局特征.实验表明，在经过数据增强后的WiderPerson数据集上，改进算法对行人类别的检测AP值达到了79.6%，在VOC数据集上mAP值达到了80.2%.测试结果表明，当搭建实验测试系统进行实景测试时，所提算法有效提升了小目标行人检测识别精度，并满足实时性要求.     

奇异值分解与中心度量的细粒度车型识别算法

针对细粒度车型识别图像分类因存在冗余特征而导致识别率低的问题,提出一种基于奇异值分解与中心度量的细粒度车型识别算法。首先,提出一种基于奇异值分解卷积神经网络,对全连接层的权重矩阵进行奇异值分解后重新赋值并微调,可以去除具有相关性的冗余特征,学习到细粒度级别的区分性特征;其次,提出一种学习不同特征的融合损失方法,将中心距离损失和分类损失进行加权融合,使得学习的特征类内之间的距离更小。实验表明,该方法使用 Residual Network(ResNet)框架在Cars-196细粒度车型数据集上测试,准确率能够达到93.02%,优于目前表现较好的双线性和注意力模型。扩展实验证明该方法同样适用于其他网络框架。     

视觉特征深度融合的图像质量评价

针对当前视觉感知特性研究和图像特征评价算法的不足,通过构建视觉多通道神经网络融合预测模型,提出一种视觉特征深度融合的图像质量评价方法. 首先,结合人类视觉系统特性设计直方图统计和奇异值分解2个互补视觉评价算法,进一步对图像各视觉通道的稀疏化梯度信息进行深度处理. 其次,构建BP神经网络融合模型,对各层视觉特征的多通道评价融合分别进行预测. 最后,对3层视觉特征评价从内层到外层逐层地进行深度自适应融合. 实验结果表明,所构建的融合模型有效提高了各种评价算法的指标水平,所提方法优于已有方法.     

步行商业街的空间序列及界面的研究

步行商业街空间序列的组织和界面设计是否合理,决定了整个步行商业街的基本空间形象设计的成功.笔者通过对步行商业街空间序列中景观及功能要素的分析,从环境印象的角度明确了空间序列在步行商业街空间形象的表达中所包含的意义,探讨了步行商业街空间序列的组织方法.从界面与空间形象的关系出发,分析了步行商业街界面构成本质,探讨了影响其界面的若干因素,提出了步行商业街界面的设计要求.     

基于奇异值分解的双重网络身份认证系统

针对当前网络的发展和面临的安全问题,提出了一种基于奇异值分解的双重网络身份认证系统.运用奇异值分解水印技术把ID和指纹结合为一体,实现对指纹特征库ID的认证和指纹识别认证的双重认证,并使ID和指纹具有相对独立性,加强了ID的隐藏性和安全性.实验结果表明本系统有良好的稳定性、安全性、可靠性. 更多还原     

基于网络理论的行人从众违法过街行为模型

为研究信号交叉口行人从众违法过街行为机理,运用网络理论,分析不同条件下行人群体网络的结构特征及演化规律.首先,借助动作捕捉技术获取行人从众违法过街行为的基础数据.然后,以实际交通行为数据为基础,构建行人过街的群体网络.最后,通过分析不同红灯时段以及不同性别的行人网络度分布情况,研究行人违法过街行为的规律.结果表明:等待时间越长,当人群中出现违法过街行为时,吸引从众违法过街的行人就越多;在过街行为方面,男性较女性更易从众,且男性的违法过街行为更易吸引其他行人违法过街.     

基于堆栈式稀疏自编码器的高光谱影像分类

为挖掘高光谱影像数据的内在光谱特征,该文基于深度学习理论,引用堆栈式稀疏自编码器构建原始数据的深层特征表达。首先通过稀疏自编码器,得到原始数据的稀疏特征表达。其次通过逐层学习稀疏自编码器构建深度神经网,输出原始数据的深度特征。最后将其连接到支持向量机分类器,完成模型的精调。实验结果分析表明:基于堆栈式稀疏自编码器的最优分类模型,总体精度可达87.82%,优于实验中的其他方法,证明了深度学习方法在高光谱影像处理中具有良好的分类性能。     

基于连续小波变换和RBF神经网络的气液两相流流型识别方法

针对气液两相流压差波动信号的非平稳特征,提出了以多尺度连续小波变换值矩阵的奇异值为特征矢量的流型识别方法。首先对气液两相流压差波动信号进行连续小波变换,得到初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为流型的特征向量,再结合RBF神经网络形成流型的智能识别方法。对水平管内空气-水两相流4种流型的识别结果表明该方法能够有效地识别流型。     

基于SVD和DCNN的彩色图像多功能零水印算法

为了对彩色图像进行版权保护和篡改定位,提出一种基于奇异值分解(singular value decomposition, SVD)和深度卷积神经网络(deep convolutional neural network, DCNN)的彩色图像多功能零水印算法。将原始RGB彩色图像转换成YCbCr彩色图像,对原始图像的Y、Cb、Cr通道离散小波变换得到的系数矩阵进行奇异值分解,得到DCNN的输入矩阵,从DCNN输出层的输入矩阵中获取原始图像信息矩阵,生成零鲁棒水印图像。从Y通道小波变换得到的低频子带系数矩阵中获取原始图像信息矩阵,生成零半脆弱水印图像。试验结果证明,提出的算法不但有效,而且对强度较大的常见攻击有较好的抵抗能力。