结合人体检测和多任务学习的少数民族服装识别

目的 少数民族服装色彩及样式种类繁多等因素导致少数民族服装图像识别率较低。以云南少数民族服装为例,提出一种结合人体检测和多任务学习的少数民族服装识别方法。方法 首先通过k-poselets对输入的待识别图像和少数民族服装图像集中的训练图像进行人体整体和局部检测以及关键点的预测;其次,根据检测结果,从待识别图像和训练图像中分别提取颜色直方图、HOG （histogram of oriented gradient）、LBP（local binary pattern）、SIFT（scale invariant feature transform）以及边缘算子5种底层特征;然后,将自定义的少数民族服装语义属性与提取的底层特征进行匹配,采用多任务学习训练分类器模型,以学习少数民族服装的不同风格;最后实现少数民族服装图像的识别并输出识别结果。另外,由于目前缺少大型的少数民族服装数据集,本文构建了一个云南少数民族服装图像集。结果 在构建的云南少数民族服装图像集上验证了本文方法,识别精度达到82.5%88.4%,并与单任务学习方法进行比较,本文方法识别率更高。结论 针对现有的少数民族服装识别率较低的问题,提出一种结合人体检测和多任务学习的少数民族服装识别方法,提高了少数民族服装图像识别的准确率和效率,同时能较好地满足实际应用需求。     

基于MATLAB图像处理的车辆检测与识别

针对目前汽车检测与识别所采用的方法在各个方面存在的不足,提出了一种基于MATLAB图像识别和处理技术的车辆检测方法,并用实例验证了其可靠性.该方法减轻了操作者的劳动强度,弥补了人在视觉与反应方面的不足之处,提高了统计的效率及准确率.     

基于特征定位与融合的行人重识别算法

行人外观属性是区分行人差异的重要语义信息。行人属性识别在智能视频监控中有着至关重要的作用,可以帮助我们对目标行人进行快速的筛选和检索。在行人重识别任务中,可以利用属性信息得到精细的特征表达,从而提升行人重识别的效果。文中尝试将行人属性识别与行人重识别相结合,寻找一种提高行人重识别性能的方法,进而提出了一种基于特征定位与融合的行人重识别框架。首先,利用多任务学习的方法将行人重识别与属性识别结合,通过修改卷积步长和使用双池化来提升网络模型的性能。其次,为了提高属性特征的表达能力,设计了基于注意力机制的平行空间通道注意力模块,它不仅可以在特征图上定位属性的空间位置,而且还可以有效地挖掘与属性关联度较高的通道特征,同时采用多组平行分支结构减小误差,进一步提高网络模型的性能。最后,利用卷积神经网络设计特征融合模块,将属性特征与行人身份特征进行有效融合,以获得更具鲁棒性和表达力的行人特征。实验在两个常用的行人重识别数据集DukeMTMC-reID和Market-1501上进行,结果表明,所提方法在现有的行人重识别方法中处于领先水平。     

基于可变权重损失函数和难例挖掘模块的Faster R-CNN改进算法

基于深度卷积神经网络的目标检测算法已成为目标检测领域中的研究热点,它包括基于区域提议的两阶段目标检测算法和基于位置回归的一阶段目标检测算法。Faster R-CNN是两阶段目标检测的典型算法之一,但是,训练数据集中简单样本-〖KG-*8〗难分样本数量不平衡,以及样本数据的类间不平衡,都是影响Faster R-CNN检测精度的重要原因。本文提出一种基于可变权重损失函数Focal Loss和难例挖掘模块的改进Faster R-CNN算法。具体地,在网络的分类部分引入Focal Loss函数,通过权重调节样本数据的类间不平衡,改善简单样本-〖KG-*8〗难分样本的数量不平衡;同时,修改网络结构,引入难例挖掘模块,进一步平衡简单样本-〖KG-*8〗难分样本的数量,提高网络的检测性能。本文采用不同数据集,不同基础网络来测试提出的算法性能。实验结果表明,在VGG-16基础网络下,本文算法在Pascal VOC 2007数据集上平均检测精度较原算法提高了0.9个百分点,在Pascal VOC 07+12数据集上提高了1.7个百分点;在Res-101基础网络上,在Pascal VOC 2007数据集上平均检测精度较原算法提高了1.3个百分点,在Pascal VOC 07+12数据集上提高了1.5个百分点。     

基于Faster-RCNN的交通信号灯检测与识别

交通信号灯检测和识别是无人驾驶和辅助驾驶领域的重要研究内容,能够避免在通过路口时由于交通信号灯判断失误导致的交通事故,提升驾驶的安全性。客观的复杂交通场景增加了检测识别算法难度。实现了基于Faster-RCNN的交通信号的检测识别,采集了交通场景数据进行标注,填充了国内交通信号灯公开数据集的空白。通过实验对比,选择最优的特征提取网络,并在智能车实验平台上验证了方法的有效性。     

动态场景下的交通标识检测与识别研究进展

动态环境下交通标识的自动识别随着无人自主驾驶汽车对环境理解的要求提高引起了人们的高度关注.近年来研究人员从检测、跟踪和识别等方面展开了对这一问题的深入研究.针对动态场景下基于单个普通光学摄像机的交通标识检测与识别方法做一系统回顾.重点围绕交通标识的检测、识别,时序信息的利用等展开.此外,还对这一领域目前常用的数据集和评价方法做了具体介绍.最后指出了未来发展的趋势和方向.     

基于Edge Boxes的大型车辆车标检测与识别

传统车标检测与识别算法难以检测大型车辆车标,且速度较慢。提出了一种基于Edge Boxes的大型车辆车标检测与识别方法。Edge Boxes算法是一种成熟的图像分割算法,能够快速且有效地检测物体位置,满足大型车辆车标检测与识别问题的准确性及实时性的需求。该方法首先根据车标在车辆中的空间位置关系初选车标候选区,然后利用Edge Boxes算法进行目标提取,进而将提取得到的目标送入利用线性约束编码构建的车标检测分类器和车标识别分类器进行训练与识别,得到车标检测与识别结果。对不同卡口的不同天气和光照条件下采集的4 480张图像（含50类大型车辆）进行实验,实验结果表明,在检测与识别性能以及时间消耗方面均优于传统方法,具有良好的实用前景。     

Label distribution learning for scene text detection

Recently, segmentation-based scene text detection has drawn a wide research interest due to its flexibility in describing scene text instance of arbitrary shapes such as curved texts. However, existing methods usually need complex post-processing stages to process ambiguous labels, i.e., the labels of the pixels near the text boundary, which may belong to the text or background. In this paper, we present a framework for segmentation-based scene text detection by learning from ambiguous labels. We use the label distribution learning method to process the label ambiguity of text annotation, which achieves a good performance without using additional post-processing stage. Experiments on benchmark datasets demonstrate that our method produces better results than state-of-the-art methods for segmentation-based scene text detection.     

基于AT-PGGAN的增强数据车辆型号精细识别

目的 车型识别在智能交通、智慧安防、自动驾驶等领域具有十分重要的应用前景。而车型识别中，带标签车型数据的数量是影响车型识别的重要因素。本文以"增强数据"为核心，结合PGGAN（progressive growing of GANs）和Attention机制，提出一种基于对抗网络生成数据再分类的网络模型AT-PGGAN（attention-progressive growing of GANs），采用模型生成带标签车型图像的数量，从而提高车型识别准确率。方法 该模型由生成网络和分类网络组成，利用生成网络对训练数据进行增强扩充，利用注意力机制和标签重嵌入方法对生成网络进行优化使其生成图像细节更加完善，提出标签重标定的方法重新确定生成图像的标签数据，并对生成图像进行相应的筛选。使用扩充的图像加上原有数据集的图像作为输入训练分类网络。结果 本文模型能够很好地扩充已有的车辆图像，在公开数据集StanfordCars上，其识别准确率相比未使用AT-PGGAN模型进行数据扩充的分类网络均有1%以上的提升，在CompCars上与其他网络进行对比，本文方法在同等条件下最高准确率达到96.6%，高于对比方法。实验结果表明该方法能有效提高车辆精细识别的准确率。结论 将生成对抗网络用于对数据的扩充增强，生成图像能够很好地模拟原图像数据，对原图像数据具有正则的作用，图像数据可以使图像的细粒度识别准确率获得一定的提升，具有较大的应用前景。     

A framework for cloned vehicle detection

Rampant cloned vehicle offenses have caused great damage to transportation management as well as public safety and even the world economy. It necessitates an efficient detection mechanism to identify the vehicles with fake license plates accurately, and further explore the motives through discerning the behaviors of cloned vehicles. The ubiquitous inspection spots that deployed in the city have been collecting moving information of passing vehicles, which opens up a new opportunity for cloned vehicle detection. Existing detection methods cannot detect the cloned vehicle effectively due to that they use the fixed speed threshold. In this paper, we propose a two-phase framework, called CVDF, to detect cloned vehicles and discriminate behavior patterns of vehicles that use the same plate number. In the detection phase, cloned vehicles are identified based on speed thresholds extracted from historical trajectory and behavior abnormality analysis within the local neighborhood. In the behavior analysis phase, consider the traces of vehicles that uses the same license plate will be mixed together, we aim to differentiate the trajectories through matching degreebased clustering and then extract frequent temporal behavior patterns. The experimental results on the real-world data show that CVDF framework has high detection precision and could reveal cloned vehicles’ behavior effectively. Our proposal provides a scientific basis for traffic management authority to solve the crime of cloned vehicle.     

水下智能识别与自主抓取机器人设计与实现

设计了一款面向海珍品捕捞的水下智能识别与自主抓取机器人. 首先通过YOLOv4-tiny网络对海珍品图像 离线训练, 设计单双目自适应切换与多目标选择算法以实现海珍品在线识别与持续定位. 进一步, 采用声呐与深度 传感器融合策略获取水下机器人深度信息, 设计基于模糊比例–积分–微分控制的定深抓取控制器, 以确保目标定位 与抓取过程中深度信息的有效反馈. 所提目标识别算法, 具有实时性强、复杂度低优点; 同时, 定深与抓取控制器, 不依赖于系统复杂模型, 可适应不同海况下的精确抓取. 最后, 通过试验验证了方法的有效性.     

基于对称性的快速车辆检测方法

提出了一种基于车辆边缘对称性和水平阴影的快速车辆检测方法.通过利用被检测图像减去道路背景图像的方法对被检测图像进行预处理,以最大限度去除背景图像中车道线等大量干扰,突出车辆图像,对图像分别做Sobel垂直和水平边缘检测.把垂直边缘图像分割放缩成远景、中景、近景3幅大小相同的图像,利用车辆对称性对分割放缩后3幅图像对称性进行检测,确定图像中所有车辆在图像中的水平位置.同时在水平边缘检测的图像中,利用水平阴影和汽车底部水平边缘确定汽车的垂直位置.实验结果表明,该方法简单、有效,能快速、精准地检测出汽车图像中所有的不同位置和不同大小的车辆.     

针对机动车驾驶员的人脸检测方法

为了正确检测人脸区域、提高驾驶室内光照不足情况下人脸检测与定位方法的准确性和实时性,采用了肤色聚类的人脸检测方法,利用肤色聚类性将彩色图像分割成皮肤区和非皮肤区。同时,提出一种基于多尺度Retinex算法的改进算法,其能够在人脸检测之前对图像进行光照补偿处理。将改进后的算法应用到新建立的人脸图像库中进行仿真实验,并与传统的肤色聚类人脸检测方法进行对比,其正确率提高了4.7%。实验结果表明:改进后的肤色聚类人脸检测算法可实现对不同光照变化和旋转角度的人脸进行检测,且具有很强的实用价值。     

视频图像的车辆检测与识别

提出了一种新方法,用来提取视频图像中车辆的候选区域。即将视频图像转换到HSV空间,利用H分量提取图像中红色区域位置,V分量提取图像中车底的水平边缘位置,两者结合确定图像中车辆的候选区域。然后,利用改进的Gabor滤波器组对图像中的候选区域特性进行提取,最后利用支持向量机对提取的候选区域特性进行训练、识别。滤波器组通过量子进化算法进行了改进,其中引入了小生境协同进化算法并对优化后的滤波器组进行聚类减少多余的滤波器,降低冗余度。仿真结果表明此方法提取候选区域更加精确、快速。改进后的量子进化算法收敛速度快,能够快速地找到最优解。     

基于视觉显著性的无人车图像检测及分割方法

障碍物检测与分割是地面无人车辆环境感知领域中一项重要的任务。针对传统障碍物检测与分割算法的计算量大、分割精度较差等问题,提出了一种基于显著性分析的障碍物检测、分割优化算法。首先,利用基于频率调谐的方法生成场景图像的显著图;然后,通过单目摄像机与激光雷达的联合标定将雷达反射点映射到显著图上;最后,结合单目摄像机和激光雷达两种传感器信息,通过改进的图像区域分割算法,实现障碍物的检测与分割。为了验证所提出算法有效性,采集多幅包含障碍物的典型越野场景图像,对该算法进行实验与仿真验证,结果证明了该算法的有效性。