基于注意机制的水下目标检测方法

针对水下光学图像清晰度低和物体颜色失真造成水下目标检测困难的问题,本文提出一种基于注意机制的水下目标检测方法。在最具代表性的视觉注意模型(Itti模型)基础上,在特征提取阶段,引入带色彩恢复的多尺度Retinex算法对图像的颜色信息进行恢复和增强。针对具体的水下环境,通过实验构造带彩色恢复的多尺度Retinex算法中的增强因子,从而构建一种新的适用于水下环境的目标检测方法。实验结果表明,本文的算法能有效地检测出目标且能得到较完整的目标区域。     

基于视觉选择性注意机制的目标检测的研究

视觉选择性注意模型的应用是当今认知信息处理领域的研究热点。根据人类视觉感知理论,在介绍具有代表性的视觉注意模型（Itti模型）的基础上,在特征提取的初级阶段引入新的低层视觉特征,形成一种新的引导注意的显著图,从而实现较为准确的目标检测。结果证明该方法在一定程度上避免了漏检测现象的发生,使得注意区域更能接近生物视觉系统的实际。     

基于视觉注意机制的目标跟踪方法

提出一种基于视觉注意机制的运动目标跟踪方法。该方法借鉴人类的视觉注意机制的研究成果,建立视觉注意机制的计算模型,计算视频中各部分内容的视觉显著性。结合视觉显著性计算结果,提取视频图像中的显著性目标。利用颜色分布模型作为目标的特征表示模型,与视频中各显著目标进行特征匹配,实现目标的跟踪。在多个视频序列中进行实验,并给出相应的实验结果及分析。实验结果表明,提出的目标检测与跟踪算法是正确有效的。     

基于视觉注意机制的图像压缩感知复原

对于低采样、低质航运图像的复原问题,提出了一种新的图像压缩感知复原算法。首先对图像进行预处理,然后由人眼视觉注意机制模型确定注意点位置,并采用自适应遗传算法对注意点像素值进行寻优,最后复原获得复原图像。实验结果表明,所提出的基于视觉注意机制的图像压缩感知复原算法不仅提高了图像的复原质量,同时很好地保存了图像的细节信息。     

一种引入注意机制的视觉计算模型

提出了一种基于注意机制的视觉模型,其特点是：将注意过程分为３个层次,分别模拟生物的瞳孔聚焦、眼动和头动;提出一种新的可变结构的非均匀采样映射来模拟生物视网膜特性;强调了数据驱动的ｂｏｔｏｍ－ｕｐ过程与知识驱动的ｔｏｐ－ｄｏｗｎ过程的融合;提出新颖的类似树形的知识表示方法和基于深度优先搜索树的注意点转移控制机制。     

逐次分块差分直方图对运动目标的提取

为从视频图像序列中准确且完整地提取运动目标,提出一种基于运动差分直方图的目标提取算法。通过对视频图像序列中两帧相邻图像以及它们的差分图像进行逐次分块,分析对应分块的差分直方图,利用背景区域块与目标区域块对应的差分直方图分布不同,逐步去除背景提取目标,有效避免提取的目标内部出现空洞,以块为单位的处理提高算法运行速度。通过数值实验验证了该算法具有较好检测性。     

基于OpenCv运动目标识别技术的研究

在智能视频监控系统中,快速、准确、有效地检测出运动目标成为人们研究的主要课题之一。本文根据背景差分与帧间差分各自的特点,提出一种基于高斯模型的背景差分与帧间差分相结合的运动目标检测算法。说明高斯背景建模原理以及算法的背景模型更新方法,最后介绍了算法的实现流程和实验结果。在VisualC++6.0环境下,利用计算机视觉类库OpenCV对算法进行了验证。实验结果表明:该算法能快速、有效地提取目标。     

视觉注意机制在大视场目标快速定位中的应用

视觉心理学研究表明人类在看一个场景时,往往会在很短时间内找到几个显著区,然后再细看显著区域的内容,这样可以使得人类可以快速分析复杂图像。算法首先模拟人类视觉系统特点,根据图像的底层信息如对比度、方向、亮度等提取图像中几个最需要关注的显著区域,然后按照显著性由强到弱的顺序分别在每个显著区域利用具有尺度旋转不变性的对数极坐标变换方法进行目标的匹配定位。该方法在没有牺牲定位准确度的前提下,大幅减小了运算复杂度。实验表明该算法定位速度快而且准确。     

跨摄像头运动目标检测与识别

跨摄像头运动目标跟踪是目前智能网络临控的一个重点研究方向.本文首先提出了一种局部背景更新法,有效地解决了背景更新的稳定性与平滑性等问题;其次,本文提出了一种基于自适应阈值的运动目标提取与方法,同时通过形态学滤波有效地去除了提取目标时的噪声干扰与空洞问题;最后,文章提出了一种基于YCbCr通道的运动目标直方图特征提取算法...     

基于增量记忆视觉注意模型的复杂目标识别研究

针对复杂背景下的目标识别问题,提出一种新的基于增量记忆的视觉注意模型。首先根据目标的颜色形状,以及自底向上的原始视觉特征颜色、强度、方向、对称性对目标进行粗定位。在此基础上,利用粗选目标的颜色、形状生成一组自顶向下的偏差信号,对初选目标进行及时指导修正。为了提高识别的准确率,算法设计了一种增量学习记忆的机制来指导偏差信号,所提出的增量注意机制不仅可以不断学习和记忆各类目标的颜色和形状特征,而且利用这种机制可生成一个自顶向下的偏差信号,对关注的候选区域的目标进行精确定位。此外,训练后的增量记忆的颜色、形状特征有助于推断新的未知目标。最后的仿真实验中,与五种典型算法对比,无论是主观还是客观实验,都获得了较优结果。因此,所提算法是一种高效的、切实可行的算法。     

基于小波变换的鱼雷自导运动目标检测研究

低信噪比下目标检测是鱼雷自导中的一个关键环节,为了有效地克服目标作高速运动所引起的多普勒现象,传统的方法是使用多个多普勒滤波器,不利于工程实现。该文从仿生学的角度提出了基于小波变换的方法。给出了水下高速运动目标的宽带模型,提出并分析了双曲调频小波,给出了双曲调频小波检测器。利用蒙特卡洛试验研究了检测器的性能。仿真结果表明其检测性能优良,逼近于宽带匹配滤波器,能完成低信噪比下的运动目标检测。     

动态目标极化特性的仿真方法

研究对动态目标极化特性优化测试问题。针对动态目标极化特性存在连续变化难于实时识别问题,对雷达目标的航迹和姿态进行建模,采用了几类描述动态目标极化散射特性的特征参量,研究了目标运动对极化特性的调制影响,最后结合目标的运动轨迹,进行了动态目标极化特性测量的仿真,验证了仿真方法的正确性,得到的极化特征量,为目标分类识别系统提供了依据。     

基于视觉注意机制的异源图像融合

针对融合规则不能真实反映观察者视觉感知特点的问题,提出一种异源图像多尺度融合算法。应用视觉注意机制,计算异源图像间的视觉显著度匹配系数,并根据这一系数对小波变换近似系数进行自适应融合,在小波细节系数融合中使用带有方向连续性检查的选大值方法,采用视觉显著度差对融合算法的视觉保持一致性进行评价。测试结果表明,与传统算法相比,该算法在客观性能指标和主观视觉一致性方面都有所提高。     

基于注意力机制和特征融合的SSD目标检测算法

为提高SSD算法对于小目标的检测能力和定位能力,本文提出一种引入注意力机制和特征融合的SSD算法。该算法在原始SSD模型的基础上,通过将全局池化操作作用于高层的不同尺度的特征图上,结合注意力机制筛选出需要保留的信息。为提高对小目标的检测精度,本文引入反卷积和特征融合的方式,提高对小目标的检测能力。通过在PASCAL VOC数据集上的实验表明,该算法有效的提升了对小目标识别的准确率,改善了漏检的情况,大幅度提升了检测精度和算法的鲁棒性。     

监控系统中运动目标检测算法分析

广泛了解当前智能监控技术已有的运动目标检测算法的基础上,对常用的运动目标几种检测算法进行了深入的分析和对比。针对相邻帧的帧间差分、背景减除法和光流场三种检测方法的不同算法的优缺点,介绍了一种基于背景差分和帧间差分相融合的多帧差分运动目标检测算法。通过对运动目标静态场景监控视频图像的准确获取,运用分析改进算法得到更为接近运动目标实际状况的影像轮廓。     

基于核岭回归和粒子滤波的室内移动目标追踪算法研究

本文提出了一种基于核岭回归和粒子滤波的室内移动目标追踪算法,该算法在离线阶段采用核岭回归方法提取传感器之间的距离与RSSI(Received Signal Strength Indicator)信号值之间的非线性关系,从而训练出一种非线性回归距离模型;在线追踪阶段,利用非线性回归模型和粒子滤波算法实现室内移动目标的定位和追踪。本文在典型的室内办公环境下进行实验,并通过MATLAB对实测数据进行仿真。实验结果表明,相比WKNN算法和KF算法,本文所提出的算法能到达更好的定位精度,误差均值为1.2743 m。     

彩色序列图像中移动目标定位与区域提取

提出一种基于彩色序列图像提取移动目标区域的新方法。首先采用时态差分法进行运动目标定位,对彩色序列图像进行差分;然后通过选择阈值将彩色差分图像转化为二值图像;为了克服背景扰动和摄像头抖动,采用了对称差分算法,使得运动目标的定位更为准确。最后在对称差分的基础上,通过投影提取移动目标区域,为了消除扰动造成的影响,采用了杂块去除和区域合并方法。实验结果表明所提方法能有效快速地提取出移动目标。     

微弱运动目标的检测与跟踪识别算法研究

在运动目标检测问题的研究中,针对图像处理中微弱运动目标检测与跟踪识别技术的特点,在简单分析了微弱运动目标检测跟踪的技术难点的基础上,重点对微弱运动目标的检测与跟踪算法展开了研究,为了对弱信号提高检测精度,采用图像预处理、目标特征的选取和目标跟踪三个步骤设计,对微弱运动目标在强噪声背景下的图像检测与跟踪识别算法,用给出具体的改进算法,通过仿真测试结果表明,算法具有较好的目标识别与检测效果,对于进一步提高微弱运行目标的图像检测的研究水平具有一定的借鉴意义。     

基于边缘效应和注意力机制的显著性检测

本文重点研究了显著边缘信息与显著目标信息的互补性,提出了一种结合注意力机制的边缘效应网络。采用逐步融合的方法提取图像中具有显著性的局部边缘信息与全局位置信息,得到了显著的边缘特征和显著的对象特征,最后在不同分辨率下将边缘特征与对象特征耦合起来,通过注意力机制进行优化,进一步提高显著性区域的特征权重,从而得到最终的显著图。综合实验结果表明,该方法在不需要任何预处理和后处理的情况下,在5个常用数据集的性能优于现有的方法。     

基于膨胀卷积迭代与注意力机制的实体名识别方法

针对传统实体名识别方法无法兼顾文本序列提取特征的有效性和神经网络模型训练速度的问题,提出一种基于迭代膨胀卷积神经网络(IDCNN)与注意力机制(ATT)的实体名识别方法。IDCNN可利用GPU并行计算的优化能力,保留长短期记忆神经网络的特性,即用简单的结构记录尽可能多的输入信息,并在准确提取文本序列特征的同时加快神经网络模型的训练速度。通过引入ATT运用文本语法信息和单词词性信息,从众多文本特征中选择对实体名识别更关键的特征,从而提高文本特征提取的准确性。在新闻数据集和微博数据集上的实验结果表明,神经网络模型的训练速度比传统的双向长短期记忆神经网络有显著提升,基于注意力的实体名识别方法的评价指标比传统的无注意力机制方法提高2%左右。