基于近红外图像的人眼定位算法

为了能够快速准确地定位人眼,提出了一种基于近红外图像的人眼定位算法。使用主动红外光结构照明来产生亮瞳效应并产生候选区域,对于一些由于眼镜反射等因素没有亮瞳的图像,需要对其进行对称变换来产生候选区域;利用SVM算法对瞳孔区域进行分类确认;利用瞳孔的梯度以及几何特征快速准确定位到其中心位置。实验结果表明,该方法具有较高的可靠性和实时性。     

基于模糊规划的导流方案综合评价

施工导流工程是在水利枢纽工程建设过程中对河床水流进行控制的全面部署,是水利枢纽工程施工中的关键性施工措施。导流标准优选对导流工程的规模、工期及其可靠性影响极     

一种快速实用的直线检测算法

总结了目前几个主要的直线检测算法,并分析了各个算法的优缺点,然后提出了一个新的基于链码的快速直线检测算法,新算法仅需两个约束参数,即最小直线段长度和最小直线段近似度。实验表明,新算法检测速度快、实用性强,适合实时处理。     

一种新的基于链码描述的轮廓填充方法

基于链码描述的轮廓填充是图象处理的基础算法,已广泛应用于图象处理、目标分析、图象压缩和计算机图形学中,但存在需要较大的辅助空间和速度较慢的问题。为此,在分析现有算法的基础上,提出了一类基于将整条码链的填充分解成子链填充的算法,这样每条子链都是简单封闭轮廓,与现有算法相比,该算法最大仅需要屯友链等大的辅助空间,而且在非二值图象或码链允许更改时,可不需要任何辅助空间;另外,该算法既不需要排序操作,也不需要用人工交互的方式给出种子,即可通过在子链中根据相邻链码的值来自动给出种子,理论和实验表明,该方法能正确填充任意复杂形状的轮廓,并具有实现方便、速度快、算法简单、易于理解等特点,此快速简单算法具有很大的应用价值。     

一种鲁棒的多特征融合目标跟踪新算法

仅利用单一的目标特征进行跟踪是大多数跟踪算法鲁棒性不高的重要原因。提出了一种新的多特征融合目标跟踪算法,该算法将目标的颜色、纹理、边缘、运动特征统一使用直方图模型进行描述,以降低算法受目标形变和部分遮挡的影响,在Auxiliary粒子滤波框架内将所有特征观测进行概率融合,以突出状态后验分布中目标真实状态对应的峰值,从而有效避免了复杂背景的干扰,并给出了一种有效的融合系数计算方法,使融合结果更加准确可靠。实验结果表明,该算法能同时处理刚性与非刚性目标的跟踪,较单一特征的跟踪算法具有明显的优势,对复杂背景下的跟踪具有较高的鲁棒性。与现有多特征融合算法的比较也证明了本文算法的有效性。     

一种提高手机人民币图像真伪识别率的CNN框架

论文为了解决手机人民币图像给人民币鉴伪任务带来的困难,构造了一个基于B-CNN的手机人民币图像鉴伪框架,该框架以带有提取手机人民币图像红色分量Lambda层的VGG16的block5的输出作为输入.将提取手机人民币红色分量的Lambda层加在VGG16网络的最前面,并用此时VGG16的block5的输出模拟双路搭建B-CNN网络.实验部分将通过两种不同的训练方法获取的论文提出的鉴伪框架和单一的VGG16、加了提取红色分量Lambda层的VGG16在手机人民币图像鉴伪识别上的方法进行了对比,实验表明在手机人民币图像上,论文提出的方法有更高的真伪识别性能.     

融合LTP与Fisherfaces的分块人脸识别

提出一种融合局部三值模式(LTP)和Fisherfaces进行人脸识别的方法,运用LTP算子提取分块人脸灰度图像的LTP直方图序列,采用Fisherfaces方法对采样后的特征进行特征选择,根据最近邻原则进行识别。该算法不仅能提取人脸纹理信息,大幅降低训练数据量,而且数据量的维数与原始图像大小无关。在ORL和YALE标准人脸数据库上的实验结果表明,该方法具有较高的识别率。     

一种基于直方图和冗余匹配的实时目标跟踪算法

基于视觉的目标跟踪技术难点在于完成帧与帧之间的快速且口丁靠的目标匹配，以目标的直方图作为特征，具有很好的鲁棒性。但是直方图无法反映目标的空间信息，会导致错误定位于伪目标，且无法精确定位目标。针对以上问题，文章提出了一种稳健的运动目标跟踪算法，在以直方图作为目标特征的同时，结合冗余模板信息，达到验证候选目标的可靠性和辅助目标精确定位的目的。实地测试结果验证了该算法的有效性。     

一种基于YOLOX改进的路侧目标检测方法

在车路协同中,路侧感知设备可以检测出行车环境中感兴趣的目标,协助车辆进行智能决策。论文使用架设在路口的相机采集可见光图像,对行人、自行车和汽车等目标进行标注,构建了路侧目标检测数据集。论文采用最新的anchor-free目标检测方法 YOLOX作为基准模型,增加CBAM和SENet两种attention模块以加强主干网络特征,使用focal loss替换物体分支原有的交叉熵损失以解决正负样本不平衡的问题。在自建数据集上的实验结果表明,改进后的YOLOX-A模型其检测精度有明显提升,同时检测速度几乎不变,适合于路侧场景下的目标检测。