改进HSR-FCN的服装图像识别分类算法研究

目前网络上的服装图像数量增长迅猛，对于大量服装图像实现智能分类的需求日益增加。将基于区域的全卷积网络（Region-Based Fully Convolutional Networks，R-FCN）引入到服装图像识别中，针对服装图像分类中网络训练时间长、形变服装图像识别率低的问题，提出一种新颖的改进框架HSR-FCN。新框架将R-FCN中的区域建议网络和HyperNet网络相融合，改变图片特征学习方式，使得HSR-FCN可以在更短的训练时间内达到更高的准确率。在模型中引入了空间转换网络，对输入服装图像和特征图进行了空间变换及对齐，加强了对多角度服装和形变服装的特征学习。实验结果表明，改进后的HSR-FCN模型有效地加强了对形变服装图像的学习，且在训练时间更短的情况下，比原来的网络模型R-FCN平均准确率提高了大约3个百分点，达到96.69%。     

基于机器视觉的抓握状态模型及其适用性

为了实现手部功能障碍患者在抓握康复训练中手部状态的数字化,提出采用抓握状态模型对手部状态进行识别,并通过实验分析模型的适用性与鲁棒性。首先,提出一种手部抓握状态模型,抓握对象,手部抓握类型以及手部抓握状态判定的流程。然后,采用Leap Motion对5名受试者抓握ARAT(Action Research Arm Test)标准物时的动作进行跟踪,分析抓握状态模型的适用性。最后,通过实验中抓握状态模型参数的离散度分析抓握对象尺寸、手部差异和抓握角度对抓握状态模型稳定性的影响。实验结果表明:实验中抓握状态模型参数的平均相对标准偏差为0.637,且该抓握状态模型具有良好的适用性和鲁棒性。采用基于机器视觉的抓握状态模型对手部状态识别基本满足对手部运动跟踪精度高、处理速度快等要求。     

一种改进的基于暗通道先验去雾算法

在雾霾天气下图像质量受大气散射的作用,使得图像质量较差。针对以上问题,提出一种改进的暗通道图像去雾算法。由于带雾图像中局部区域暗通道分量不趋近于0,对大气光值的估计是通过局部像素点R、G、B三通道像素值的方差来判断其波动幅度。若波动较大,则选出三通道中的较小值为当前像素点的暗通道像素值;若波动较小,则通过其周围像素点中最小通道的均值来确定当前点的暗通道值,从而得到精准的暗通道图和大气光值。将采样的方式加快求取透射率图的速度,最后转变为HSI颜色空间可以对图像进行更好的复原。实验结果表明,该算法可以针对色彩失真的状况得到有效的改善,同时在得到去雾图像速度上提高50%以上。