联合时空信息的夜间运动车辆提取算法

受光强变化大、亮度低以及车灯光晕等影响,夜间环境下的视频车辆提取相对白天来说较为困难.提出一种联合时空信息的夜间运动车辆提取方法.该方法首先通过帧间差分法提取出运动区域,然后利用均值平滑滤波消除噪声影响并通过大津法(Otsu)自动确定分割阈值,最后通过空间域分析(引入了"D聚类"概念)提取出完整的运动车辆轮廓.实验结果表明,该方法实时性强,鲁棒性高,提取的运动车辆效果好.     

一种改进和提取Zernike特征矩的方法

数字图像的离散性使Zernike矩的计算存在误差,降低了特征描述能力。采用一种方圆转换方法将矩形图像转化为抽象的圆形图像,计算转化后图像Zernike矩,改进Zernike矩的计算方法,从而减少计算误差,提高计算速率,提高Zernike矩的特征描述能力。同时根据统计理论,提出一种规范的特征提取方法。经车牌字符识别实验验证,改进方法能够很好地提取图像特征,用于模式识别。     

基于轻量化ConvLSTM的密集道路车辆检测算法

针对拥堵场景中目标遮挡引起的漏报、误报等问题，考虑到视频中同一车辆在不同时刻下重叠程度不同，利用未被遮挡时刻车辆所提供的特征有助于当前时刻目标车辆的检测，提出了一种适用于密集场景的车辆检测算法WB-YOLO v5。算法结合ConvLSTM模型的输入数据结构，设计了特征选择和特征稀疏模块，实现了特征的重标定；并将特征选择和特征稀疏模块输出的特征送入ConvLSTM的不同支线，实现了不同时刻特征的强化与衰减；再使用1×1卷积替换原始门控结构，构建轻量化的WBConvLSTM，以减少参数量和计算量，提升训练速度与小样本数据源目标的检测准确率；在YOLO v5的Neck端引入WBConvLSTM，实现网络特征提取能力的增强。实验结果表明，相比于YOLO v5,WB-YOLO v5的检测平均准确率有1.83个百分点的提高。相比于ConvLSTM,WBConvLSTM的参数量和计算量分别减少约2/3和6/13。