车辆颜色和型号识别算法研究与应用

针对目前基于机器学习的车辆颜色和型号识别方法的识别准确率低问题, 提出基于卷积神经网络的车辆颜色和型号识别方法。该方法使用Darknet网络中YOLOv3(You Only LookOnce Version 3)算法对车辆图片的车脸进行检测与定位, 再对车脸区域使用车辆颜色和型号识别算法同时识别车辆颜色和型号, 这是对车辆多属性同时识别的方法, 不同于车辆单一属性识别的方法。在公开车辆数据集(Peking University Vehicle Datasets, PKU-VD)上进行实验, 实验结果表明, 车辆颜色和型号同时识别准确率为93.75%, 车辆颜色单一属性识别准确率为94.98%, 车辆型号单一属性识别准确率98.38%, 明显优于基于机器学习的车辆属性识别算法, 从而验证该算法是可行且有效的。最后将车辆颜色和型号识别技术应用在智能停车场收费系统中。     

基于局部二值模式和四元数的行人检测

局部二值模式(LBP)特征具有光照不变性、旋转不变性及计算简单等特性,能有效表示行人特征,广泛应用于行人检测。LBP 特征的提取方法通常基于灰度图像,如果用于彩色图像,则没有充分考虑各通道之间的相关性,不能保证行人检测的准确性。为此,我们对彩色图像的红、绿、蓝三通道的LBP 特征,以四元数的形式表示,利用四元数的性质,提出一种P-LBP特征,再利用k-最近邻算法训练分类器。该方法在INRIA 数据集上进行实验,与HOG、S-LBP、F-LBP、HOG-LBP特征进行比较,具有更好的效果。     

一种改进的Bayes抠图算法

针对传统Bayes抠图算法容易在生成的不透明度通道上产生脉冲噪音的问题,提出一种改进算法,充分考虑分簇采样点所占比重对α值估算准确度的影响,在贝叶斯框架中嵌入一个含比重因子的平滑约束项表达式。仿真实验结果表明,该改进算法能够有效消除脉冲噪音,使抠像结果更为光滑。     

一种颜色保持的彩色图像增强新算法

分析了Retinex理论及其典型彩色图像增强算法,在此基础上提出一种颜色保持的彩色图像增强新算法。利用非线性sigmoid传输函数多尺度增强亮度分量,并进行局部对比度增强后获得亮度增益曲面,最后利用亮度增益曲面对原彩色图像RGB三颜色分量同比增强,保证了色调恒定不失真。几种算法实验结果的比较和分析。表明,这种算法是有效的。     

基于视觉的多特征手势识别

手势是一种自然直观的交互方式,基于视觉的手势识别是实现新一代人机交互的关键技术。本文在已有的手势识别技术基础上,从手势分割及手势表示两方面着手,提出了一种单目视觉下的手势识别方法。利用颜色特征检测肤色区域,成功分割出人手;利用人手的轮廓及凸缺陷检测指尖,再利用指尖的数目和方位来表示一个手势,进而结合轮廓长度和面积等几何特征完成手势识别。传统的指尖检测方法需要遍历并扫描手掌外轮廓,计算量大,本文通过凸缺陷检测指尖,减少了计算量,提高了指尖检测的速度。实验结果表明,本文的方法具有很好的鲁棒性及实时性,能适应环境的变化。     

脑血肿CT图像分割的改进快速行进方法

为解决脑血肿CT图像的手动分割和半自动分割方法在手术计划制定过程中存在分割速度无法满足临床时间要求的问题,对快速行进(fast marching,FM)方法进行改进,提出一种三维全自动脑血肿CT图像分割方法。利用阈值处理自动获取种子点集,解决手动设置种子点的问题,实现全自动;提取感兴趣区域减少计算量;通过感兴趣区域金字塔的迭代分割进一步减少FM方法的演化计算量,使分割结果快速向边界收敛。实验结果表明,该方法能够自动、准确并高效地分割脑血肿CT图像。     

邻域均值检测的迭代加权中值滤波算法

针对现有滤波算法在噪声检测与去除上存在的相应缺陷,提出了邻域均值检测的迭代加权中值滤波算法,对噪声检测与去除方法分别进行改进。算法根据噪声的灰度特征进行噪声检测,再基于邻域像素的相关性,用邻域的均值作进一步的检测;运用基于高斯曲面的加权算子,以迭代的方式,用邻域中信号像素的加权中值对噪声进行去除。实验结果证明,相对于现有滤波算法,所提算法具有更好的去噪性能,在保持高信噪比的同时,能很好地保持图像的纹理结构。     

局部扩展的标签传播蚁群优化重叠社区发现*

社区发现是分析复杂网络重要的方法。为了提升社区发现算法速度和高精度命题,提出一种局部扩展标签传播算法与蚁群优化结合的重叠社区发现框架（ELPA-ACO）。首先利用局部扩展的标签传播社区发现算法快速获得蚁群初始信息素和位置,然后,结合网络中节点的拓扑结构、内部标签属性、历史信息和节点的传播相互影响力等因子改进蚂蚁转移概率,进一步提高划分精度。在未知网络和真实网络验证,ELPA-ACO算法可适应多种网络划分,无论是速度还是精度都有显著提高。     

实时目标检测算法YOLO的批再规范化处理

针对实时目标检测YOLO(You Look Only Once)算法中存在的检测精度低和网络模型训练速度慢等问题,结合批再规范化算法处理小批样本以及非独立同分布数据的优势,提出了在YOLO网络结构加入批再规范化处理的改进算法。该YOLO改进算法把卷积层经过卷积运算产生的特征图看作一个个神经元,然后对这些神经元进行规范化处理。同时,在网络结构中移除了Dropout,并增大了网络训练的学习率。实验结果表明,该改进算法相对于原YOLO算法具有更高的检测精度、更快的实时检测速度以及通过适当设置批样本大小可使网络模型在训练时间和硬件设备方面成本有一定的降低。     

基于双背景模型的改进Vibe运动目标检测算法

针对传统视觉背景提取法(Visual background extractor,Vibe)不能抑制鬼影和去除阴影干扰的问题,提出一种改进算法.缓存视频前K帧图像,利用随机抽样和改进均值法构建两个背景模型,分别用于前景检测和阴影去除;前景检测环节扩大样本的抽取范围,提高模型可靠度,抑制鬼影;替换虚假样本完成前景检测模型的更新;对所得感兴趣前景区域,结合灰度和LBP纹理特征信息消除阴影.实验结果表明,改进算法能有效抑制鬼影,消除阴影干扰,检测结果更加精确.