无人机影像单目标跟踪综述

随着无人机产业的发展,航拍影像数据急剧增多,航拍影像的智能化分析与处理已成为新的研究热点.目标跟踪作为其中的核心技术之一,可为后续影像内容解译及各种实际应用提供基础性的支撑.受到应用场景复杂、目标尺度复杂多变、姿态变化剧烈、相似目标干扰等各种复杂因素的影响,无人机影像目标跟踪面临着诸多的技术挑战.因此,总结了近年来无人机影像单目标跟踪技术的研究进展,包括基于相关滤波的目标跟踪方法、基于深度学习的目标跟踪方法、基于相关滤波与深度学习结合的目标跟踪方法等,介绍了无人机影像公开数据集,以及跟踪性能的评价指标,并对典型的单目标跟踪方法进行了性能评测与分析.最后,对未来无人机影像目标跟踪技术的发展态势进行了总结与展望.     

一种低冗余Dense SIFT特征提取方法

特征提取是图像分类的关键部分之一.现有的Dense SIFT特征采用固定网格和步长以从上到下、从左到右的重叠方式提取特征,如果图像分辨率过大,将会导致提取的图像特征数量非常大,并且引入大量的冗余信息.为此,提出了一种低冗余Dense SIFT特征提取方法.该方法首先对图像进行预处理,实现对图像的紧凑表示;然后,利用数据中心化思想和(l)0范数去除冗余的Dense SIFT特征点,节约特征存储所需的空间,降低后续处理的计算复杂度;最后,将低冗余Dense SIFT特征提取方法应用于图像分类,提出了一种图像分类方案.实验结果表明,采用所提出的Dense SIFT特征提取方法,在减少特征点数量的同时,可以提升特征的区分能力.     

综合GAN与CNN的应急疏散快速风险评估方法

针对大型公共场馆疏散风险评估问题,提出一种综合生成对抗网络(GAN)与卷积神经网络(CNN)的应急疏散深度学习评估模型,通过WGAN(Wasserstein GAN)进行数据增强,解决疏散数据不足的问题,并基于CNN,分别采用LeNet以及ResNet两种网络结构进行数据训练.以某大型体育馆为例,应用该方法进行疏散风险...     

基于神经网络的公共建筑应急疏散风险评估方法

公共建筑空间大、人员密集、水平疏散距离长,在应急情景下的疏散本身存在一定的风险,提出了一种基于深度神经网络(DNN)的应急疏散风险评估方法.给出了DNN预测模型的建立方法,并以某高校体育馆为案例,说明了模型数据获取、模型训练,及模型测试的整个评估过程.结果表明,相较于传统评估方法,该深度学习方法克服了主观性强、对以人为...     

行人再识别技术综述

行人再识别指的是判断不同摄像头下出现的行人是否属于同一行人, 可以看作是图像检索的子问题, 可以广泛应用于智能视频监控、安保、刑侦等领域.由于行人图像的分辨率变化大、拍摄角度不统一、光照条件差、环境变化大、行人姿态不断变化等原因, 使得行人再识别成为目前计算机视觉领域一个既具有研究价值又极具挑战性的研究热点和难点问题.早期的行人再识别方法大多基于人工设计特征, 在小规模数据集上开展研究.近年来, 大规模行人再识别数据集不断推出, 以及深度学习技术的迅猛发展, 为行人再识别技术的发展带来了新的契机.本文对行人再识别的发展历史、研究现状以及典型方法进行梳理和总结.首先阐述了行人再识别的基本研究框架, 然后分别针对行人再识别的两个关键技术(特征表达和相似性度量), 进行了归纳总结, 重点介绍了目前发展迅猛的深度学习技术在行人再识别中的应用.另外, 本文对行人再识别中代表性的数据集以及在各个数据集上可以取得优异性能的方法进行了分析和比较.最后对行人再识别技术的未来发展趋势进行了展望.     

基于深度学习的图像超分辨率复原研究进展

图像超分辨率复原（Super resolution restoration,SR）技术是图像处理领域的研究热点,在视频监控、图像处理、刑侦分析等领域具有广泛的应用需求.近年来,深度学习在多媒体处理领域迅猛发展,基于深度学习的图像超分辨率复原技术已逐渐成为主流技术.本文主要对现有基于深度学习的图像超分辨率复原工作进行综述.从网络类型、网络结构、训练方法等方面分析现有技术的优势与不足,对其发展脉络进行梳理.在此基础上,本文进一步指出了基于深度学习的图像超分辨率复原技术的未来发展方向.     

基于TMS320DM6467的监控视频去雾算法实现

有雾天气情况下拍摄的视频成像质量退化严重,极大地影响了安防监控、视觉导航等系统的整体性能.面向DSP嵌入式平台,提出一种实时监控视频去雾系统实现方案.首先在暗通道先验单幅图像去雾的基础上,提出了一种监控视频去雾算法;其次,基于TMS320DM6467处理器的硬件资源,对视频格式转换、除法运算、透射率计算、数据搬移等环节进行代码优化,最终在硬件平台上实现了整体系统.实测结果表明,对于D1格式的视频,在兼顾去雾质量的同时,达到了实时处理要求.     

车辆识别技术综述

车辆识别是智能交通系统的重要组成部分,也是交通管控、无人驾驶、疑犯追踪、行为分析等其他智能任务的基础.首先对车辆识别研究中存在的困难与挑战进行了阐述,在此基础上详细综述了基于浅层学习和深度学习的车辆识别前沿技术研究进展,最后进行了总结与分析,探讨了车辆识别领域目前仍需解决的问题和未来的研究方向.     

全景视频QoE评价研究进展

随着5G移动通信技术、高性能计算、传感技术的不断进步,全景视频受到了越来越多的关注。全景视频通过头戴显示设备,可以为用户提供远超于平面视频的逼真的立体视觉感知,具有良好的发展前景。为用户提供良好的体验质量（Quality of Experience,QoE）是视频服务提供商吸引和留住用户,在激烈的市场竞争中取得成功的关键。与平面视频相比,全景视频的数据量倍增,对视频数据的采集、编码、传输和存储均提出了更高的要求。因此,如何在网络传输带宽、存储资源有限的情况下,保证用户的QoE就成为工业界和学术界共同关注的研究热点问题。本文对全景视频QoE评价进行了综述,首先对全景视频在采集、拼接、投影、编码、传输、解码、反投影、渲染等各个环节可能存在的失真进行分析,总结归纳了用户QoE的各种影响因素,如人的因素、系统因素、情境上下文和视频内容特性等;在此基础上,从影响因素和建模方法等多个方面归纳了全景视频QoE评价模型的研究进展,及其在码率自适应、资源优化分配和码率控制等方面的应用情况;最后,介绍了具有代表性的全景视频QoE评价数据集以及常见的QoE模型性能评价准则,并探讨了QoE评价模型目前存在的问题和未来的研究方向。