面向航拍图像中工程车辆检测与识别的改进胶囊网络

目的 利用无人机(unmanned aerial vehicle, UAV)巡检识别航拍图像中的工程车辆对于减少电力安全事故的发生具有重要意义。采用人工提取特征的经典模式识别方法或YOLOv5(you only look once v5)等深度学习算法识别无人机电力巡检航拍图像中的工程车辆,存在识别准确率低、模型参数规模大等问题。针对上述问题,提出一种改进的胶囊网络识别航拍图像中的工程车辆。方法 采用多层密集连接型方法改进原始胶囊网络结构,以提取图像中工程车辆更多的特征;改进了胶囊网络的动态路由方法,以提高胶囊网络的抗干扰能力;探索了网络层数和动态路由算法中关键参数对识别准确率的影响,以找到识别准确率最高时的参数。结果 实验结果表明：1)在所采用的算法模型中,本文方法的平均识别率(mean average precision, mAP)达到94.56%,明显高于其他方法。2)网络层数对识别准确率有很大影响,但二者之间并非单调线性关系。在本文的应用场景中,5层胶囊网络的识别准确率最高;此外,动态路由算法改进与否并不会影响识别准确率跟随网络层数的变化趋势。3)胶囊网络层数增加会降低识别效率...     

相似车型分类识别算法研究与仿真

研究车辆车型种类的分类识别问题,提高车型分类的准确率。针对汽车车体型号分类多是根据提取车辆的高度、宽度等几何特征作为对车体型号判定的依据,当不同型号的车辆高度、宽度等特征相差不大的时候,单纯依靠车辆几何特征进行分类的方法容易出现特征混淆,造成分类准确性不高。为了解决上述问题,提出了一种神经网络算法的车型识别算法。通过提取车型特征作为训练样本,经过BP神经网络训练,多层细分,得到车体型号准确特征,避免了仅对体积特征提取的弊端。实验证明,改进识别算法实现简单,识别准确率高,取得了满意的效果。     

基于深度学习的实时车辆检测研究

针对城市交通复杂场景下车辆检测存在准确率低的问题,提出改进SSD(单发多箱探测器)目标检测算法。首先基于轻量化的PeleeNet(一种基于密集卷积网络的轻量化网络变体)网络结构改进SSD算法中VGG16(视觉几何群网络)特征提取网络,在保证提取丰富特征的前提下,有效地减少模型参数,提高模型的实时性;其次设计了多尺度特征融合模块和底层特征增强模块,提高特征的表达性能;最后根据数据集中目标的大小调整默认框的长宽比例,并在后三个特征层的每个单元上增加默认框。实验结果表明,改进后的目标检测算法的准确率mAP(平均精度)为79.83%,与原始SSD相比提高了2.25%,并验证了改进SSD算法的有效性。     

基于长短期记忆的车辆行为动态识别网络

高级辅助驾驶装置采用机器视觉技术实时处理摄录的行车前方车辆视频，动态识别并预估其姿态和行为。针对该类识别算法精度低、延迟大的问题，提出一种基于长短期记忆（LSTM）的车辆行为动态识别深度学习算法。首先，提取车辆行为视频中的关键帧；其次，引入双卷积网络并行对关键帧的特征信息进行分析，再利用LSTM网络对提取出的特性信息进行序列建模；最后，通过输出的预测得分判断出车辆行为类别。实验结果表明，所提算法识别准确率可达95.6%，对于单个视频的识别时间只要1.72 s；基于自建数据集，改进的双卷积算法相比普通卷积网络在准确率上提高8.02%，与传统车辆行为识别算法相比准确率提高6.36%。     

基于改进Faster RCNN的城市道路货车检测

针对货车利用躲避摄像头等手段在城市道路中不按规定时间、规定线路行驶,使得车辆不能被准确识别的问题,提出基于改进Faster RCNN的城市道路货车检测方法.该方法以Faster RCNN为基础模型,通过对传入主干网络的车辆图片进行卷积和池化等操作来提取特征,其中增加特征金字塔网络(FPN)提升对多尺度目标检测的精度;同时将K-means聚类算法应用在数据集上以获取新的锚点框;利用RPN (region proposal network)生成建议框;并使用CIoU (complete-IoU)损失函数代替原算法的smoothL1损失函数以提升检测车辆的精确性.实验结果显示,改进后的Faster RCNN相比原算法对货车检测的平均精度(AP)提高7.2%,召回率(recall)提高6.1%,减少了漏检的可能,在不同场景下具有良好的检测效果.     

多目标小尺度车辆目标检测方法

车辆目标检测是智能交通系统中的重要环节,针对传统车辆目标检测方法效率低、小目标检测效果不好、漏检率高等问题,提出一种基于改进的YOLOv3网络车辆目标检测算法.为了提高车辆检测的效率,利用轻量化模型MobileNetv2代替原YOLOv3中的特征提取网络,使得网络计算量相比原算法有所降低.为了有效提高网络对小尺度车辆目标的检测能力,网络将由高到低不同尺度的特征层融合之后进行目标检测.为了得到更丰富的语义特征信息和提高网络预测能力,增加了特征增强模块.同时针对车辆目标检测的特定应用,利用K-means方法对锚框重新聚类以满足车辆目标检测的特定需求.结合以上改进获得车辆目标检测网络YOLOv3-M2,实验结果表明,与YOLOv3相比,改进方法平均检测准确率增加约9%, 时间减少约一半,能够同时提高检测效率和小目标检测能力.     

基于改进SSD算法对奶牛的个体识别

为了实现养殖场环境下无接触、高精度的奶牛个体有效识别,针对SSD（single shot multibox detector）算法识别准确率不高的问题,提出一种基于浅层特征模块的改进SSD（shallow feature module SSD,SFM-SSD）算法。将原始SSD算法的主干网络由VGG16替换为MobileNetV2,以降低网络的运算量,改善检测的实时性;针对SSD网络结构的浅层特征图设计浅层特征模块,扩大浅层特征图的感受视野,提高浅层特征图对目标物体的特征提取能力;利用[K]均值聚类算法重构区域候选框,提高算法的检测精度。实验结果表明：在奶牛个体识别任务中,SFM-SSD算法的平均准确率比原始的SSD算法提升3.13个百分点。同时检测的实时性也得到改善。     

基于YOLOX的车辆检测

车辆检测是智能交通系统重要的一个研究方向.针对监控视角下的车辆检测问题,提出了一种改进YOLOX算法的车辆检测方法.使用网络深度更小的YOLOX＿S模型,对网络结构改进.使用GHOST深度可分离卷积模块代替部分传统卷积,在保证模型检测精度的同时减少模型参数;将CBAM注意力模块融合到特征提取网络中,并添加特征增强结构,加强特征提取网络获得的特征图语义信息,增强提取网络对目标的检测能力;通过使用CIoU＿loss优化损失函数,提高模型边界框的定位精度.测试实验结果表明,改进后的网络识别准确率提升了2.01%,达到95.45%,证明了改进方法的可行性.     

改进多层尺度特征融合的目标检测算法

为提高小目标检测任务的准确率和稳定性,解决SSD(single shot MultiBox detector)算法在小目标识别和定位过程中准确率较低的问题,基于SSD算法提出一种改进方法.在原始的SSD卷积网络结构上进行修改和优化,通过特征图之间的特征融合,重构卷积预测特征图上的物体特征信息.考虑到网络复杂度增加带来的...     

基于拓扑的WSNs边界节点检测算法设计

无线传感器网络(WSNs)边界的检测是传感器应用的一个基础问题.针对降低通信量和提高边界节点检测的准确性2个方面考虑,设计了一种改进的边界节点检测(ABRSN-TM)算法,该算法采用网络纬度线取代最短路径树用于检测网络中的洞结构;当网络中洞的个数比较多时,采用构造多个环分别包围网络中的单洞;同时引入环上节点动态替换方法,把环转换为网络的边界,从而降低交换数据量,提高边界节点检测的准确性与时效性.实验验证了该算法在识别准确率、检测速度等指标上的有效性.     

QPSO算法的改进及其在DBN参数优化中应用

为了提升标准量子粒子群算法（Quantum Particle Swarm Optimization,QPSO）的收敛精度,提出了基于粒子势阱长度变化率的粒子平均最优位置权重计算方法,通过平均最优位置的调节,来提升粒子的寻优能力,并将改进后的QPSO算法应用于深度置信网络（Depth Belief Network,DBN）模型的学习率参数寻优中,以便找到最优的DBN模型参数,来提升DBN模型的识别准确率。将通过改进后QPSO算法进行参数寻优的DBN网络（LQ_DBN）应用于蛋黄形状检测中,与现有典型的DBN网络模型对比表明,LQ_DBN模型在蛋黄形状检测实验中的识别准确率比CC-PSO-DBN、PSO_MDBN和标准DBN模型都要高,且检测识别准确率的稳定性也是四种对比模型中最高的,表明基于改进的QPSO算法的DBN网络模型取得了较好的优化效果。     

一种改进的SSD网络车载图像检测方法

对行人和车辆的检测识别是无人驾驶领域的重要组成部分,为满足该领域对相关模型检测精确度的需求,以传统单发多框检测器(single shot multibox detector,SSD)为基础,提出了一种车载图像识别改进算法.鉴于传统SSD目标检测算法不能充分利用局部特征和全局语义特征、目标定位和识别存在矛盾等缺陷,提出了...     

基于时空关联度的视频车祸识别算法

为了从一大段车祸视频中快速获取车祸发生时的那一小段视频,从中准确识别车祸视频中车辆碰撞的局部信息,从而尽快通知相关部门采取营救措施,避免二次事故的发生,实现快速辅助救援,提出了时空结合的车祸识别方法。通过对车祸视频进行局部特征点的提取和描述,以及对车祸视频进行局部特征时空角点检测,从而实现对车祸视频进行时空特征的提取。经特征提取后可以获得车祸视频的3DSIFT、STIP和3DHOG三种特征,对这三种特征分别进行不同组合的串联融合,融合后可以得到5种串联结果,对其串联特征进行K-MEANS聚类和KNN识别,从而实现车祸视频的识别。实验结果表明,利用时空关联的算法进行识别,能够准确找到车祸发生的片段,可以提高车祸识别精度。对比传统算法所得到的33%识别率,基于时空关联度的视频车祸识别算法可提高车祸识别精度至62%。     

基于Fg-CarNet的车辆型号精细分类研究

车辆型号识别在智能交通系统、涉车刑侦案件侦破等方面具有十分重要的应用前景.针对车辆型号种类繁多、部分型号区分度小等带来的车辆型号精细分类困难的问题,采用车辆正脸图像为数据源,提出一种多分支多维度特征融合的卷积神经网络模型Fg-CarNet（Convolutional neural networks for car fine-grained classification,Fg-CarNet）.该模型根据车正脸图像特征分布特点,将其分为上下两部分并行进行特征提取,并对网络中间层产生的特征进行两个维度的融合,以提取有区分度的特征,提高特征表达能力,通过使用小卷积核以及全局均值池化,使在网络分类准确度提高的同时降低了网络模型参数大小.在CompCars数据集上进行验证,实验结果表明,Fg-CarNet提取的车辆特征在保证网络模型参数最小的同时,车辆型号识别率达到最高,实现了最好的分类效果.     

PSO-SVM理论在路面识别中的应用

道路的起伏度严重制约着汽车的行驶速度,也在一定程度上影响道路的交通安全。在路面的识别检测中,路面数据中的噪声点和野值点是困扰识别检测的一大难题。本文利用支持向量机理论对于路面数据中的噪声点和野值点具有敏感性的特点,提出一种改进的PSO-SVM识别算法,首先利用参数优化超平面方程,然后利用粒子群(PSO)算法优化支持向量机的核函数及其参数,最后进行路面的识别检测。实验结果表明,本文提出的算法对于路面起伏度的检测计算具有速度快,识别准确率高（可达到92%）的特点。     

区域建议网络的细粒度车型识别

目的 细粒度车型识别旨在通过任意角度及场景下的车辆外观图像识别出其生产厂家、品牌型号、年款等信息,在智慧交通、安防等领域具有重要意义。针对该问题,目前主流方法已由手工特征提取向卷积神经网络为代表的深度学习方法过渡。但该类方法仍存在弊端,首先是识别时须指定车辆的具体位置,其次是无法充分利用细粒度目标识别其视觉差异主要集中在关键的目标局部的特点。为解决这些问题,提出基于区域建议网络的细粒度识别方法,并成功应用于车型识别。方法 区域建议网络是一种全卷积神经网络,该方法首先通过卷积神经网络提取图像深层卷积特征,然后在卷积特征上滑窗产生区域候选,之后将区域候选的特征经分类层及回归层得到其为目标的概率及目标的位置,最后将这些区域候选通过目标检测网络获取其具体类别及目标的精确位置,并通过非极大值抑制算法得到最终识别结果。结果 该方法在斯坦福BMW-10数据集的识别准确率为76.38%,在斯坦福Cars-196数据集识别准确率为91.48%,不仅大幅领先于传统手工特征方法,也取得了与目前最优的方法相当的识别性能。该方法同时在真实自然场景中取得了优异的识别效果。结论 区域建议网络不仅为目标检测提供了目标的具体位置,而且提供了具有区分度的局部区域,为细粒度目标识别提供了一种新的思路。该方法克服了传统目标识别对于目标位置的依赖,并且能够实现一图多车等复杂场景下的车型细粒度识别,具有更好的鲁棒性及实用性。     

Haar-like特征双阈值Adaboost人脸检测

目的 针对基于Haar-like特征的Adaboost人脸检测算法,在应用于视频流时训练的时间较长,以及检测效率较低的问题,提出了一种基于区间阈值的Adaboost人脸检测算法。方法 通过运行传统的Adaboost算法对人脸图像Haar-like特征值进行提取分析后,对人脸样本与非人脸样本特征值进行比较,发现在某一特定的特征值区间内,人脸和非人脸区域能够得到准确区分,根据此特性,进行分类器的选择,在简化弱分类器计算步骤的同时,降低训练时间,提高对人脸的识别能力。除此之外,弱分类器的增强通过Adaboost算法的放大使得强分类器分类精度提高,与级联结构的配合使用也提升了最终模型检测人脸的准确率。结果 利用MIT（Massachusetts Institute of Technology）标准人脸库对改进Adaboost算法的性能进行验证,通过实验验证结果可知,改进后的Adaboost人脸检测算法训练速度提升为原来的1.44倍,检测率上升到94.93%,虚警率下降到6.03%。并且将改进算法在ORL（Olivetti Research Laboratory）、FERET（face recognition technology）以及CMU Multi-PIE（the CMU Multi-PIE face database）这3种标准人脸库中,分别与SVM（support vector machine）、DL（deep learning）、CNN（convolutional neural networks）以及肤色模型等4种算法进行了人脸检测对比实验,实验结果显示,改进后的Adaboost算法在进行人脸检测时,检测率提升了2.66%,训练所需时间减少至624.45 s,检测效果明显提升。结论 提出的基于区间阈值的Adaboost人脸检测算法,在分类器的训练和人脸检测方面都比传统的Adaboost算法性能更高,能够更好地满足人员较密集处（如球场等地）对多人脸同时检测的实际需求。     

一种改进的边界节点检测算法

无线传感器网络边界节点的检测是传感器应用的一个基础问题。针对降低通信量、提高边界节点检测的准确性两个方面考虑,设计一种改进的边界节点检测算法(AIBNDA),该算法采用竞争方法选取领导节点,利用空洞的大小计算纬度线的条数;当网络中空洞的个数比较多时,构造多个环分别包围网络中的空洞;采用环上节点动态替换方法,把环转换为网络的边界。实验验证了该算法在识别准确率、降低通信量等方面的有效性。     

一种基于车灯定位的夜间车牌识别研究

针对夜间的车牌识别,提出了一种基于车灯定位的识别多个车牌的流程方法。该方法首先利用车灯坐标来对图像中多个车牌区域进行定位,进而对局部区域利用边缘检测,形态学技术,使车牌成唯一存在多次跳变的区域,车牌定位之后又利用改进的模板匹配的算法,提高了误判率,从而提供了一套夜间多车牌识别的方法。试验结果表明,两辆车的车牌识别的准确率在95%以上,并能适应于夜间的不同环境。     

基于改进的Faster RCNN面部表情检测算法

针对真实环境下多目标表情分类识别算法准确率低的问题,提出一种基于改进的快速区域卷积神经网络(Faster RCNN)面部表情检测算法.该算法利用二阶检测网络实现表情识别中的多目标识别与定位,使用密集连接模块替代原始的特征提取模块,该模块能够融合多层次特征信息,增加网络深度并避免网络梯度消失.采用柔性非极大抑制(soft...