基于TBGC的航拍视频车辆检测算法

针对移动航拍视频中车辆检测准确度低的问题,提出一种基于三邻域点二值梯度轮廓(Three-neighbor-point Binary Gradient Contour,TBGC)特征的航拍车辆检测算法。对相邻帧图像进行SURF(speeded-up robust features)特征点提取匹配,利用角度判别剔除错误匹配点完成图像配准,采用帧间差分获得运动目标的候选区域。由于传统二值梯度轮廓(Binary Gradient Contours,BGC)特征忽略中心像素特性,提出基于3×3邻域相邻像素点量化操作的TBGC特征。提取候选区域的TBGC特征,并利用支持向量机(Support Vector Machine, SVM)完成最终的航拍视频车辆检测。实验中利用提出的TBGC特征在8个数据集上分别与BGC1、LBP、HOG特征进行对比实验,实验结果表明TBGC算法的检测率明显优于传统经典算法,平均检测率为93.09%,并且具有较好的鲁棒性。     

颜色特征模型在静态车辆检测中的应用

为了解决智能交通中的静态车辆检测准确率不高的问题,提出一种基于颜色特征的车辆目标检测方法.该方法首先根据Hough变换分割出路面感兴趣区域,利用颜色特征空间降维建立理想的颜色特征模型;其次,根据贝叶斯分类器进行路面与车辆的像素分类;最后,由最小割/最大流算法进行车辆目标分离.在实景采集交通视频图像后对文中提出方法和现存方法进行了对比评估.基于颜色特征的车辆目标检测方法对于静态车辆目标的检测准确率达到了63.05%,误检率降低至21.27%,漏检率降低至24.01%.与传统方法相比,该方法能更快、更准确地检测到目标.     

基于改进YOLOv3的航拍目标实时检测方法

对于航拍图像中的小型目标,YOLOv3算法模型对其识别精准度低,在目标被遮挡或目标较密集时存在漏检现象。针对上述问题提出了一种基于改进YOLOv3的航拍目标实时检测方法,该方法加入104×104特征分辨率的检测模块并删减了13×13特征分辨率的检测模块,同时增加了浅层网络的层数,用于提取更加细微的像素特征;在训练阶段针对DOTA-v1.0航拍数据集使用K-means++聚类得到9个先验框进行检测,用于提升整体网络的训练速度。实验结果表明:改进后的YOLOv3检测算法的检出率提升了15.0%,mAP-50提升了10.5%。     

基于尺度配准的航拍图像与卫星影像匹配方法

随着无人机航拍技术的普及,航拍图像在目标检测和跟踪的应用得到普遍研究,而航拍图像与卫星影像的匹配研究相对较少。由于成像机理和成像视角的不同,无人机航拍图像与卫星影像存在较大的尺度差异,现有的图像匹配方法难以实现航拍图像与卫星影像的有效匹配。为了解决这一问题,提出了一种实现具有大尺度差异的航拍图像与卫星影像匹配的方法。该方法通过卫星影像的经纬坐标信息和无人机航拍图像成像时刻的相机位姿信息,对无人机航拍图像进行方向和尺度的配准;然后利用航拍图像成像时刻的位置信息,对卫星影像进行粗匹配,得到包含航拍图像匹配区域在内的卫星影像子图;再利用神经网络提取配准后的航拍图像与卫星影像子图的卷积神经网络（convolutional neural networks,CNN）特征,并基于CNN特征实现航拍图像与卫星影像的精匹配。仿真实验结果表明,本文所提方法能够有效的实现大尺度差异的航拍图像与卫星影像匹配。通过将本文匹配方法与现有图像匹配算法匹配精度的对比分析,证明了本文匹配算法的有效性和优越性。     

基于卷积神经网络的道路车辆检测方法

提出了一种基于卷积神经网络的前方车辆检测方法。首先,根据车底阴影特征,运用基于边缘增强的路面检测算法以及车底阴影自适应分割算法来分割并形成车底候选区域,以解决路面灰度分布不均及光照条件变化问题;其次,运用针对道路交通环境的卷积神经网络结构,建立图像样本库进行网络训练;在此基础上,采用基于卷积神经网络识别的方法以验证并剔除被误检测为车底阴影的候选区域,进而确定真正的车辆目标;最后,修改网络为三分类识别,以验证本文方法的强扩展性的优势。实验结果表明:本文提出的车辆检测方法能够很好地区分车底阴影和非车底阴影干扰,有效地提高车辆检测的准确率和可靠性,降低误检率。     

局部特征在航拍图像拼接中的应用

针对航拍图像的特点和难点, 提出了一种基于局部特征的航拍图像拼接方法, 以提高拼接的质量和速度. 该方法利用多分辨率技术和局部特征对航拍图像序列进行配准. 通过仿射变换模型将拼接问题转化为像素点空间坐标变换的过程. 采用渐入渐出的图像融合算法, 消除拼接痕迹, 实现了色彩和亮度的平滑过渡. 实验结果表明, 该方法对航拍图像序列和视频图像拼接效果良好, 具有较高的实用价值.     

基于多重分割捆绑特征的目标图像检索

针对基于目标的图像检索（OBIR）领域中,传统的视觉关键词方法忽略了局部特征之间的空间关系信息,导致检索准确度不高的问题,提出一种基于多重分割捆绑特征的目标图像检索方法.通过对图像进行多重分割,各分割区块用它所包含的尺度不变特征变换(SIFT)特征集合来描述,生成包含空间关系信息的捆绑特征;根据视觉关键词词库匹配捆绑特征,并提出一种改进的相似性度量方法计算捆绑特征相似度,再将该相似度作为权重融入到视觉关键词方法的向量空间模型中,计算图像相似度并进行排序.结果表明,该方法能够有效利用局部特征之间的空间关系信息,在保证检索效率的同时,显著提高检索准确度.     

双目立体视觉测距系统目标车辆检测算法研究

研究以高速公路为背景的双目立体视觉测距系统中目标车辆检测算法.提出一种基于统计理论的方法对图像进行二值化处理,根据图像的边缘特征,运用Sobel算子实现边缘增强,以获取精确的边缘信息.边缘提取后利用Hough变换检测车道边缘并确定日标车辆所在路面区域范围,在该范围内通过检测车辆底部的阴影确定车辆的位置.试验结果表明,该...     

基于非采样高斯差分金字塔的多尺度融合边缘检测

针对传统边缘检测算法抗噪性差、边缘连续度低、细节边缘冗余,对运动目标检测应用领域的适用性差等缺点,论文基于图像多尺度的思想,结合小尺度图像边缘信息准确,大尺度图像抗噪性强、边缘冗余度低的优点,提出一种基于非采样高斯差分金字塔的多尺度融合边缘检测算法。算法首先对图像进行非采样高斯金字塔分解得到多尺度图像,同时在分解过程实现基于高斯差分算子的边缘检测,得到多尺度边缘图像。最后采用多尺度图像边缘融合策略实现多尺度边缘融合。论文通过实验对算法的有效性进行验证：通过对边缘融合结果进行Abdou-Pratt品质因数分析,表明该算法抗噪性强,边缘定位准确;连续度分析结果表明该算法在降低边缘冗余度的同时保留了主要边缘,且边缘连续度较高;车辆检测实验结果表明基于该算法得到的车辆检测结果准确度较高。     

最小类内方差和区域生长相结合的图像分割法

针对视频车辆检测中,光照不均匀、对比度不强的多目标图像分割,提出了一种基于最小类内方差和区域生长相结合的快速阈值分割算法.首先对最小类内方差法进行改进,快速确定差分图像的最佳分割阈值,再用区域生长法分割得到目标.理论分析和实验结果表明,该分割算法不仅适用于简单的车辆图像分割,而且对于复杂的车辆图像也取得了较好的分割效果.该算法计算量小,分割精度有一定优势,有助于下一步的目标识别.     

基于多域特征的JPEG图像盲检测算法

为了提高图像信息隐藏盲检测的检测率,实现了一种从多个域提取统计特征的JPEG图像通用隐写分析算法.采用联合概率密度来计算离散余弦变换(DCT)系数间的相关性,将其扩展到小波域和空域,提取特征值;并使用同样的方法提取校准图像的特征值.二者的差值组成最终的特征向量训练分类器.对5种典型的JPEG隐写术,使用3种不同图像库进行了一系列的实验,结果表明：在嵌入率只有0.05 bpnc时,该算法检测率大于72%,与目前几种典型的通用隐写分析算法相比,具有更好的检测效果;特征约简能弱化高维特征向量间的相关性,提高分类精确度并大大节约分类时间,是通用隐写分析系统框架中一个重要的步骤.     

基于二维复数离散小波包变换的桥面裂缝检测

为了解决传统桥梁维护检测依靠检测人员进行现场测量,造成桥面检测效率低下且耗费巨大的问题,提出了一种基于二维复数离散小波包变换的桥面裂缝检测方法.采用无人机对桥面图像进行采集,并通过二维复数离散小波包变换来提取桥面裂痕特征.根据频域的角度范围设计了一维非分离滤波器计算小波变换需要的方向分量,并将该分量应用到通过2D-CWPT所获得的小波系数中,从而提取任意方向上的图像特征.采用提出的桥面裂缝检测方法对桥面裂缝进行检测,实验提取到了桥面裂纹的多方特征,验证了本方案的有效性.     

基于SIFT-LBP的图像检索优化算法研究

针对尺度不变特征变换(SIFT)算法在图像特征提取和检索中精度、实时性以及对光照条件变化描述较差的问题,提出了SIFT和局部二值模式(LBP)相结合的图像特征提取算法。采用旋转不变LBP算法统计关键点周围16×16区域的梯度信息并计算周围9×9区域的LBP值,以区域中每个像素点为中心构建图像的SIFT-LBP特征描述子。采用了基于遗传算法的特征选择方法,剔除了特征点的冗余信息,降低了特征向量维数。实验结果表明,SIFT-LBP算法具有良好的特征匹配效果,对光照条件的变化具有较强的鲁棒性,进一步提高了检索准确率和检索速度。     

基于改进Mask R-CNN的交通监控视频车辆检测算法

针对交通监控视频车辆检测常易受到遮挡导致目标车辆出现漏检或误检的问题,提出一种基于改进Mask R-CNN的交通监控视频车辆检测算法. 采用基于bottleneck结构的主干网络,提高主干网络提取特征的能力; 通过基于预测mask分数的掩码分支,融合目标的类别分数和掩码质量分数,提高车辆的掩码质量; 通过基于Arcface Loss的目标检测损失函数设计,提高不同特征之间的可判别性,提高目标的检测精度. 实验结果表明,改进的Mask R-CNN模型可更好地检测到被遮挡的车辆,目标车辆的检测精度超过Faster R-CNN、YOLO v3和Mask R-CNN模型,可解决目标车辆漏检或误检问题.     

一种放射组学分析的海马硬化自动诊断方法

为深入挖掘具有海马硬化病变表征能力的放射组学特征,提升海马硬化检测的精度,提出了一种结合放射组学分析的自动诊断方法,通过将放射组学特征与小波变换、高斯拉普拉斯算子滤波算法相结合,提取不同滤波图像中海马体感兴趣区域的放射组学特征并用于识别海马硬化,挖掘敏感度较高的放射组学特征。首先对受试样本的T1图像进行预处理和多种滤波处理,基于原始图像和滤波图像提取放射组学特征;然后依次使用双样本T检验、特征相关性分析法对放射组学特征降维;最后利用这些特征构建海马硬化的检测模型。实验结果显示,基于放射组学特征构建的海马硬化检测模型可以有效地辅助识别海马硬化病灶;用基于小波变换的方法提取放射组学特征能够使自动诊断模型的检测效果最优,在实际数据集上硬化海马的检出率可达到97.7%。     

基于改进MSCKF的无人机室内定位方法

针对无人机室内定位容易出现漂移的问题,提出基于改进多状态约束卡尔曼滤波器（MSCKF）的无人机（UAV）室内定位方法. 该方法在MSCKF的框架下,提出高鲁棒性、低时延的标志点检测方法. 利用在世界坐标系下坐标已知的标志点计算得到无人机位姿,实现惯性测量单元(IMU)信息与单目视觉信息融合以及无人机位姿修正. 对提出的定位方法进行测试. 测试结果表明,该方法的定位误差小于0.266 m,与OpenVins和LARVIO开源算法相比,定位精度提高了54.6%以上.     

Adaptive key SURF feature extraction and application in unmanned vehicle dynamic object recognition

A new method based on adaptive Hessian matrix threshold of finding key SRUF( speeded up robust features) features is proposed and is applied to an unmanned vehicle for its dynamic object recognition and guided navigation. First,the object recognition algorithm based on SURF feature matching for unmanned vehicle guided navigation is introduced. Then,the standard local invariant feature extraction algorithm SRUF is analyzed,the Hessian Metrix is especially discussed,and a method of adaptive Hessian threshold is proposed which is based on correct matching point pairs threshold feedback under a close loop frame. At last,different dynamic object recognition experiments under different weather light conditions are discussed. The experimental result shows that the key SURF feature abstract algorithm and the dynamic object recognition method can be used for unmanned vehicle systems.     

基于深度卷积神经网络的车型识别方法

针对现有车辆车型视觉识别技术中的检测精度不高、难以适应天气环境变化、难以从视频图像中准确提取出用于识别的车辆图像、难以对车辆车型子类进行识别分类、难以兼顾识别精度和检测效率等不足,将深度卷积神经网络引入车辆目标定位、识别和分类（子类）问题中.利用深度卷积神经网络自动完成车型的深度特征学习,在特征图上进行逻辑回归,从道路复杂背景中提取出感兴趣区域;利用softmax分类器训练特征实现车型识别;为了优化softmax在深度卷积神经网络分类过程中出现的类内间距大的问题,引入中心损失函数对softmax损失函数进行优化,提高类间分散性与类内紧密性.在BIT-Vehicle车型数据集中的实验结果显示,提出方法的平均精度为89.67%,检测和识别时间为159 ms;与传统的分类方法相比,识别精度提高约20%,效率提高10倍以上,检测鲁棒性有明显提升;与未改进前的深度卷积神经网络相比,检测精度提高0.6%,速度提高0.29倍.     

基于ELF静态结构特征的恶意软件检测方法

Linux平台的恶意软件检测方法目前研究较少,主要的分析手段和检测技术依然有很大的局限性。提出了一种基于ELF文件静态结构特征的恶意软件检测方法。通过对Linux平台ELF文件静态结构属性深入分析,提取在恶意软件和正常软件间具有很好区分度的属性,通过特征选择方法约减提取的特征,然后使用数据挖掘分类算法进行学习,使得能正确识别恶意软件和正常文件。实验结果显示,所使用分类算法能够以99.7%的准确率检测已知和未知的恶意软件,且检测时间较短,占用系统资源较少,可实际部署于反病毒软件中使用。     

基于本体特征的汽车领域命名实体识别

针对汽车领域命名实体识别中汽车属性名识别的准确率和召回率较低的问题,提出了一种基于本体特征的汽车领域命名实体识别方法。通过扩展现有叙词表,基于叙词表构建汽车领域本体,提取语料中的本体特征,利用CRFs模型对汽车领域命名实体进行识别。实验结果表明,本体特征能够有效地识别出汽车属性实体,准确率、召回率和F值分别为75.60%,66.12%和70.54%。