基于Radon和解析Fourier-Mellin变换的篡改图像盲检测算法

复制粘贴（Copy-Move）是一种极为常见的图像篡改方式。为了快速有效地检测图像经过旋转、缩放等操作后的篡改图像,本文提出了一种基于Radon和解析Fourier-Mellin变换的篡改图像盲检测方法。文章首先对图像进行分块,之后将图像块进行Radon和解析Fourier-Mellin变换,并提取计算变换结果后的矩特征值,最后计算矩特征值的相关性。本文算法不需要对灰度图像进行二值化与归一化处理,而是直接从图形的Radon变换与Fourier-Mellin变换的结果中提取不变特征,理论分析与实验结果表明,本文提出算法的检测结果优于基于正交矩的检测方法,而且对均值为0的白噪声的鲁棒性显著高于基于正交矩的检测方法。      

基于SSD的实时轻量级无人机检测算法

针对当前无人机检测算法普遍不能做到快速准确检测的问题,提出了一种基于SSD的改进实时轻量级无人机检测算法--TSSD。首先,针对SSD算法的骨干网络权重参数量大的问题,改进得到一种轻量级的骨干网络。其次,针对SSD只利用多层特征图进行多尺度预测,而特征之间的联系没有被很好地融合利用,加入了一种特征增强模块来提高检测能力。在自建无人机数据集中进行的实验结果表明,提出的算法检测速度达到125f/s,远高于原始SSD的检测速度,且准确率比原始SSD也有所提升。     

基于多尺度信息融合的SAR图像建筑物提取

根据高分辨力合成孔径雷达(SAR)图像中建筑物的特性,提出了一种基于多尺度信息融合的建筑物提取方法。以非下采样轮廓波变换(NSCT)为多尺度分析框架,通过融合基于NSCT低频子带的多尺度区域分析结果提取潜在建筑物区域;同时,融合基于NSCT高频信息的边缘检测结果与均值比算子结果提取边缘结构信息;在此基础上,结合区域与边缘结构信息对虚警进行滤除,对漏检建筑物进行补充,完成建筑物提取。实验结果显示：该方法优于基于多特征融合的建筑物检测算法,在实验所用图像上的平均查全率达到94%,表明文中方法的有效性。     

基于视觉显著性的海面舰船检测技术

海面舰船检测技术有着特殊的军用以及民用意义,为了在宽广且环境复杂多变的海面上快速、高效、精确地检测到舰船目标,本文提出了一种基于多特征、多尺度视觉显著性的海面舰船检测方法.该方法充分利用了四元数图像可在多个通道上同时进行操作,节省操作时间,并保证不同尺度特征之间关联性的特点;除此之外,该方法还利用人眼对不用大小的图像关注目标不同的特点对图像进行尺度大小变换以避免漏检.该方法先用顶帽算法对原图进行简单的图像预处理以抑制云层、油污的干扰;其次提取多种特征构成四元数图像进行舰船目标显著性检测;在得到显著图后利用OTSU分割算法确定舰船所在的区域,并在原图上标定、提取舰船目标.通过在多种海面情况下分别进行实验分析,实验结果表明该算法可以排除云、雾、油污等干扰,精确、快速地检测到舰船目标,真正率达96.52%,虚警率低至2.11%,相较于他显著性检测算法在舰船检测方面有明显的优势.     

基于分块CNN的多尺度SAR图像目标分类算法

针对合成孔径雷达（Synthetic Aperture Radar, SAR）图像目标分辨率差异大,多尺度SAR图像目标分类准确率不高的问题,提出了一种基于迁移学习和分块卷积神经网络（Convolutional Neural Network, CNN）的SAR图像目标分类算法。首先通过大量与目标域相近的源域数据对分块CNN的参数进行训练,得到不同尺度下的CNN特征提取网络;其次将CNN的卷积和池化层迁移到新的网络结构中,实现目标特征的提取;最后用超限学习机（Extreme Learning Machine, ELM）网络对提取的特征进行分类。实验数据采用美国MSTAR数据库以及多尺度SAR图像舰船目标数据集,实验结果表明,该方法对多尺度SAR图像的分类效果优于传统CNN。     

基于多尺度策略的三步虹膜定位算法研究

为了解决虹膜识别技术中有效、快速地定位虹膜图像,针对传统虹膜定位算法的局限性,提出了一种快速多尺度虹膜定位算法.该算法根据瞳孔、虹膜和巩膜的区域特征,应用多尺度策略,实现了瞳孔、虹膜和眼睑三部分的边缘定位.在相同的实验条件下,对不同个体的虹膜图像进行仿真实验,结果表明,本文算法较传统的边缘检测与Hough变换方法节省了定位时间,增强了定位的稳定性,减少了传统虹膜定位算法中的搜索盲目性.     

模态自适应的红外与可见光图像融合

为解决低照度和烟雾等恶劣环境条件下融合图像目标对比度低、噪声较大的问题,提出一种模态自适应的红外与可见光图像融合方法(mode adaptive fusion,MAFusion).首先,在生成器中将红外图像与可见光图像输入自适应加权模块,通过双流交互学习二者差异,得到两种模态对图像融合任务的不同贡献比重;然后,根据各模...     

Wavelet-based acoustic detection of moving vehicles

We propose a robust algorithm to detect the arrival of a vehicle of arbitrary type when other noises are present. It is done via analysis of its acoustic signature against an existing database of recorded and processed acoustic signals to detect the arrival of a vehicle of arbitrary type when other noises are present. To achieve it with minimum number of false alarms, we combine a construction of a training database of acoustic signatures signals emitted by vehicles using the distribution of the energies among blocks of wavelet packet coefficients with a procedure of random search for a near-optimal footprint. The number of false alarms in the detection is minimized even under severe conditions such as: the signals emitted by vehicles of different types differ from each other, whereas the set of non-vehicle recordings (the training database) contains signals emitted by planes, helicopters, wind, speech, steps, etc. The proposed algorithm is robust even when the tested conditions are completely different from the conditions where the training signals were recorded. The proposed technique has many algorithmic variations. For example, it can be used to distinguish among different types of vehicles. The proposed algorithm is a generic solution for process control that is based on a learning phase (training) followed by an automatic real-time detection.

Vehicle detection using normalized color and edge map.

This paper presents a novel vehicle detection approach for detecting vehicles from static images using color and edges. Different from traditional methods, which use motion features to detect vehicles, this method introduces a new color transform model to find important "vehicle color" for quickly locating possible vehicle candidates. Since vehicles have various colors under different weather and lighting conditions, seldom works were proposed for the detection of vehicles using colors. The proposed new color transform model has excellent capabilities to identify vehicle pixels from background, even though the pixels are lighted under varying illuminations. After finding possible vehicle candidates, three important features, including corners, edge maps, and coefficients of wavelet transforms, are used for constructing a cascade multichannel classifier. According to this classifier, an effective scanning can be performed to verify all possible candidates quickly. The scanning process can be quickly achieved because most background pixels are eliminated in advance by the color feature. Experimental results show that the integration of global color features and local edge features is powerful in the detection of vehicles. The average accuracy rate of vehicle detection is 94.9%.     

一种双边核函数的新Harris角点检测算法

针对目前Harris算法存在的对噪声敏感和检测率不高的不足,提出一种双边核函数的新Harris角点检测算法.算法首先采用双边滤波器来代替原有的高斯低通滤波器,来增强算法的鲁棒性;接着采用多尺度分解来建立真实角点和伪角点的分割阈值.实验结果表明,提出的算法能精确地检测图像角点.     

基于级联神经网络的人脸检测方法的研究

提出一处基于颜色信息与多级神经网络的人脸检测方法,通过把基于不同颜色分量的多级神经网络级联起来,采用彩色图像的亮度分量和色度分量作为级联神经网络的分类特征,从而有效提高了人脸检测的正确率,同时也加快了人脸检测速度。     

一种基于特征分类的液体内杂质检测方法

在酒类产品的杂质检测过程中,不可避免地会产生气泡,而当前的杂质检测算法并不能有效消除气泡对检测的影响,尤其是在大量气泡存在的情况下。针对此问题,提出了一种基于特征分类的液体内杂质检测方法,通过提取目标的细微特征来区分杂质和气泡,算法通过双边滤波来预处理图像,改进了多尺度小波变换边缘检测算法,并用其来检测目标边缘,最后通过特征分类的方法来判定杂质。实验结果表明,该方法能有效消除噪声和气泡对检测的干扰,杂质检测的准确率达到了95%。     

基于视觉注意机制的UWB SAR叶簇隐蔽目标变化检测

在超宽带合成孔径雷达叶簇隐蔽目标检测中,传统的UWB SAR图像变化检测方法易受图像灰度值起伏和成像条件变化的影响,致使现有的变化检测算法的性能下降.本文根据人类视觉系统的生理结构和认知特点,提出了一种基于视觉注意机制的叶簇隐蔽目标变化检测算法.该方法使用视觉注意模型,将图像的多尺度特征信息融合为单幅视觉显著图像,并利用图像局部邻域信息和目标的空间相关特性对视觉显著图中视觉注意焦点进行分层筛选和变化检测.实验结果表明:本文中基于视觉注意机制的变化检测方法可以有效检测多时相UWB SAR图像中的叶簇隐蔽目标,较之传统的基于统计原理的变化检测方法,其检测速度更快,且对场景复杂的UWB SAR图像亦具有鲁棒性.     

基于多尺度重叠滑动池化的SSD果冻杂质检测方法

提出一种基于SSD的杂质检测方法,用于检测生产线中果冻内部的杂质,并标注出杂质的类型和位置。在预处理阶段,提出滑动图像块分割方法,将整张果冻图像分割成若干图像块,避免杂质占比过小,造成准确率低的现象。使用迁移学习的方法,将神经网络在ImageNet数据库上学习到的特征迁移到果冻数据库中,加快网络收敛速度,同时,在一定程度上避免了过拟合现象。提出多尺度重叠滑动池化(SOSP)方法,取代第五层池化以取得更加鲁棒的特征池化。最后,将一幅图下的所有分割块上的检测结果进行整合,得到整张图像的检测结果。实验结果表明,本文提出的方法有效可行,对多种缺陷平均准确率达到0.7271。相比其他方法,本文的算法更具鲁棒性,可应用到果冻生产线中。      

一种利用SAR和可见光图像融合检测目标的方法

本文利用军事目标在SAR图像中具有较大的雷达散射截面,后向散射强以及在可见光图像中几何外形清晰的特点,提出一种利用SAR图像和可见光图像多维特征检测目标的方法。该方法分为图像预处理,目标检测和融合检测三部分。首先,利用基于特征匹配的方法对多传感器图像进行配准。其次,利用全局双参数恒虚警(CFAR)方法检测SAR图像中的目标,经过滤波处理后,确定感兴趣区域(Region Of Interesting,ROI)并提取目标的SAR图像特征;将ROI映射到可见光图像中,对该区域进行边缘检测、滤波、连通性分析、提取目标的可见光图像特征。最后,在特征层利用特征向量距离准则融合检测目标。实验结果表明该方法性能优于单传感器检测方法,且能有效的改进目标检测性能。      

基于多残差学习与注意力融合的中值滤波检测

针对小尺寸JPEG压缩图像携带有效信息较少、中值滤波痕迹不明显的问题,提出一种基于多残差学习与注意力融合的图像中值滤波检测算法。该算法将多个高通滤波器与注意力模块相结合,获取带权值的多残差特征图作为特征提取层的输入,特征提取层采用分组卷积形式,对输入的多残差特征图进行多尺度特征提取,融合不同尺度的特征信息,同时采用密集连接方式,每一层卷积的输入来自前面所有卷积层的输出和。实验结果表明,针对小尺寸JPEG压缩图像的中值滤波检测,本文算法比现有算法具有更高的检测精度,且能更有效地检测与定位局部篡改区域。     

基于深度多级小波变换的图像盲去模糊算法

近年来卷积神经网络广泛应用于单幅图像去模糊问题,卷积神经网络的感受野大小、网络深度等会影响图像去模糊算法性能。为了增大感受野以提高图像去模糊算法的性能,该文提出一种基于深度多级小波变换的图像盲去模糊算法。将小波变换嵌入编-解码结构中,在增大感受野的同时加强图像特征的稀疏性。为在小波域重构高质量图像,该文利用多尺度扩张稠密块提取图像的多尺度信息,同时引入特征融合块以自适应地融合编-解码之间的特征。此外,由于小波域和空间域对图像信息的表示存在差异,为融合这些不同的特征表示,该文利用空间域重建模块在空间域进一步提高重构图像的质量。实验结果表明该文方法在结构相似度(SSIM)和峰值信噪比(PSNR)上具有更好的性能,而且在真实模糊图像上具有更好的视觉效果。     

基于车头灯对的夜间车辆检测

基于车头灯对的夜间车辆检测是智能视频监控系统的一个关键技术.夜间车辆检测的难点在于光照条件差的情况下有效信息提取困难,而夜间亮度条件差却又使得车头灯部件形成明显的亮块,因此夜间车辆检测算法中可选取车头灯对作为车辆目标的部件特征.通过获取到视频图像的逆投影图,以及逆投影图中车头灯亮块的几何形状特征,与现实中车辆车头灯几何特征一致,并利用几何特征完成夜间车辆车头灯部件的检测,最终给出车辆检测结果.     

雾霾环境下基于PLATE-YOLO的车牌检测方法

针对目前车牌识别领域中，雾霾环境下车牌检测准确率低的问题，本文提出一种基于深度学习的抗雾霾车牌检测方法，该方法能够检测民用车牌和机场民航车辆车牌。该方法首先利用一种基于卷积神经网络的去雾算法对车牌图片进行去雾预处理，然后将处理过的无雾霾图片送入PLATE-YOLO网络中检测车牌的位置。该PLATE-YOLO网络是本文针对车牌检测的特点，对YOLOv3网络做了修改后得到的适用于车牌检测的网络。主要改进点有两处:第一，提出了一种基于层次聚类算法的锚盒(anchor box)个数和初始簇中心的计算方法；第二，针对车牌目标较大的特点，对网络的多尺度特征融合做了优化。优化后的PLATE-YOLO网络更适合于车牌检测，且提高了检测速度。实验证明，PLATE-YOLO网络检测车牌的速度较YOLOv3提高了5 FPS；在雾霾环境下，经去雾预处理的 PLATE-YOLO车牌检测方法比未经去雾处理的车牌检测方法准确率提高了9.2%。      

基于多融合多尺度特征的高光谱图像分类研究

针对高光谱图像(HSI)波段之间的冗余性给高光谱图像分类结果产生的不利影响,研究基于多融合多尺度特征的高光谱图像分类方法。将采用于主成分分析降维处理的HSI数据作为多尺度特征多融合残差网络输入,利用多尺度特征多融合残差块提取HSI中的光谱特征和空间特征,并组成若干组光谱-空间特征;采用支持向量机展开分类处理,获取各光谱-空间特征的概率输出结果和权重,建立多特征加权概率融合模型,利用最大后验概率获取高光谱图像分类结果。实验结果表明:光谱-空间多尺度特征融合残差块数量为2+2模式、空间输入尺寸大小为9×9,可获取最佳多尺度特征融合残差网络;所提方法抗噪能力较好,可较好体现地物细节信息;且具备较高的高光谱图像分类精度。