一种指纹图像预处理方法的研究

实现一套指纹图像预处理算法,主要包括指纹图像灰度归一化和均衡化、指纹图像分割、指纹图像的二值化、指纹图像增强、指纹图像细化。采用基于梯度的指纹图像分割方法,去除指纹图像中的无用信息,并使用连通域检测方法对分割后的指纹图像进行优化。引入基于动态阈值法的二值化算法,实现指纹图像的方向二值化。采用基于骨架提取技术的细化算法,完成指纹图像的细化处理。最后使用MATLAB8.2平台对该算法进行验证,在相同特征提取算法和匹配条件下,该算法的识别精度高于传统算法。     

基于多特征融合的电压致热型设备故障检测

大部分的电压致热型设备由于温升不明显,故障判断难度较大,并且红外图像受到背景复杂,尺寸多的影响,导致红外图像特征提取困难,另外,大多数现有的检测工作依靠人工判别,且存在判断分歧。目前,代替人工判别的研究中,许多只利用单一的特征来表征热图像中的故障特征。针对此类问题,笔者提出一种基于多特征融合的电压致热型设备故障提取方法。此方法将红外图像多故障目标检测算法和多特征融合算法相结合,建立动态决策准则。首先提取红外图像的三种典型特征,包括颜色、纹理和轮廓特征,继而通过融合算法(串行融合、并行融合和DCA)将三种不同属性的故障特征进行融合,充分地提取设备红外图像的故障特征,从而提高识别的准确性。验证表明,相对于某一低层特征故障提取,本研究的方法在电压致热型设备红外图像故障诊断特征提取方面,不仅保证时效性的同时,红外图像故障分类精确度得到了提高,分类更加可靠。     

基于移动端的嵌入式鸟类识别系统设计与开发

针对基于深度学习的识别方法对数据量要求较高、应用比较困难,对于鸟类数据有限的情况,本文开发一种基于深度学习的移动端嵌入式鸟类识别系统,利用单通道盲源分离对鸣声进行预处理,输入到迁移学习VGG-16模型进图像特征提取实现鸟类物种的分类。采用基于MFCC的双模态决策级特征并训练Mobilenet轻量化模型,将算法移植到Android客户端,以18种鸟类为研究对象进行测试,实验结果表明,该方法在识别准确率达到99%以上,软件推动了鸟类个体自动识别在鸟类调查和监测领域的广泛应用。     

基于深度学习和度量学习的行人再识别

跨摄像机行人因光照、视角、姿态的差异,会使其外观变化显著,给行人再识别的研究带来严峻挑战。文中提出基于深度学习和度量学习的行人再识别方法。首先采用手工特征和深度特征融合网络FFN提取行人图像特征,然后将核矩阵应用于KISSME距离度量学习中,获取更优的距离度量模型。在具有挑战的VIPeR和PRID450S两个公开数据集上进行仿真实验,实验结果表明所提出的行人再识别算法的有效性。     

柱面全景视频拼接算法

本文提出基于模板帧的柱面全景视频拼接方法,实现360°全景拼接。首先采集模板帧图像,对摄像头进行参数标定获得相机内参和畸变系数,再使用畸变矫正方法去除摄像头畸变带来的成像失真。然后对模板帧图像进行SURf特征提取并进行粗匹配,再用高效的匹配点筛选方法剔除误匹配的特征点。之后将特征点进行柱面投影,事先计算好多路视频帧图像两两之间的位置变换矩阵,用于后续视频帧图像融合。由于后续视频帧利用模板帧的摄像头内参和畸变系数、变换矩阵进行拼接融合,大幅提升了算法速度。另外,为了进一步提高算法速度以适应实时性需求,我们在图像柱面投影和融合时,采用CUDA平台进行GPU并行处理,对算法进行加速。最终实现速度可达30帧/秒的实时视频拼接。     

图像采集及处理的模块算法设计

本文给出了图像采集系统硬件设计、基于深度学习的高噪声图像去噪思路及与其相匹配的特征提取算法。图像采集系统中,选取SoC芯片,由图像传感器SONYIMX323、相机捕捉控制器、ARM9I2C控制器、神经网络加速器及控制器工作记忆内存组成。先配置图像传感器寄存器,再捕捉图像,最后用异步FIFO进行数据缓冲,将图像存入工作内存。     

融合多尺度特征的轻量级YOLOv7绝缘子缺陷检测算法

针对目前绝缘子缺陷检测算法检测精度与速度不平衡以及对小目标绝缘子缺陷检测效果不佳等问题，提出一种融合多尺度特征的轻量级YOLOv7绝缘子缺陷检测算法。以YOLOv7为基础框架，使用CA-GhostNet作为主干网络；将头部预测网络中的残差卷积替换为深度可分离卷积；在颈部网络设计Light-SPPCSPC特征提取模块；在特征金字塔部分将不同尺度的特征图融合。实验结果表明，所提算法实现了精度与速度的平衡，降低了绝缘子缺陷的漏检率。     

多车道复杂环境下前方车辆检测算法

为了解决智能车安全辅助驾驶系统中前方车辆目标的检测问题,提出了一种基于改进阴影多特征与深度网络学习的车辆检测算法。基于前方车辆与本车存在安全距离,选取道路图像底部几行作为候选道路背景并对其预处理排除干扰,通过差分得到车底阴影增强图像。利用自适应阈值法确定图像灰度分割阈值并对道路二值化图像进行形态学预处理。然后,利用最小外接矩形框选候选车辆目标,结合车底阴影几何位置特征、对称度特征进行滤波生成车辆假设。最后,基于局部二值模式纹理特征和深度学习方法验证车辆假设。实验结果表明:在复杂干扰的多车道环境中,算法可以有效地检测前方车辆目标。     

多传感器融合的火灾识别算法研究

针对传统火灾探测存在反应滞后,误报率高等问题,提出一种基于多传感器融合的火灾识别算法。采用运动和颜色检测提取可见光图像的疑似火灾区域,同时采用阈值分割提取红外图像的疑似火灾区域。将两者疑似火灾区域分别进行特征提取,再根据所获特征进行基于 SVM 的融合火灾识别,通过传感器检测实时的温度与烟雾浓度,从而实现可靠和快速的火灾识别。实验结果表明,该火灾识别算法在可接受的时间范围内准确率高且鲁棒性强。     

基于三维包络展开的车型识别

基于深度学习的车型识别方法大多采用车辆的二维正面图像作为深度神经网络的输入,但二维图像存在一定的透视形变,因此识别精度受到一定的限制。为了改进上述问题,提出了基于三维包络展开的深度学习车型识别方法。通过对车辆构建三维包络框,获得更加规范化、标准化的展开图像,并将其作为YOLO v3算法的输入,从而对两厢车和三厢车实现更准确的分类。实验结果表明,较之原始二维图像的深度学习检测算法,两厢车型分类准确率提升了8.74%,三厢车型分类准确率提升了7.49%,能够有效地实现车型再分类。