基于卷积神经网络的目标检测

为了完成视频图像中人体检测,将卷积神经网络和梯度算法结合.将YOLO网络模型结构以及算法函数进行了优化调整.为了保留视频时间信息,引入了卷积神经网络反馈时间维度.采用长短记忆卷积神经网络(LSTM)进行训练,通过将迭代过程的最优解保留,加快了梯度算法中的搜索速度,并且保证收敛于全局最优解.     

基于卷积神经网络和SVR的年龄估计

人脸图像年龄估计已经成为计算机视觉领域中一个重要的研究课题,具有广泛的应用价值。利用在IM?DB-WIKI年龄数据库上训练得到的卷积神经网络(CNN)提取特征,并利用主成分分析对特征进行降维,最后利用支持向量机回归的方法进行年龄估计。还讨论了对CNN不同层输出的特征进行融合的结果。在FGNET标准年龄数据库上对该算法进行了测试,实验结果表明,本文算法平均绝对误差较小,优于传统的年龄估计方法。     

基于卷积神经网络的水下目标声呐图像识别方法

水下目标识别是水下无人探测的一项核心技术,为提高水下自动目标识别准确率,提出基于卷积神经网络的目标声呐图像识别方法,针对声呐图像特点,设计了融合图像显著区域分割和金字塔池化的水下目标识别模型。基于流形排序显著性检测方法分割和裁剪图像,减小输入数据维度并减少图像背景对目标特征提取过程的干扰;通过堆叠卷积层和池化层,从原始声呐图像中自动学习目标的高层语义信息,避免人工提取图像特征对有效信息的破坏;提出采用空间金字塔池化方法提取特征图中的多尺度信息,弥补声呐图像细节信息少的缺陷,同时解决输入图像尺寸不一致的问题。结果表明,设计的卷积神经网络模型在实测声呐图像数据集上能够比常规卷积神经网络更准确、更快速地识别水下目标。     

特征金字塔多尺度全卷积目标检测算法

基于区域建议网络构建一种特征金字塔多尺度网络结构,并结合全卷积操作完成微小目标与类别无关目标的检测. 为了提升图像中微小目标的检测精度,构建基于侧链接融合的3层金字塔结构网络,充分利用语义级别比较低的图像卷积特征. 为了提高类别无关的图像目标检测鲁棒性,提出特定的非极大值抑制算法,在重叠目标过滤时消除冗余目标窗口,并对目标窗口进行位置精修. 在PASCAL VOC 2007、PASCAL VOC 2012以及古代绘画数据集上的实验结果表明：所提算法对于微小目标、多尺度目标检测及种类无关的目标检测的检测精度高于已有算法.     

基于计算机视觉的空瓶检测系统

为了利用数字图像处理技术实现空瓶缺陷的自动检测,对啤酒瓶缺陷的光学特征进行了分析,研究了检测过程中的图像获取、图像预处理、图像分割、缺陷识别、外围设备通信控制等关键技术,实现了一个适用于实验室环境的、基于计算机视觉的小型空瓶缺陷在线检测系统.实验结果表明,该系统可有效地检测出有缺陷或异物等不合格空瓶.     

轻量化卷积神经网络目标检测算法研究

为有效解决巡检机器人视觉神经网络在车间精准目标检测实时性相关问题。文中以YOLOv4检测算法为基础框架,通过分析机器人在车间巡检时影响检测速度和精度等主要因素,引入应用深度可分离卷积的MobileNetV3轻量化特征提取网络,利用改进LYOLO的损失函数,构建了一种轻量化网络目标检测算法。实验结果表明：LYOLO算法网络参数量降至44.74 MB,平均检测精度可达93.6%,单张图片检测耗时为0.01 s,对巡检时的综合检测定位及检测实时性均获得较大提升。     

基于全卷积神经网络的医疗图像弱边缘检测算法

针对目前存在的图像弱边缘检测算法容易忽略边缘计算中阈值的选取问题,且并未对数据进行聚类分析,导致检测效果不佳的问题,提出基于全卷积神经网络的复杂医疗图像弱边缘检测算法.首先,采用Mean-shift(均值偏移)对复杂医疗图像滤波处理,并对滤波后的图像进行灰度像素增强;其次,使用可自适应调节的动态阈值方法对图像边缘点和内...     

基于自适应混合高斯模型全方位视觉目标检测

针对全方位视觉传感器视野范围大的特点,提出一种基于自适应混合高斯模型的全方位视觉目标检测系统.该系统通过Hough变换检测全方位图像的中心,基于图像中心对全方位图像进行展开.对展开后的图像利用混合高斯模型进行背景建模,并自适应地更新背景模型,通过前景分割可以有效地分割出运动目标.在图像展开及混合高斯建模时,通过调整系统的采样频率可以较好地改善目标检测的实时性.实验结果表明,该系统可以在复杂环境中有效地检测运动目标,具有较强的准确性和鲁棒性.     

基于卷积神经网络的视觉闭环检测研究

闭环检测是视觉SLAM中很重要的一部分,成功地检测出闭环能减小定位算法所产生的累积里程漂移.鉴于深度卷积神经网络在分类问题上的优越表现,本文首次将应用于图像分类的vgg16-places365卷积神经网络模型应用于视觉SLAM闭环检测中,将配准数据输入训练好的该卷积神经网络,其各个隐藏层的输出对应于图像特征表示.然后通过实验比较选用匹配精度较高的中间层完成场景特征提取,通过计算场景特征的相似性得到闭环区域.最后在闭环检测数据集上进行实验测试.测试结果表明,相比于传统的闭环检测方法,vgg16-places365卷积神经网络模型在相同召回率条件下准确率要高约3%;对于特征提取时间,在CPU上要快约5~10倍,而在GPU上更是比传统人工设计特征的闭环检测快近100倍.     

基于SVM和GMM的视频运动对象分割算法

针对传统的高斯混合模型分割方法易受复杂背景影响, 且对前景对象的分割效果不理想的问题, 提出了一种将高斯混合模型与支持向量机分类器相结合的算法.该算法首先将视频图像由高斯混合模型做初步二值化分割, 同时将视频图像用训练后的支持向量机分类器进行像素分类, 获取对应的前景块和背景块;然后, 将支持向量机得到的分割模板和高斯混合模型分割的结果进行与运算, 得到最终分割结果.实验结果表明, 该算法显著减少了动态前景对象的分割错误, 提高了分割质量.     

基于计算机视觉的黄瓜病害识别方法研究

为解决黄瓜生长过程中出现的病害问题,提出一种基于计算机视觉的病害远程自动化识别方案,Android手机客户端完成图像采集和结果获取,PC服务器端实现病害的自动识别及信息反馈.采集黄瓜常见的霜霉病、白粉病、靶斑病3种病害各100幅图像,在服务器端进行预处理操作,之后提取病害颜色、形状和纹理3方面的12个特征数据,基于支持...     

基于卷积神经网络视觉融合的动态手势识别

为了提高多帧视频序列中动态手势的识别效果,结合计算机视觉分析,提出了基于卷积神经网络视觉融合的动态手势识别方法.采用模糊数据多频谱方法进行多帧视频序列中动态手势视觉图像采集,对采集的图像用Harris角点检测和多传感识别方法进行多模状态分层特征点标定,用卷积神经网络视觉融合方法提取多帧视频序列中动态手势动作的边界轮廓特征点信息,分析多帧视频序列中动态手势的层次化分割特征,用图像分割和边缘信息增强方法,提高动态手势图像的分辨能力,结合角点优化检测技术,用视觉动态跟踪分析实现对手势动作特征点的自动化标定,根据动态手势的帧点分布规则实现多帧视频序列中动态手势动作图像的自适应特征检测和识别.仿真结果表明,采用该方法进行多帧视频序列中动态手势识别的准确性较高、实时性较好.     

基于目标形状卷积神经网络在舰船分类中的应用

针对传统卷积神经网络采用通用卷积核提取目标特征造成更高的时间和空间开销的问题,提出一种适应目标几何形状的卷积核结构以替代通用卷积核,可使单个卷积核充分提取目标特征,简化目标提取过程,减少冗余计算。实验以网上收集的舰船可见光图像数据集为研究对象,实验结果表明:本方法在舰船目标识别任务中达到了99.7%的分类准确率,与目前通用的分类模型进行对比要高出约1%,训练速度是通用模型中收敛速度最快的模型的3倍。     

基于卷积神经网络的图像拼接篡改检测算法

为了进一步提高篡改检测率,提出了一种基于卷积神经网络(CNN)的图像篡改检测算法(SCNN)。虽然CNN能够直接从数据中学习分类特征,但是在其标准形式中,它倾向于学习与图像内容相关的特征。为了克服图像取证任务中的这一问题,提出了一种新的图像预处理层来共同抑制图像内容并自适应地学习特征。使用CASIA V2.0中75%的图像对SCNN进行训练和验证,并使用CASIA V2.0中的其余图像和哥伦比亚未压缩数据集中的所有图像进行测试。实验结果表明,本文SCNN框架明具有一定有效性及鲁棒性。     

基于更快区域卷积神经网络的多视角船舶识别

针对在复杂海洋环境下采集船舶多视角图像难度大、不同视角下船舶外观差异显著的问题,本文以自制的不同类型的多艘船舶的多视角图像为数据集训练更快区域卷积神经网络模型,利用平均F₁分数、平均精度和平均误检率作为评价指标评估更快区域卷积神经网络模型对不同视角船舶的识别性能,并通过识别不同船舶的F₁分数和误检率分析更快区域卷积神经网络对不同质量、背景图像的识别能力。实验结果表明,更快区域卷积神经网络识别多角度船舶的平均F₁分数为0.696 9,平均精度为92.88%,平均误检率为8.34%,即更快区域卷积神经网络对多视角船舶有较高的识别能力,但对于有雾或昏暗环境下的低像素图像识别能力明显下降。     

基于卷积神经网络的步态周期检测方法

针对步态周期检测直接影响到步态识别的计算量和精度的问题,本文基于深卷积神经网络实现步态周期检测,分别通过将步态序列根据周期性进行分类,和将步态序列拟合为正弦函数进行步态周期性检测的方法,对步态周期进行建模.其关键思想是根据步态周期的规律性,将步态起伏作为分类问题或一个正弦函数来建模,步态视频中的每个帧对应一个可以表示其...     

计算机视觉布料瑕疵检测方法综述

长久以来,布料的瑕疵检测工作一直由质检员完成,瑕疵判别过程受主观因素影响大,存在检测效率低、成本高等问题。随着计算机视觉技术的发展,基于视觉技术的布料瑕疵检测系统逐渐成为取代人工质检的重要解决方案。针对基于视觉技术的布料瑕疵检测,从行业发展情况、通用检测标准、系统整体结构、检测算法的关键技术等方面进行了综述,介绍了目前市面上已经存在的基于视觉技术的布料瑕疵检测产品,分析了目前常用的瑕疵检测标准与检测系统的基本结构,梳理并对比了近年来图像处理与深度学习技术在布料瑕疵检测领域的研究现状。最后,总结了各方面尚待解决的关键问题,并探讨了未来可能的发展方向。     

基于神经网络的计算机视觉

随着计算机视觉的应用和普及,其已经在多个领域得到广泛应用,取得了显著的成效.计算机视觉处理过程中也变得越来越复杂,传统的神经网络处理模型已经无法适应现代计算机视觉应用需求,本文引入了先进的自适应共振理论(Adaptive Resonance Theory,ART),形成一个拥有自我学习机制的视觉处理系统,该系统具有良好的自适应性、自组织性和泛化能力.