融合视觉感知特性的场景分类算法

目的 目前对于场景分类问题,由于其内部结构的多样性和复杂性,以及光照和拍摄角度的影响,现有算法大多通过单纯提取特征进行建模,并没有考虑场景图像中事物之间的相互关联,因此,仍然不能达到一个理想的分类效果。本文针对场景分类中存在的重点和难点问题,充分考虑人眼的视觉感知特性,利用显著性检测,并结合传统的视觉词袋模型,提出了一种融合视觉感知特性的场景分类算法。方法 首先,对图像进行多尺度分解,并提取各尺度下的图像特征,接着,检测各尺度下图像的视觉显著区域,最后,将显著区域信息与多尺度特征进行有机融合,构成多尺度融合窗选加权SIFT特征（WSSIFT）,对场景进行分类。结果 为了验证本文算法的有效性,该算法在3个标准数据集SE、LS以及IS上进行测试,并与不同方法进行比较,分类准确率提高了约3%~17%。结论 本文提出的融合视觉感知特性的场景分类算法,有效地改善了单纯特征描述的局限性,并提高了图像的整体表达。实验结果表明,该算法对于多个数据集都具有较好的分类效果,适用于场景分析、理解、分类等机器视觉领域。     

基于遥感分类与数学形态学的道路信息提取

利用遥感图像获得完整道路信息网一直是信息提取的热点和难点,研究了结合遥感分类和数学形态学提取道路,以期获得满意的结果。遥感分类能有效区分人工地物与自然地物,因此能避免自然地物对提取的影响;数学形态学中的腐蚀和膨胀算子对地物边缘很敏感,一直是边缘信息提取的主要方法。实验表明该思路能快速有效提取道路信息。     

基于场景匹配与可重构技术的自适应道路检测

车辆视觉辅助导航系统要求具有很高的鲁棒性和实时性。而视觉处理系统中,单一算法很难克服环境变化产生的影响,做到各种道路环境下的最优。针对目前这一研究难点,提出了基于道路场景匹配和硬件可重构技术的自适应道路检测方法。该方法基于道路场景分类来实现算法与道路场景的最佳匹配,利用可重构硬件来实现硬件算法功能的实时自适应重构,由此实现车辆视觉辅助导航自适应道路检测。实验结果表明:该方法具有检测性能好、鲁棒性强、实时性高的优点,检测正确率达到了90.17%,较好地解决了检测系统自适应性与实时性之间的矛盾。     

基于感知网络的无人驾驶场景识别

针对目标检测实时性要求,从检测原理与算法结构的角度设计了基于一阶段目标检测的交通场景感知网络,同时针对小物体检测问题,借鉴了SSD网络的多分支特征提取结构,设计了一套SSD_DCN_RFB特征融合网络算法。测试结果表明,提出的交通场景目标检测算法在小物体检测方面也具备较好的检测性能。     

一种基于传感器与用户行为数据分析的移动学习场景感知分类方法

随着智能手机和移动互联网的普及,使用智能移动终端进行学习的用户也逐渐增多,移动学习在数字教育领域占据着越来越重要的地位.移动学习的有效性体现在情境感知的能力,即能够感知不同学习情境并提供相应合理的学习内容.因而,移动学习中的情境感知技术已经成为一个研究热点.学习场景的感知是移动学习情境感知的重点,但是由于移动学习的动态性和复杂性,准确的场景感知具有一定的难度.基于实际的移动学习环境,提出了一种根据传感器与学习操作行为对学习场景进行感知分类的方法,处理并分析了由移动学习客户端采集到的传感器数据和学习操作行为日志数据,对比了以传感器数据特征值与学习操作行为特征值共同作为输入特征值的多种场景感知分类算法.结果表明：对比仅使用传感器数据作为分类算法输入特征值的结果,结合学习操作行为日志和传感器数据一起作为学习场景分类感知的依据,可以显著提高移动学习场景的感知分类效果.     

智能车辆的道路检测及其应用

道路检测是智能车辆环境感知的主要内容,也是实现自动驾驶的基础.由于交通道路环境多样、复杂,车道检测存在许多挑战.本文总结了相关工作,以缩微智能车辆验证平台为例,从车道检测系统的嵌入式平台构建、典型车道线检测算法分析、车道预警应用等方面入手,分析了典型道路检测技术实现,可作为智能车辆相关功能实现的技术参考.     

道路场景中基于视频的多目标检测

针对复杂道路场景的目标检测难以实现在移动设备上的实时目标检测问题,采用了MobileNet-SSD的目标检测框架,设计了一种用于视频的多目标检测组合网络框架LSTM-SSD。利用视频连续帧的信息时序关联,有效的提高检测的置信度,减少单一图像检测中存在的不稳定问题。通过与VGG-SSD\Mobile Net-SSD两种检测网络模型的对比,实验表明,设计的检测网络模型在应对多目标、模糊、遮挡等干扰状况下,均能获得较好的检测效果。该模型的设计,可对无人驾驶实现实时目标检测提供依据和参考。     

复杂场景下的运动目标检测与分类的研究

本文采用背景差分法分割出运动目标,在背景差分时使用Surendra算法获取自适应的背景图像,并进行一系列后续处理,大大减少了复杂场景下运动目标检测提取过程中常见的空洞问题.然后提出了基于长宽比、空隙率、空隙率变化量的静态特征和动态特征相结合的分类方法,并采用有向无环图SVM多类别分类器进行分类.实验证明该方法对运动目标...     

改进YOLOv7的复杂道路场景目标检测算法

虽然基于深度学习的目标检测算法在道路场景中的目标检测方面已经取得了很好的效果，但是对于复杂道路场景中的密集目标，远处的小尺度目标检测精度低，容易出现漏检误检的问题，提出一种改进YOLOv7的复杂道路场景目标检测算法。增加小目标检测层，增加对小目标的特征学习能力；采用K-means++重聚类先验框，使得先验框更贴合目标，增加网络对目标的定位精度；采用WIoU(Wise-IoU)损失函数，增加网络对普通质量锚框的关注度，提高网络对目标的定位能力；在颈部和检测头引入协调坐标卷积（CoordConv），使网络能够更好地感受特征图中的位置信息；提出P-ELAN结构对骨干网络进行轻量化处理，降低算法参数量和运算量。实验结果表明，该改进算法在华为SODA10M数据集下的mAP达到64.8%，比原算法提高2.6个百分点，模型参数量和运算量分别降低12%和7%，达到检测精度和检测速度的平衡。     

稠密特征编码的遥感场景分类算法

针对遥感影像快速有效的场景分类,提出了一种低维度稠密特征编码的场景分类算法.首先提取遥感图像不同尺度下的稠密特征,利用Hellinger kernel对原始特征进行映射变换形成新的特征空间,采用主成分分析对新的特征降维并进行Fisher编码量化,进而实现遥感图像的低维度稠密特征表达,最后在线性支持向量机中完成遥感影像的...     

航空遥感图象中道路的自动提取方法

基于航空遥感图象的道路自动检测与识别是数字城市、道路监控等领域非常重要的课题;其检测方法经改进可用于跑道识别,为飞机自动降落提供必要的跑道信息。该文以传统道路提取方法为基础进行改进,提出一种道路自动提取方法,该方法包括以下几步:首先,利用微分几何方法对图象进行线特征强化处理;接着,进行线段提取,将传统方法中需要分步实现的线特征抽取和线段连接同步完成,同时对连接判定阈值的设置进行了一些讨论,提出了自动设置阈值的方法;最后,根据道路的拓扑性质进行线段的聚合分类。实验结果表明,该方法能准确有效地提取出道路。     

Gauss比较函数与复杂遥感图像中线状目标的无偏自动检测

建立基于 Gauss 尺度空间的比较函数,对遥感图像中的道路结构进行特征描述、分离和定位.在此基础上,结合道路特征的图形和图像特征,提出了基于局部方向能量的线状目标检测算法,并根据道路的拓扑特征和几何特征进行假设验证、编组、融合,提取有效的道路线特征,应用于城市遥感图像中不同宽度和材质的主干道路和小路的提取.该算法计算复杂度小,在阴影遮挡和道路影像不明显的情况下对道路线特征具有良好的分辨能力.对 Gauss比较函数的定位和抗零点漂移性能也进行了详细的分析.     

基于特征融合的遥感图像机场掩体目标检测方法研究

提出了一种融合位置特征和形状特征的机场掩体目标检测方法。以形态学方法提取机场道路的骨架图,然后用道路网的拓扑关系提取掩体目标的位置特征--断头路,用轮廓序列矩检测断头路区域内构筑物形状特征,实现对机场掩体目标的融合检测。并以高分辨率遥感图像为例进行了飞机掩体目标的检测实验,结果表明,该方法能较好地检测机场掩体目标。     

基于卫星遥感图像的变化检测算法

在石油勘探、开发炼制及运储过程中,由于意外事故或操作失误,造成原油或油品从作业现场储器里外泄,溢流向地面、水面、海滩或海面,同时由于油质的不同,形成薄厚等一片膜这现象称为溢油.大范围的海上溢油往往会对数个国家的生态、社会以及经济带来严重影响.本文基于卫星遥感数据,将变化检测引入海上溢油的问题中,研究实现对比了多个变化检测算法,最终实现了一个变化检测的溢油检测系统.实验表明,变化检测能有效地减少因地理位置、光照条件因素的影响,泛化能力显著地强于单幅图的分类方法,文章提供的系统能有效地将油区与水面、轻油区域与重油区域分割.     

可见光遥感图像海面目标检测技术综述

基于可见光遥感图像的海面目标检测技术是当前遥感领域的研究热点,为推进基于可见光遥感图像的海面目标检测技术的发展,文中对当前主要的检测方法进行了总结。首先,介绍了可见光遥感图像目标特性以及图像目标检测基本流程,并分析了遥感图像目标检测的研究现状;然后,针对海面目标快速检测问题,详细介绍了视觉显著性方法在遥感图像目标检测方面的研究现状;接着,针对遥感图像分类识别问题,详细介绍了卷积神经网络在遥感图像目标检测方面的研究现状;最后,总结了现有方法应用于海面目标检测存在的问题以及未来的研究方向。     

线段提取在高分辨率遥感图像建筑物识别中的应用

提出一种基于感知组织的线段提取方法．该方法有两大特点：在基本线段提取算法中使用了模板,并且在线段合并过程中综合考虑了直线和物体的形状特点．运用该方法对高分辨率遥感图像中的建筑物进行识别,取得了良好效果。     

联合集成学习与EfficientNet的光学遥感图像场景分类

深度学习能够提高光学遥感图像场景分类的准确率和效率,但光学遥感图像语义丰富,部分场景仍存在易误分类的情况,同时由网络模型规模扩大带来的硬件要求过高、时间成本消耗过大等问题制约着深度学习网络模型的推广应用.为此,提出一种基于轻量化网络模型的光学遥感图像场景分类方法.通过EfficientNet网络提取图像特征,对图像特征...     

基于单类SVM的遥感图像目标检测

传统支持向量机方法在正负样本不对称的情况下对遥感图像的目标检测存在一定的误检率,文章将单类SVM方法引入此类目标检测过程中。实验表明单类SVM在牺牲少量泛化性的同时能有效地降低误检率,并提高检测速度。     

基于小波表征的遥感影像的目标检测

指出了基于像素灰度值的影像表征方法在表达检测目标信息上的不足,提出了运用小波变换的方法对遥感影像进行信息提取和表达。为了增强表达检测目标信息的能力,采用H aar母小波作为影像小波变换的小波基。实验表明:基于小波变换的表征方法在遥感影像目标检测的诸多性能指标上都优于基于影像像素灰度值的表征方法。     

面向遥感图像小目标检测的改进YOLOv3算法

针对YOLOv3目标检测算法在遥感图像小目标检测方面精度较低的缺点,提出了一种改进的YOLOv3目标检测算法--YOLOv3-CS。根据对backbone中不同尺度特征重要性的分析重构了backbone,即增加具有丰富位置信息的浅层特征对应的卷积层深度,以此增强backbone对小目标特征的提取能力,引入RFB结构增大浅层特征图的感受野来提升小目标检测精度,优化了anchor boxes及其分配原则。在RSOD数据集的实验结果表明,YOLOv3-CS算法与YOLOv3相比,mAP提高6.49%,F1提高4.85%,所需存储空间降低12.58%,其中backbone的改进和RFB的引入对小目标检测的精度提升较为明显,说明提出的目标检测算法在遥感图像小目标检测方面有较高的优势。