基于协同训练的低空运动平台动态人物阴影检测

针对现有视频监控中人物阴影检测大都采用背景减法,难以实现低空运动平台下的动态检测问题,提出一种针对低空运动平台的动态人物阴影检测方法.在改进现有的3种室外人物阴影像素特征的基础上,提出一种亮度反差区域特征,并通过实验给出了其优化组合模式;基于像素与区域特性的独立性构建双视图分类器,设计了与之相适应的半监督协同训练策略;最后针对实时处理需求,提出了通过随机采样改善学习效率、利用支持向量机解决小样本学习问题的加速方案.实际低空运动平台下的实验结果表明,该方法具有较高的人物阴影检测率与较好的算法鲁棒性,可有效地解决低空运动平台下的高质量动态人物阴影检测问题.     

统一分级图神经网络的协同显著性检测方法

协同显著性检测指从一组相关图像集中识别出共同出现且显著的物体,其难点是如何挖掘与利用图像帧内、帧间的显著性线索.文中提出一种统一分级图神经网络的协同显著性检测方法.首先利用超像素分割算法将图像分割,并提取图像帧内分级显著性特征构建图模型;然后挖掘图像帧间分级显著性图嵌入,形成统一的二维分级特征体系;最后充分利用图像帧内和图像帧间的线索,提出几何注意力模块.在iCoSeg数据集上的消融实验结果表明,所提出的统一分级图神经网络中各个模块均是有效的;所提方法基于iCoSeg数据集测试的最大F-measure、平均绝对误差以及S-measure分别为0.848 6, 0.107 6和0.813 4,可以媲美或优于其他9种对比方法,最终获得的显著性图的高亮一致性和边缘均得到明显的改善.     

基于图的半监督协同训练算法

针对协同训练算法对无标记数据挑选效率较低,导致噪声数据引入问题,提出了基于图的置信度估计半监督协同训练算法(CESL).利用样本数据自身的结构信息,显式计算无标记样本所属类别概率.同时,采用了多分类器隐式对无标记数据进行置信度估计,以提高无标记数据挑选标准.将显示计算和隐式估计结合对无标记数据进行选择,减低噪音数据的引入,更新分类器.在UCI数据集上的对比实验表明了该算法的有效性.     

基于因子图结合卡方检测的多AUV协同定位方法

针对复杂的水下环境导致水声通信噪声出现异常值的问题,提出一种基于因子图结合卡方检测的多AUV协同定位算法。建立因子图模型将全局函数估计问题转化为局部函数和积估计问题,利用卡方检测测距噪声异常值。所提算法在测距噪声存在异常值情况下,与传统Kalman滤波算法相比定位误差大幅减小。该研究进行了数学仿真验证,验证了所提算法可以有效提高系统的定位稳定性,处理测距噪声异常值对定位性能的影响。     

基于混合表征和协同训练的软件漏洞检测

对于漏洞领域基准数据集较少导致的深度学习模型泛化能力较差,以及传统的基于规则引擎的漏洞检测工具性能较低的问题,提出了一种基于混合表征和协同训练的软件源代码漏洞检测方法。首先,基于预训练模型提取源代码文本特征,提取代码语义信息,然后使用工具生成抽象语法树,通过自定义遍历规则提取源代码的AST(抽象语法树)特征,将两种特征进行混合丰富代码表征。其次,搭建多个深度模型,基于协同训练算法通过大量的无标签数据提升各模型的泛化能力。鉴于单一模型可能造成较高的漏报率和误报率,并可能被某一模型主导预测结果的问题,采用了基于加权投票机制的多模型集成方法。实验结果表明,该方法在一定程度上解决了数据集较少导致的模型泛化性差的问题,与漏洞检测领域一些主流检测方法相比,该方法在各指标上具有一定的优势,且检测性能高于规则引擎Fortify。     

基于属性约简与半监督协同训练的入侵检测算法

入侵检测数据具有信息冗余量大、标记数据难以获得等特点。传统入侵检测方法难以消除冗余信息并且需要大量已标记样本做训练集,导致检测效率降低,实用性下降。为了解决上述问题,提出一种结合属性约简与半监督协同训练的算法。该算法充分发挥了大量未标记样本的监督作用。首先将入侵数据进行属性约简,利用约简结果建立一个支持向量机(SVM)基分类器,然后将其与另外两个SVM辅助分类器做协同训练。如此,分类器界面得到反复修正,分类器的性能逐步得到改善,最终分类精度得到明显提高。在入侵检测数据集KDDCUP99上的仿真实验结果表明,该算法不仅可以提高检测精度,同时还具有良好的可行性、稳定性。     

基于对抗性训练的动态协同过滤推荐算法

为了改进时间事件上的输入扰动或者攻击可能导致系统推荐性能大幅下降的问题,提出一种基于对抗性训练改进模型鲁棒性的协同过滤推荐算法。通过构建微小扰动对推荐模型进行训练,调整改进网络结构参数,从而提高系统的推荐准确度和抗干扰能力。通过在亚马逊数据集上的实验,并与几个基线模型进行不同Top-K推荐目标下的NDCG性能对比,结果表明：经过对抗训练的改进算法提升了系统鲁棒性,并且在中等扰动情况下可减少性能下降15%以上。     

基于概率图与视觉显著性的海面目标检测方法

针对基于视觉的传统海面目标检测算法在水面无人艇的自动避碰应用中存在检测精确率、召回率低以及对复杂场景的适应性不足的问题,提出一种基于概率图与视觉显著性的海面目标检测算法。首先利用概率图模型分割出原始图像中的海界限区域与海面孤立目标;然后针对海界限区域子图像特点,设计了一种基于方向抑制的梯度特征,并结合背景先验改进频率调谐显著图,利用特征融合的方法提取海界限区域的潜在目标。实验结果表明,该算法能够有效抑制云、飞鸟、海天线和海杂波的背景干扰。与传统方法相比,提出的方法具有更高的精确率与召回率,且满足无人艇自动避碰实时性的要求。     

基于图的半监督协同训练算法

在分类器训练过程中,无标记数据的引入容易产生噪音,从而降低分类精度。为此,提出一种基于图的置信度估计半监督协同训练算法。利用样本数据自身的结构信息,计算无标记样本所属类别概率。采用多分类器对无标记数据进行置信度估计,以提高无标记数据挑选标准,减少噪音数据的引入。在UCI数据集上的对比实验验证了该算法的有效性。     

基于图割的单幅图像影子检测

为了准确检测单幅图像中的影子, 提出一种基于图割的影子检测方法. 首先,使用均值漂移将原始图像分割为若干区域并记录区域之间的边界. 其次,利用支持向量机分类器分别获得分割图像中的候选影子边界和候选影子非影子区域对. 然后,利用候选影子边界两侧的区域信息及候选影子非影子区域对信息构造一个能量函数, 该能量函数反映了将图像中一部分区域划分为影子区域而另一部分区域划分为非影子区域时所需的代价. 再次,结合该能量函数构造出无向图,并证明所构造的无向图的最小割对应能量函数的最小值. 最后,通过图割算法求解该能量函数得到最终的影子检测结果. 实验结果表明,与现有代表最新进展的单幅图像影子检测方法相比,所提方法提高了影子检测结果的准确性和连续性.     

一种基于Boosting判别模型的运动阴影检测方法

在视频处理中,由于运动阴影具有与运动前景相同的特性,当在提取前景时,会误把阴影检测为前景.特别是当阴影和其它前景发生粘连时,这可能会严重地影响跟踪、识别等后续处理.该文提出了一种用于运动阴影检测的Boosting判别模型.这种方法先利用Boosting在不同的特征空间来区分前景和阴影,然后在判别随机场(DRFs)中结合前景和阴影的时空一致性,实现对前景和阴影的分割.首先,差分前图像与背景图像得到颜色不变子空间和纹理不变子空间;然后在这两个子空间上应用Boosting来区分前景和阴影;最后利用前景和阴影的时空一致性,在判别随机场中通过图分割的方法准确地分割前景和阴影.实验结果表明,无论是在室内场景,还是在室外场景,该文的方法要好于传统的方法.     

运动目标的阴影实时检测和消除

运动目标的实时检测与跟踪是智能监控和视频活动识别应用的基本步骤.运动目标检测把场景分割为前景目标和背景区域,但是在这个过程申运动目标投射的阴影很容易被误分类为前景目标,这种误分类会造成多个目标的合并或目标形状的改变.为了改善运动目标分割的效果,提出一个基于光强、色度和反射率的实时阴影检测和消除的算法,该算法不需要目标的...     

一种基于形态学的运动车辆阴影消除方法

提出一种基于形态学的运动车辆阴影消除方法. 该方法不需要彩色、梯度、模型、空间和纹理信息, 只根据前景目标 (包含车辆及其阴影) 的几何形状, 不仅可以有效区分车辆和阴影, 而且可以有效区分相连的车辆. 实验结果表明, 基于形态学的阴影消除方法既具有较高的可靠性, 也具有较好的实时性.     

一种改进的运动目标检测和阴影消除算法

提出一种改进的运动目标检测算法,以准确检测不同光照条件下的运动目标。针对前景检测时出现的阴影,提出基于边缘信息的阴影消除算法。该算法与阴影方向无关,能去除目标各方向的大部分阴影,为视频监控系统的后续高级处理排除了阴影干扰。在配置为 2.0 GHz的P4计算机上运行,速度约为20帧/s。实验结果表明了算法的实时性、可靠性和准确性较好。     

基于视频图像的运动目标检测和阴影去除

智能视觉监控系统应用潜力巨大,其中的运动目标检测和阴影去除还有很多问题需要解决。采用基于混合高斯模型背景分离法进行运动目标检测,采用基于统计非参数化理论的方法对目标阴影进行去除。实验结果表明,这种方法可以有效地检测出运动目标和消除阴影。     

结合区域颜色和纹理的运动阴影检测方法

在视频跟踪中,由于运动阴影和运动对象具有相似的物理特性,现有方法很难区分运动对象和运动阴影.为解决这一问题,本文利用区域间的颜色和像素亮度的关系进行运动阴影的检测,有效克服了以像素为最小检测单位时检测结构容易受到噪声影响的不足;在通过分析运动阴影的物理模型证明局部二值模式(LBP)纹理的光照不变性之后,利用局部二值模式...     

城市航空影像的阴影检测和阴影消除方法研究

阴影是城市航空遥感影像的基本特征之一,阴影的存在影响地物边缘的提取、建筑物的识别和影像的配准等,因此,阴影检测和阴影消除在城市遥感中具有重要意义。本文主要介绍了一种高分辨率城市航空影像的阴影检测和阴影消除方法,在阴影检测过程中,分别对影像RGB色彩空间中的G通道和HIS色彩空间中的亮度通道进行阈值选择检测出阴影区域,然后对这两种阴影检测结果进行与运算得到最终的阴影区域并标记出来。对所标记的阴影区域,根据Retinex理论选择合适的尺度对其进行增强处理,由于阴影区域的地物信息进行增强时阴影边界也有所增强,因此需要对阴影边界进行模糊化处理。试验表明,该方法能较好的检测出阴影区域,而且对阴影区域的地物恢复效果较好。     

基于巡逻无人机的轻量型安全帽佩戴检测方法与应用

目前,安全帽检测系统主要使用固定摄像头,无法实现全区域检测,而基于深度学习的检测算法结构复杂、计算成本高,无法满足移动端和嵌入式设备的部署要求。针对上述问题,该文提出一种基于无人机的安全帽轻量型视觉检测算法。系统通过无人机平台搭载的相机对施工现场进行图像采集,并无线传输至后台计算机进行处理,检测算法基于 YOLOv5s 框架进行了轻量化改进。针对无人机采集影像中目标占比较小的问题,该文采用了多尺度检测、图像预处理、正负样本不均衡等方法,对 YOLOv5s 目标检测算法进行针对性改进。测试结果表明,与原模型相比,轻量型目标检测模型的平均精度均值仅下降了 1.72%,但在同一 CPU 上的推理速度提升了 1 倍,浮点计算量由原来的每秒 165 亿次压缩至每秒 34 亿次,模型大小约为原模型的 1/10。     

基于局部纹理特性的运动车辆阴影消除

为解决传统阴影检测算法可靠性和实时性难以兼顾的难题,从交通场景的实际应用出发,提出一种基于局部纹理特性的灰度域阴影消除方法。通过分析阴影的物理模型,得出局部纹理的光照不变性,利用基于比值判决的LBP纹理法来区分运动车辆和阴影,并应用亮度约束和几何启发式准则进一步改善阴影检测效果。实验结果表明,该方法的阴影检测有效率在90％以上,且能较好地满足实时要求,提高低亮度时车辆的阴影检测效果。