基于行走拓扑结构分析的行人检测

针对计算机视觉应用中的行人检测,当运动目标受到非刚性形变、光照、色彩和遮挡等因素影响时如何建立高鲁棒性的特征描述,本文提出了一种基于语义级行走动作拓扑结构的行人特征,对上述噪声和运动参数不敏感,并且数据量小。算法首先由运动能量图像(MEI,motion energy image)建立行走动态数据,然后抽象为骨架拓扑结构,输入二级级联检测器完成检测。实验表明,该算法可以有效地在光照、形变和遮挡等情况下对行人进行检测。     

基于卷积神经网络和密度分布特征的人数统计方法

在行人监控视频中,由于行人遮挡、场景光照变化,人群分布不均等因素的影响使得现有方法难以准确统计视频中人数。针对该问题,提出一种基于卷积神经网络和密度分布特征的人数统计方法。该方法首先将场景中的人群依据密度进行划分;对稀疏人群,使用Retinex算法将场景去噪后转换至HSV空间中对行人位置进行预判,并使用栅极损失函数分块训练卷积神经网络提取行人特征,实现对遮挡行人局部位置的识别;对密集人群,提取人群密度分布特征并使用多核回归函数估计人群数量。该算法在PETS2009、UCSD等数据集上进行了测试,实验结果表明所提算法具有更好的统计精度。     

基于机器视觉的PCB板表面缺陷检测方法研究进展

基于机器视觉的缺陷检测方法可有效提高生产效率和降低质检成本,在现代化工业生产中得到了广泛应用.对基于机器视觉的PCB板表面缺陷检测方法涉及的图像采集系统、图像预处理技术进行综述;对基于图像分割、特征提取、机器学习和混合技术的检测算法进行分析,总结了各种算法的主要思想、适用范围以及局限性;同时对未来的发展方向进行了展望,...     

一种无监督视频行人检测与估计算法

该文提出了一种基于混合模型的视频行人检测算法,该算法首先运用多帧平均值背景提取法获得视频背景;然后,视频场景中某一幅图片减去背景图片获取运动行人图像;最后,运用混合模型的学习算法检测行人并估计行人个数,仿真试验结果证明该文算法的有效性.     

基于改进Harris的消音壁亚像素级角点检测算法

在计算机视觉领域,角点检测作为图像拼接、三维重建等算法的关键,能够直接影响视觉处理的最终效果。为了进一步提高角点检测在消音壁视觉检测应用场景下的精度,提出了一种亚像素级角点检测算法,首先以Harris算法获得像素级角点为中心角点,然后通过最小二乘法迭代计算不断逼近,最后计算得出亚像素级角点坐标。实验结果表明,算法角点检测的平均偏移量为0.18像素,相较Harris角点检测算法的偏移量降低0.56像素,在确保正确率的基础上更加接近真实值,能够满足在消音壁视觉检测应用场景下的精度需求。     

一种基于滑动窗口优化算法的行人检测算法

行人检测是计算机视觉中的关键技术之一,在智能交通领域有大量实际应用,如何在提高行人检测精度的同时提高检测速度一直是研究的热点.首先采用基于高斯混合模型的背景建模方法分离出运动目标,将原始视频序列转换为二值图片,得到大量固定大小的训练样本;然后提取样本图片的HOG特征,通过SVM训练得到分类器;接着用固定大小的滑动窗口检测行人,并提出了一种滑动窗口优化算法来筛选检测结果;进而用前景像素密度估算方法调整检测结果,输出最终统计人数,最后实验表明方法的有效性.     

基于助老机器人的行人检测与跟踪算法研究

行人检测与跟踪是助老机器人的基本功能之一。针对行人检测中目标需人工标定图像初始帧、目标检测准确性差、行人丢失较难重新跟踪的问题,提出一种基于行人检测和核相关滤波器(KCF)的跟踪算法。通过Kinect2摄像头获取环境视觉信息,采用方向梯度直方图(HOG)提取行人特征,使用支持向量机(SVM)的方法训练模型实现自动检测,应用KCF跟踪算法跟踪行人,并结合深度数据,计算其世界坐标,驱动机器人实现行人稳定跟踪。在Ubuntu16.04系统和ROS平台下搭建软件系统,并在实验Turtlebot移动平台进行实验测试。结果表明,该算法可自动检测行人并在复杂环境中对行人进行稳定跟踪,有效提高了助老机器人的移动、感知性能。     

结合双重注意力机制的遮挡感知行人检测

针对行人检测算法在交通场景下应用时的遮挡问题,提出一种结合双重注意力机制的遮挡感知行人检测算法。以RetinaNet作为基础框架,在回归和分类支路分别添加空间注意力和通道注意力子网络,增强网络对于行人可见区域的关注;同时引入行人可见边界框信息对传统的回归损失函数进行优化,使其能够随着遮挡程度自适应地调节预测框贡献的权重。在Caltech和CityPerson数据集上的实验结果表明:相较于RetinaNet等8种先进算法,该方法具有较好的鲁棒性和检测精度,尤其是严重遮挡情况下,该算法的对数平均漏检率仅为45.69%,小于其他算法12%以上;此外,该算法能够实现准实时检测,在Caltech和CityPerson上的检测速度分别为11.8 帧/s和10.0 帧/s。所提出的双重注意力机制和遮挡感知回归损失函数的检测方法具有可行性和有效性,对于遮挡行人的处理有显著优势。     

全景图像技术研究进展

全景图是一种重要的虚拟场景表示形式，广泛应用于虚拟现实、计算机视觉等领域．本文对图像获取、折叠变换、整合，接缝平滑、全景场景操纵等进行综述性介绍，最后展望了未来全景图像技术的发展方向．     

基于深度学习的行人属性识别综述

行人属性识别是计算机视觉领域中的研究热点,在人工智能、安防监控等方面有着极其广泛的应用.传统的行人属性识别方法主要基于底层特征提取,如局部描述符、颜色直方图和人体关键点检测等,但难以解决图像分辨率低和行人被遮挡等原因造成的识别率低下的问题.近年来,随着深度学习在行人属性识别算法中的应用,基于常规网络、部件识别、注意力机...     

基于分布式二维激光测距仪的室内行人检测与跟踪

针对多台二维激光测距仪的空间标定问题进行研究,提出了基于虚拟二面体的激光测距仪标定新方法,并将不同激光测距仪采集的激光数据映射至同一参考坐标系中。在此基础上,提出了激光高斯背景模型(LGM)对激光数据进行背景建模,检测出运动目标,然后通过DBSCAN算法对同一类的点云目标进行聚类分析。最后,通过行人运动模型并结合卡尔曼滤波算法实现行人在不同激光视场下的准确跟踪。在实验中,利用真实的室内场景对本文算法进行验证,并就视场角和不同光照条件下的识别率与现有算法进行对比。实验利用不同类型的二维激光测距仪对场景中的行人目标进行检测与跟踪。实验结果表明:利用多台分布式激光测距仪可在不受光照条件的影响下实现大视角的室内场景监控,利用本文算法能够从多台激光融合的点云数据中较精确且稳定地检测并跟踪行人目标。     

基于场景知识的移动目标检测

依据背景差法中背景建模的思想,从提取场景知识的角度出发,建立待检测场景的场景知识库,从而提出一种基于场景知识的移动目标检测算法。使用改进的均值漂移算法对待检测场景进行分割,并提取分割后各个区域的底层视觉特征建立场景知识库;从新的场景帧图像中获取各区域的知识特征向量,然后根据和原场景知识库中各特征向量的匹配结果检测出移动目标信息。仿真结果表明,该方法能有效地检测出场景中原有目标和新进入场景目标的移动信息,并在一定程度上改善了目标阴影、形变等噪声对检测结果的干扰。     

基于多分辨率卷积神经网络的火焰检测

采用一种基于多分辨率卷积神经网络的火焰检测算法对真实场景中的火焰目标进行检测.该算法以BN_Inception网络为基础架构,采用不同分辨率的神经网络互补学习复杂场景中火焰的多尺度视觉特征,同时该算法重点关注检测目标场景的背景环境、局部目标和整体布局等特征.使用该算法在构造的涵盖大多数真实场景的火焰数据集上进行测试,实验结果表明,提出的算法能够取得更好的检测效果,并在实际场景中得到了有效验证.     

井下行人检测的改进Cascade R-CNN算法

针对井下照明情况复杂、光线不均匀、背景复杂、行人特征不明显导致基于计算机图形识别的井下行人检测效果不佳这一问题,提出一种基于改进Cascade R-CNN的井下行人检测方法,以Cascade R-CNN为基础,引入Soft-NMS替换传统NMS,充分利用Cascade R-CNN的多阶段检测模型提高检测效果。实验表明:基于改进Cascade R-CNN的井下行人检测方法可有效针对井下特殊复杂情况,在井下行人数据集上获得了91.4%的检测准确率,并使用COCO检测评价矩阵评估模型对改进Cascade R-CNN算法进行了验证,相较于传统Cascade R-CNN算法平均精准度(AP)提升约2%。     

基于腐蚀-膨胀比的视频场景运动状态鲁棒检测

针对智能视觉分析中视频场景状态检测问题,提出了一种鲁棒的方法。首先,用高斯金字塔算法预处理输入帧;对比3种帧间差计算方法,其中,先灰度化再差分的帧间差计算方案性能最佳。通过分析帧间差灰度图中高亮点在空间分布和形态学上的差异,提出了基于腐蚀-膨胀比的场景状态检测算法REDP。将算法应用于不同场景、亮度、天气条件下的视频序列,实验结果说明了算法不仅可指示获取场景中运动对象位置和轮廓信息的时机,而且,验证了算法对于场景状态检测的有效性。通过增大参与帧间差运算的帧间间距,可进一步提高算法对场景状态检测的鲁棒性。     

YOLO物体检测算法研究综述

在计算机视觉领域中，物体检测技术近年来备受关注。YOLO(you only look once)是一种将物体检测概括为回归问题的检测算法，由于采用了端到端的训练和检测方法，保证了良好的速度与精度，近几年被成功地应用到众多领域。文章对YOLO系列算法的重要应用进行详细调研，并与已有物体检测算法进行对比，在此基础上总结了YOLO的特点，指出了YOLO算法未来的发展趋势。     

常用的数字图像边缘检测算法分析

随着计算机视觉技术的发展,数字图像处理技术被广泛应用到各个行业中,并展现出广阔的发展空间.边缘提取技术是计算机视觉技术的一个基本的核心技术,因为边缘包含着图像的重要信息,边缘提取的效果在一定程度上也影响着进一步处理的精度和性能.介绍了基础边缘性质的检测算子、二阶倒数过零点的边缘检测方法,并对各算法的性能进行了分析比较,指出了各种算法的优缺点和应用领域.     

基于全卷积神经网络的计算机视觉目标检测算法

针对传统计算机视觉目标检测算法准确率较低的问题,提出基于全卷积神经网络的计算机视觉目标检测算法.通过采样、量化以及编码将计算机视觉图像转换为数字图像,经图像平滑、图像增强、目标图像截取一系列处理后完成目标图像特征抽取,实现图像预处理;利用全卷积神经网络训练完成计算机视觉图像目标检测.结果表明,采用所提算法检测计算机动态...     

视觉场景理解综述

视觉场景理解是机器视觉与自然语言处理相融合的热点问题,实现场景理解将有助于盲人辅助系统、智能机器人交互、以及无人驾驶等领域研究的发展。从视觉场景理解的基本概念出发,介绍了视觉场景理解技术的相关理论及最新研究成果,并对基于搜索的模型、基于模板匹配的模型和基于编码-解码框架的模型、以及基于注意力模型的模型进行详细描述与分析。讨论视觉场景理解的最新技术动态,分析视觉场景理解的发展趋势并指出未来研究方向。     

基于动态前景聚焦与伪孪生网络的跨分辨率行人重识别

针对跨分辨率场景下行人图像存在场景复杂、重建图像特征提取效果差等问题,提出基于动态前景聚焦与伪孪生网络的跨分辨率行人重识别算法.该算法在超分辨率重建网络中嵌入动态前景聚焦模块,利用全卷积自动编码器提取目标行人特征,通过高斯掩码对网络进行空间引导,从而使判别特征聚焦在前景上;并经过动态感知模块自动捕获前景的重要特征.又通过构建多粒度相互协同的伪孪生网络,实现判别特征的精细化识别.最后,所提算法在跨分辨率数据集MLR-Market-1501,MLR-DukeMTMC-ReID和CAVIAR上进行实验,Rank-1精度分别达到了91.3%,83.4%和48.5%,证明了所提算法对跨分辨率行人重识别任务的有效性.