一种基于车联网架构的宽视野图像信息系统

基于无线物联网架构,提出了一种可实现车路信息实时采集、共享的宽视野图像信息系统。该系统应用GPS全球定位系统采集位置信息,使用图像传感器获得车辆周围图像;通过无线车辆网络将数据汇总;最后通过图像拼接算法构建宽视野图像信息。针对系统中的核心部分——构建宽视野图像信息,提出了一种基于SURF(speeded up robust features)图像特征的图像拼接算法。实验证明,该算法时间复杂度低,拼接效果良好,且系统具有良好的扩展性,可用于进一步开发车联网的智能应用。     

基于磁阻传感器的车辆检测算法

地磁检测器一种新型的利用磁场变化的车辆信息检测设备,它能将车辆引起的地磁扰动转换为清晰的电压信号,根据不同车辆对地磁影响不同可以识别出车型,本文基于这种设备采集到的数据经过预处理和特征提取,采用相似性算法将采集到的车辆信息跟标准数据库中的车辆信息做相似性分析从而识别出车型,这种算法能遍历所有数据库中的车型,且易于实现,通过仿真分析可以看出此种算法有很好的效果     

多信息融合的虚拟线车辆检测算法

传统的虚拟线车辆检测算法仅利用图像亮度分量检测车辆,易受外部环境及车身颜色影响,误检率较高.提出了一种多信息融合的虚拟线车辆检测算法,以H、S、I三个分量信息为依据动态选择多个颜色空间的不同信息分量进行信息融合,将融合后的数据作为新的检测依据再进行虚拟线检测.检测效果同传统检测算法相比,可有效降低误检率.     

基于卡尔曼滤波器的抗遮挡车辆跟踪算法

针对由于车辆相互遮挡而不能准确跟踪车辆的问题,提出一种基于卡尔曼滤波器的跟踪算法。算法利用基于图像内容敏感度的背景提取算法,获取目标车辆的二值化图像,然后采用卡尔曼滤波器预测目标车辆在下一帧中的状态,在预测区域中进行搜索匹配,建立相邻帧中目标车辆的对应关系,有效推理目标车辆的驶入、驶出以及遮挡和分离,并根据预测信息对发生遮挡的目标进行跟踪。实验结果表明,该算法能够获得良好的跟踪效果。     

基于LLC与加权SPM的车辆品牌型号识别

针对传统车辆识别算法鲁棒性及实时性不强的问题,结合局部线性约束编码(LLC)和加权空间金字塔匹配(SPM)模型,提出一种车辆品牌型号精细识别算法。提取图像方向梯度直方图特征,通过LLC对图像特征进行编码映射,得到具有语义信息的图像表达向量,以提高识别的准确率。利用加权SPM模型将空间位置信息引入图像表达向量中,并将每个图像的最终表达送入线性支持向量机分类器进行训练与识别。使用交通监控摄像头在不同天气和光照条件下采集150种车辆类型共56 827张图像进行实验,结果表明,该算法可有效改善识别效果,提高识别速度。     

基于改进SSD算法的车辆检测

SSD算法利用多尺度特征图进行分类和位置回归,检测小目标效果优于YOLO算法,但SSD算法在进行车辆检测时存在漏检问题。为此,提出一种改进SSD算法。为提取更多的车辆特征信息,设计改进Inception模块替代SSD网络中的Conv8、Conv9和Conv10层。将浅层特征的位置信息和深层特征的语义信息进行均衡化融合,构建多尺度特征融合均衡化网络,提高小目标车辆识别率。在特征提取层均引入SENet,对不同特征通道的重要性进行重标定以提高模型性能。实验结果表明,改进后SSD算法在自制的车辆数据集上平均精度为90.89%,检测速度达到59.42 frame/s,相比改进前的SSD算法,在精度和速度上分别提高2.65个百分点和17.41 frame/s,能够更快速、准确地对图像中的车辆进行识别和定位。     

视频监控系统中的非线性校正算法

在基于数字图像处理技术的视频监控系统中,车辆信息和道路信息是最为重要的参数,但由于摄像机内外参数的不同将导致图像不同程度的非线性失真,影响正确的交通参数的获得和交通现象的正确判断。基于图像网格的非线性校正算法对此能进行有效的校正,为交通视频监控提供较为准确的信息参数。实验结果表明该算法有较高的精度,并在视频监控系统中有较好地应用。     

智能交通系统信息采集终端的研究

随着社会的不断发展,越来越严重的交通拥堵给人们的出行带来诸多不便。开发出一套有效的智能交通系统用来缓解交通拥堵是很有必要的。利用图像传感器所拍得的图像信息与背景图像的对比,计算出该道路的车辆数量,通过测速线圈测得车辆经过的速度,再通过信息融合技术和相应的算法将两组数据融合处理,得出该道路的拥塞情况,通过GPRS网络将该拥塞数据反馈到交通指挥中心。     

改进型虚拟线式视频车辆检测算法

在智能交通系统中,虚拟线式视频车辆检测算法广泛应用于交通流检测。虚拟线式视频车辆检测算法仅利用像素的亮度信息,受阴影和图像噪声的影响较大,在某些情况下认假率和拒真率比较高。为此提出一种改进型算法,采用两级检测方式,兼用了像素的亮度信息和色度信息。第一级处理利用亮度信息进行检测,第二级处理利用色度信息进行检测,根据色度信息修改亮度阈值。实验结果表明,改进型算法可有效克服阴影和图像噪声的影响,平均认假率为0.71%,平均拒真率为0.81%,与原算法相比均有明显降低,并且满足实时性要求。     

一种在扩散加权图像降噪中的算法

扩散加权图像中的噪声为莱斯噪声并且图像本身含有丰富的边界信息,因而要求对DWI图像有效降噪的同时,能够较好地保留图像的边界信息。由于BEMD算法可将图像分解为细节图像及余项图像,其所分解的细节图像包括DWI图像的边界信息以及主噪声,而余项图像则描述图像的趋势信息。因此,提出一种将二维经验模态分解算法与改进的维纳滤波器相结合的降噪算法,并将该算法应用于DWI图像的降噪中。通过实验,将所提出的算法与其他算法应用于DWI图像的降噪处理,并通过对结果的分析比较证明所提出的算法能够更有效地对DWI图像进行降噪处理。     

基于团块模型的行人阴影抑制算法

为有效解决行人阴影对行人跟踪产生的影响,提出一种基于团块模型的阴影抑制算法。该算法利用团块结构作为行人模型,通过计算团块的矩特征和团块垂直直方图,借助几何的方法获得疑似阴影区域。然后,将该疑似阴影区域的灰度、方向、中心位置作为参数对整个前景区域进行阴影建模,使得阴影区域更精确。最后,从行人模型中剔除阴影团块达到阴影抑制的效果。经过视频序列测试,本文算法对不同运动方向、不同数量的行人均有良好的阴影抑制效果,表明了该设计方案的有效性和准确性。     

基于改进Jung方法的实时背景提取算法

结合帧间差分信息和Jung背景提取算法,提出了一种改进的用于运动目标检测的实时背景提取算法。该算法利用视频连续图像帧之间的差异信息加速背景更新过程,提取的背景图像能够快速适应背景中物体的变化,同时保留了基本Jung背景提取方法结构简单、运算速度快的特点。在PETS2001数据集上对本算法进行了有效性验证,实验结果表明,该算法可以实时准确地提取背景图像。     

图像斑状特征位置与尺寸的自动检测

针对图像中经常存在的斑状特征,提出一种位置与尺寸自动检测方法。首先基于斑状特征的梯度分布构造能够用于该特征检测的极值能量函数;然后从理论上分析所构造极值能量函数的极值特性,并基于模拟图像进行极值特性直观分析;最后给出基于极值能量函数的图像斑状特征位置与尺寸检测实现算法。实验结果表明,本文方法不仅能够有效准确地检测出图像斑状特征的位置与尺寸,而且对图像噪声、模糊、视角变化具有较强的稳定性与鲁棒性。     

一种应用于分布式缓存系统中的缓存部署算法

缓存技术能有效的节省网络带宽,减少用户的访问延迟.在分布式缓存系统中,一个值得研究的问题是如何根据用户的请求动态的进行缓存部署,使得系统的收益最大.描述了缓存部署问题并建立了优化模型,在此基础上提出一种新的协作缓存部署算法,该算法利用对象的热度、网络距离,以及系统中各节点接收的请求和系统缓存分布信息,依次对请求路径上的节点进行缓存部署决策,同时该算法将计算分布到请求路径的各个节点上进行.仿真结果表明,该算法具有比LRU和Graph算法更高的缓存命中率和更低的访问延迟.     

基于图像处理的课室人员位置分布识别

对大型课室人员位置分布识别有利于课室灯光节能管理,基于面积判据的人员位置识别算法没有应用场景的约束,但容易因人体Blob图像粘连而产生误判;基于座位网格的算法只适用于直线排列的固定座位,但算法简单可靠。实验证明:两种方法均能有效地检测出人员分布情况,后者对固定座位的课室检测准确性更好,效率更高。     

多特征带宽自适应Mean Shift目标跟踪算法

在传统均值漂移跟踪算法中,其核函数带宽缺乏较好的自适应调整特性,且易受背景色干扰。为此,提出一种多特征带宽自适应目标跟踪算法。采用颜色和纹理信息创建特征模型,在最优目标位置区域投影,以生成概率密度分布图,通过计算获得目标密度块的长度和宽度,从而自适应调整核函数带宽,用椭圆锁定目标,椭圆形状参数由目标概率密度的矩运算获得。实验结果表明,该算法能够有效适应目标缩放、旋转等复杂运动,并能抵御一定光照变化及背景色干扰影响。     

A hardware-efficient parallel architecture for real-time blob analysis based on run-length code

Blob analysis has been extensively used in target detection, object recognition, moving target tracking, among other applications. Because blob analysis is computationally expensive, it has become a bottleneck of real-time applications. To tackle this problem, a parallel algorithm for blob analysis is proposed, and a hardware-efficient architecture for this algorithm is presented in this paper. First, based on image data partition and multi-process units, a novel parallel algorithm of blob analysis is proposed to process objects with different types and sizes. Second, a dynamic convex hull calculation method is designed, which is highly efficient for parallel processing and sub-block merging of connected component labeling. Third, a parallel hardware structure of the proposed algorithm is designed and implemented on FPGA. To evaluate performance, blobs of different types and sizes are located by the proposed algorithm in software and hardware. The experimental results demonstrate that the blobs are effectively and correctly located by the proposed algorithm, and the proposed hardware architecture works more efficiently than the state-of-the-art methods.     

基于运动点团的鱼眼图像中多目标检测方法研究

采用运动点团模式对鱼眼视频序列中的目标检测方法进行了研究和探讨。运动点团模式的运动目标检测分为三个层次,每个层次对应一个具体的检测算法,即基于像素层的背景提取和更新、运动点团层的点团检测和判定及运动目标层的目标标记和跟踪。对三个算法的原理进行了探讨,并结合鱼眼图像的特点进行了算法改进和优化。实验结果表明,以运动点团作为中间检测过程的方法能有效对圆形鱼眼视频序列中的多个运动目标进行检测,特别是图像边缘的大畸变、低分辨率目标,相比传统的检测方法具有更好的检测稳定性和准确性,在大范围智能视频监控中具备很好的实际应用价值。     

融合社交关系和标签信息的混合新闻推荐算法

针对传统新闻推荐的数据稀疏性和用户的兴趣爱好快速变化问题,提出了一种融合社交关系和标签信息的混合新闻推荐算法。首先,该算法充分利用社交网络中的社交关系和标签信息;然后使用概率主题模型(latent Dirichlet allocation,LDA)对用户兴趣进行建模;最后采用基于内容与协同过滤相结合的混合推荐算法来完成新闻推荐。实验结果表明,所提算法与已有的推荐算法相比较,在精确度上提升了10.7%、平均倒数排名上(mean reciprocal rank,MRR)提升了4.1%,在归一化折损累计增益(normalized discounted cumulative gain,NDCG)上提升了10%。该算法可在一定程度上提高新闻推荐算法的精度及推荐质量。     

Segmentation and tracking of piglets in images

An algorithm was developed for the segmentation and tracking of piglets and tested on a 200-image sequence of 10 piglets moving on a straw background. The image-capture rate was 1 image/140 ms. The segmentation method was a combination of image differencing with respect to a median background and a Laplacian operator. The features tracked were blob edges in the segmented image. During tracking, the piglets were modelled as ellipses initialised on the blobs. Each piglet was tracked by searching for blob edges in an elliptical window about the piglet's position, which was predicted from its previous two positions.