基于卷积神经网络的复杂光照变化车牌图像识别

为解决车牌图像识别因复杂光照变化,导致车牌图像识别质量差的问题,提出基于卷积神经网络的复杂光照变化车牌图像识别方法。先采用复杂光照变化下车牌图像核心目标增强方法,对车牌图像核心目标进行有效聚类增强;再将复杂光照变化下核心目标增强后的车牌图像,作为基于深度可分离卷积网络的车牌图像识别方法的输入样本,导进卷积神经网络中,获取车牌图像特征图,然后将其变换为特征序列,通过双向循环神经网络,学习与预测车牌图像特征序列,实现对复杂光照变化下车牌图像的识别。实验结果表明,所提方法的识别精度高达0.99,比同类方法的识别精度高;在车牌图像数量逐渐增多时,该方法识别耗时仍低于2 s,识别效率显著。     

融合多源异构气象数据的光伏功率预测模型

高精度光伏功率预测对提高电力系统运行效率具有重要意义。光伏功率受多种因素影响,其中云层的变化是最主要的不确定因素。传统光伏功率预测方法没有充分考虑云的3维结构和气象要素对光伏功率的影响。因此,该文提出一种融合多源异构气象数据的多源变量光伏功率预测模型(MPPM)。MPPM的核心包括时空条件扩散模型(STCDM)、注意力堆叠LSTM网络(ASLSTM)和多维特征融合模块(MFFM)。STCDM模型通过对2维卫星云图进行精确预测,消除了云层边界处的模糊现象。ASLSTM模型则提取了3维天气研究与预报模式(WRF)气象要素特征。MFFM模块将2维卫星云图特征和3维WRF气象要素特征进行融合,以得到未来1 h光伏功率预测结果。该文分别利用STCDM模型和MPPM模型开展卫星云图预测实验和光伏功率预测实验。实验结果显示,STCDM模型预测1 h内卫星云图的结构相似性指数(SSIM)达到0.914,MPPM模型预测1 h内光伏功率的相关系数(CORR)达到0.949,优于所有对比算法。     

基于图像校正与相位相关的视频拼接算法

针对现有基于特征的拼接算法在特征单一的场景中存在配准精度和效率方面的不足,提出了一种新的拼接算法,巧妙地将摄像机标定与相位相关的方法相结合,通过摄像机标定求出摄像机内外参数,对摄像机输入的视频图像进行矫正,从而使得两幅待匹配的图像间只具有平移参量.再通过相位相关算法求取高精度的平移参数,最后进行图像融合处理.拼接过程中,不需要提取拼接图像的特征,减少了图像配准过程中算法对于场景特征的依赖性.实验结果证明,该方法在场景特征单一的条件下能够实现稳定高效的视频拼接.     

遥感领域中气象卫星云图自动分类研究

气象卫星提供的卫星云图可以帮助我们追踪云的变化,从而进行天气分析和预报,目前,人工判读仍然是卫星云图识别、分析的主要方式之一,其具有一定程度的主观因素,因此对卫星云图中各种类型的云进行自动分类一直是遥感领域的研究热点与难点。文章基于VC++环境,结合图像的纹理特征和光谱特征采用支持向量机(SVM)实现卫星云图自动分类,实验最后进行分类精度、分类速度及分类效果分析,其研究成果在遥感云图分类、云量检测行业有广泛的应用前景。     

一种改进的快速鲁棒性特征匹配算法

针对光照变化、噪声、局部遮挡等在图像配准技术中对配准精度有重要影响,提出了一种在多尺度空间下点预测快速鲁棒性不变特征的匹配算法。针对在探测对图像的尺度、旋转,仿射具有不变性的斑状特征极值点过程中计算复杂度较高的问题,提出一种特征点预测方法降低了描述子提取的复杂度,增强了对外部环境光照变化、噪声以及局部遮挡的适应能力;并在KD(KD Tree)树基础上,提出了一种动态平衡KD树(DBKD-Tree)快速搜索匹配算法,有效克服了KD树可能存在的病态划分,采用条件约束最邻近搜索,提升匹配效率,实现特征点高精度匹配。通过对在不同光照条件、噪声环境的仿射变换图像特征匹配测试,在加入20%的高斯噪声后,均能100%地完成重复特征检测,达到亚像素定位精度,误配率降低为零。     

基于可见光图像的近红外场景仿真

利用地物光谱仪采集了晴天条件下典型地物在380~1100 nm的光谱反射率,并利用经过定标后的CMOS相机采集典型地物不同时段的可见光、近红外图像,结合相机辐射定标结果和地物目标的反射率建立了可见光、近红外图像灰度值的映射关系,且对简单场景进行图像分割,并通过查找表快速将可见光图像转化为近红外图像。建立了太阳辐射模型,在反演精度要求不是很高的条件下,可以反演一天内任意时刻的近红外图像。仿真结果表明,本文方法可生成真实感较好的近红外图像,为后续的各时段、各种天气条件及多种地物的近红外场景仿真奠定基础。     

一种改进的气象雷达图像拼接算法

气象人员在对大型复杂天气系统进行全局分析时,单张雷达图像存在一定盲区。若能将某一特定区域内所有多普勒雷达图拼接组合成一幅完整回波图像,气象预报人员就可以全面完整的分析天气系统演变过程,提高预报准确率。基于以上需求,作者结合气象雷达回波图像轮廓鲜明的特点,提出一种基于小波变换和Harris特征点相结合的改进型图像拼接算法。在Matlab实验环境下将改进算法与传统图像拼接方法就拼接效果、耗时、精度等方面进行对比,取得较好的实验效果。     

复杂光照条件下矿石三维视觉实时筛选方法

矿石自动筛选是提高矿产资源加工效率的关键环节之一。针对矿石开采现场光照复杂多变,传送带矿石难以实时自动检测等问题,提出了一种基于红外线结构光的现场矿石3D视觉实时筛选方法。为了解决复杂光照条件下太阳辐射对矿石表面结构光成像干扰的问题,提出采用800 nm附近红外线结构光作为成像主动光源,在各种光照条件下获取稳定的矿石表面结构光图像;提出邻域累积差分特征分析方法,通过快速定位光条边界点来提取结构光光条中心,实时获取矿石3D坐标数据。对复杂光照条件下的大量现场矿石表面结构光图像采用多线程进行处理,实验结果表明,与现有方法相比,文中方法速度更快,稳定性更强,能适应线结构光形态和方向变化。对每幅矿石结构光图像筛选的时间为13.2 ms,满足现场矿石3D实时筛选需求。     

用于精密机械零件的混合角度静态测量方法与实验研究

利用现有的机器零件测量方法检测零件时存在一定的角度偏差,导致测量平均测量精度误差较大的问题,为此提出用于精密机械零件的混合角度静态测量方法.通过最小二乘支持向量机定位精密机械零件图像中存在的边缘亚像素,实现精密机械零件图像边缘的高精度检测,采用择优系数法提取精密机械零件的纹理角特征,根据提取的特征实现精密机械零件混合角度的静态测量.实验结果表明,所提方法的测量效率较高,平均测量角度误差均控制在0.03°以下.     

基于超分辨率角点检测算法的双目相机高精度标定方法

双目相机标定是研究立体视觉的基础工作，标定的精度是视觉测量精度的关键。图像角点提取是相机标定的基础，但在现实应用场景中，外界影响使获取的图像不清晰，导致检测到的角点精度低，从而影响标定的精度。因此，提出一种基于超分辨率亚像素角点检测的端到端算法，从特征级解决低质量角点检测问题。首先，应用盲超分部分估计低分辨率图像模糊核，融合低分辨率图像特征重建出高分辨率图；然后，在此基础上得到角点亚像素位置；最后对双目相机进行高精度标定，并用测距实验对其进行检验。实验结果表明，所提基于超分辨的亚像素角点检测方法在真实场景下具有优越性。     

基于高程和地物光谱约束的多光谱图像预处理算法

分视场滤光片型多光谱相机在利用拼接和配准生成多光谱图像时,受云、水等特殊地物的影响,利用现有方法生成的结果图像上容易出现条带噪声和错配现象。提出了一种三维信息约束下的尺度不变特征转换(SIFT)图像配准和地物光谱特性约束下的多光谱图像预处理算法,该算法利用三维信息约束的SIFT算子提高配准精度,同时在地物光谱特性约束下选取有效的辐射校正点提高图像拼接时各条带图像灰度的校正精度。实验结果表明,利用该方法对分视场多光谱相机数据进行预处理时,即使图像上存在云、水等特殊区域的地物,结果图像仍能保持高精度配准且无条带噪声。     

基于无人机测绘的复杂地形图像特征提取方法

目前研究的地形图像特征提取方法存在灰度值与实际值相差较大,导致复杂地形图像特征提取精度较低等问题。为解决上述问题,提出基于无人机测绘的复杂地形图像特征提取方法。计算地形图像特征的多阈值,基于多阈值计算结果,提取地形图像特征点,通过SIFT按照递减顺序结合复杂地形图像特征点,完成匹配;采用隔阶比较的方法,对匹配后地形图像特征点进行处理,以此提升地形图像特征点提取的鲁棒性。实验结果表明,基于无人机测绘的复杂地形图像特征提取方法优于传统地形图像特征提取方法,其灰度值和实际值相差较小,吻合度较高,且提取精度较高。     

基于三维激光点云的运动图像动态目标识别方法

当前的动态目标识别方法在场景复杂的图像中,因为无法采集足够多的特征信息,导致识别结果应用性受限。基于三维激光点云提出一种运动图像动态目标识别方法。利用三维扫描系统获取运动点云图像特征,在不影响有效信息采集的情况下,进行图像预处理;引入地平面方程,将图像背景点云与被识别目标点云通过欧式聚类法分割,提取处理后的被识别目标关键点,并采用Freeman链码检测边缘特征,完成运动图像动态目标识别。试验对比结果表明,所研究基于三维激光点云的运动图像动态目标识别方法,对动态目标有良好的鉴别能力及较好的识别精度,且所需动态目标识别时间较短。     

基于子图像变标的非线性轨迹SAR成像及其自聚焦方法

合成孔径雷达(SAR)的非线性轨迹运动可能会在雷达回波信号中引入严重的二维空变特性,因此基于方位平移不变性假设的传统频域成像算法不再适用于非线性轨迹SAR的高精度成像。现有非线性轨迹SAR成像算法通常采用复杂的非线性变标(NCS)校正回波信号的方位空变特性,然而NCS参数过多导致算法复杂,使得其当存在较大平台运动测量误差时无法与现有自聚焦算法有效结合。针对该问题,该文提出一种基于子图像NCS的非线性轨迹SAR成像及其自聚焦方法,在保证成像精度的前提下能够减少NCS的参数数量,更有利于后续的自聚焦处理。仿真与实测数据处理验证了所提方法的有效性。     

基于改进YOLOv4的电力设备红外图像识别

针对电力设备红外图像存在的图像视觉效果差、尺度差异性大、数据类别不平衡等问题,提出了一种基于改进YOLOv4的目标检测模型。利用该模型并结合MSRCR图像增强算法对电力设备红外图像进行识别。首先,构建电力设备红外图像目标检测数据集,使用MSRCR算法对原始红外图像进行增强处理,改善雨雾天气下红外图像存在的对比度低、像素模糊等问题,进而提高模型在雨雾天气下对电力设备的检测能力;其次,在YOLOv4骨干网络中引入多尺度卷积模块,通过不同大小的卷积核获取输入图像的多尺度特征,增强对初始特征的表征能力;为进一步提升检测精度,采用Focal loss函数,解决了红外图像数据不均衡导致的分类困难问题。经测试,所提方法对8类电力设备的平均识别精度达96.31%,检测速度达71 frame/s。实验结果验证了所提方法的有效性。     

复杂天气条件下的车牌信息识别

在复杂天气条件下,由于大雾或者强光照射造成车牌成像的失真,使传统基于图像的车牌识别方法难以准确识别车牌信息。文中基于何恺明提出的Dark Channel Prior 和直方图均衡方法能有效消除天气带来的干扰。并通过形态学方法对被噪声影响的图像进行复原、修正,最后通过基于BP神经网络对车牌信息进行识别。实验证明,文中方法对恶劣天气条件下的车牌信息还原清晰,有着较好的识别效果。     

基于残差伪孪生卷积互相关网络的异源遥感图像匹配算法

合成孔径雷达（SAR）成像和可见光成像是遥感卫星的常用成像方式。由于两者在成像信息上具有高度互补性,SAR和可见光的图像数据融合已成为了遥感的一个重要研究领域。异源数据匹配算法的性能直接影响获取地面控制点的精度,匹配算法分为二阶段法和一阶段法,现有的二阶段法难以适应地形复杂的遥感图像,且在速度上无法满足实际的工程需求,而速度满足要求的一阶段法在精度上仍有所欠缺。为解决这个问题,提出了一个可端到端的高精度的基于残差伪孪生卷积互相关网络的异源遥感图像匹配算法。所提算法通过构建基于残差层的伪孪生网络,对提取的SAR和可见光图像的特征进行卷积互相关操作从而实现异源遥感图像匹配。实验结果表明,该算法在保持较高的速度下,较大提升了SAR与可见光图像的匹配精度,为深度学习方法在大规模异源遥感图像匹配任务中的工程应用奠定了基础。     

基于DBN耦合模型的太阳辐照度模拟

在低碳经济的发展趋势下，太阳辐射的精确模拟对于光伏发电行业至关重要。影响太阳辐射的因素十分复杂，其与许多要素之间都存在复杂的非线性关系，这使得太阳辐射的模拟变得相对复杂。目前已有研究表明，机器学习模型能够很好地模拟太阳辐射，可挖掘出太阳辐射和各种影响因素之间的数学关系。文中基于支持向量回归（SVR）、随机森林（RF）、贝叶斯岭回归（BR）、梯度提升树（GBDT）、BP神经网络（BP）等五种机器学习模型，采用2020年1月—2021年4月位于河南的4个光伏发电站的真实卫星数据及地面观测数据进行机器学习建模以及地面太阳辐射模拟。由于传统单一模型的模拟精度较低，为提升模拟精度，通过引入DBN深度信念网络对五种模型模拟的结果进行二次建模，最终得到4个站点的高精度太阳辐射模拟值。研究结果表明，DBN耦合模型能够有效提取不同机器学习模型模拟结果的特征，其模拟效果和鲁棒性显著优于单一机器学习模型。     

改进YOLOv5的车牌检测算法在林区中的应用北大核心CSCD

针对林区环境中现有的交通监控系统目标检测算法在雾、雨、雪等恶劣天气条件下车牌定位困难、精度低和检测速度慢等问题,提出了一种新的车牌检测方法。该方法以YOLOv5(you only look once v5)为基础模型,采用K-means++的方法对实例标签信息进行聚类分析获取新的初始化锚框尺寸,在特征提取网络中融入CBAM(convolutional block attention module)注意力机制提取到检测目标更多的特征信息,选取了CIoU作为损失函数提高检测框定位精度。在预处理方面,模拟摄像头在采集图像时可能产生的干扰,使用OpenCV-Python编写脚本对图像进行处理,增加算法在林区复杂环境下检测的鲁棒性。实验分析表明,该方法的均值平均精度@0.5(mean average precision@0.5,mAP@0.5)达99.5%、均值平均精度@0.5∶0.95(mAP@0.5∶0.95)达86.7%、检测速度达128帧/s、模型大小仅14 M,与YOLOv5以及其他主流目标检测算法相比有更好的准确性、实时性和广泛可部署性。     

一种新的De Bruijn彩色结构光解码技术研究

 为了有效地对De Bruijn彩色结构光编码图像进行高精度的解码,提出了一种新的解码方法,该方法包括基于梯度分析的中心彩色条纹提取方法、基于聚类分析的颜色分类方法和基于双梯度多通道动态规划的特征点匹配方法.该方法适用于每类颜色的像素点成线性分布的调制后结构光图像,能够有效地消除颜色干扰;同时充分利用局部邻域信息,有效地解决了特征点的匹配问题,提高了解码精度.实验表明该方法在不需要假定待测物体全表面单调和严格限制其连续性的条件下,可以有效地改善解码精度,具有较强的鲁棒性.