基于孪生检测网络的实时视频追踪算法

目前,在视频追踪领域中,大部分基于孪生网络的追踪算法只能对物体的中心点进行定位,而在定位快速形变的物体时会出现定位不准确的问题。为此,提出基于孪生检测网络的实时视频追踪算法——SiamRFC。SiamRFC算法可直接预测被追踪物体位置,来应对快速形变的问题。首先,通过判断相似性来得到被追踪物体的中心点位置;然后,运用目标检测的思路,通过选取一系列的预选框来回归最优的位置。实验结果表明,所提SiamRFC算法在VOT2015|16|17的测试集上均有很好的表现。     

基于TLD改进的自动人体检测与实时跟踪算法

首先提出一种运动人体检测算法,通过图像序列识别出运动人体作为跟踪目标,然后在TLD算法中引入目标轨迹预测,利用该信息来辅助空间搜索。运动人体检测算法首先采用背景减除和边缘检测算法获得完整目标轮廓,然后使用HU仿射不变矩检测出运动人体,该特征能适应目标旋转、尺度、仿射等变化场合。为提高跟踪实时性,在TLD框架中引入卡尔曼轨迹预测,并先在预测位置邻域搜索。实验结果表明,该运动人体检测算法能够在静态和动态背景下准确地检测出运动人体;改进后的TLD算法与原始算法相比,在准确率不降低情况下,降低了计算复杂度。     

基于Adaboost算法的多姿态人脸实时视频检测

针对实时视频中的多姿态人脸检测问题,应用扩展的类Haar特征,训练能有效检测多种姿态和多种旋转角度人脸的分类器;并使用该分类器实现了一个实时视频的多姿态人脸检测系统.该系统分为训练和检测两个子系统,训练系统应用大量包含正反例子的图片进行训练,得到分类器;检测系统首先使用DiectShow从USB摄像头获取图像,然后读入分类器,对图像进行检测并显示.实验结果表明,该系统能够快速准确地在视频中检测出多种姿态的人脸,有较强的实用价值.     

基于实时小波算法的暂态扰动检测的FPGA实现

通过实时小波算法在FPGA中的实现来检测暂态电能质量问题。采用高、低通分解滤波器来实现小波变换算法,以DB5小波为基函数,通过对暂态电能质量中五种扰动信号建立分析模型进行仿真并基于FPGA硬件平台进行模拟电能信号测试。对比信号源与测试结果中奇异点起止与持续时间,结果证明了该方法的准确性和可行性。     

改进的多目标回归实时人脸检测算法

针对物体检测实时多目标回归算法中分别优化各四个位置参数，割裂了四个位置变量之间的关系，造成对物体的边框回归不够准确且训练不易收敛的问题，提出一种带检测评价函数（Intersection over Union，IoU）作为损失函数的实时多目标回归人脸检测算法。首先基于Redmond等提出实时多目标回归模型，采用该模型检测实时性的机制，然后融合了IoU函数作为位置参数的损失函数，将实时多目标回归模型中的四个独立位置参数整合成一个单元进行优化，避免了基础模型的缺陷。算法在人脸检测基准库FDDB上进行测试，实验结果表明：在人脸检测的有效性上优于主流的传统人脸检测算法，检测速度上领先于其他经典深度学习方法。提出的算法在检测人脸的有效性和检测速度两者之间取得了一个较好的平衡，为构建实用的人脸相关应用系统提供了参考价值。     

用于实时异常检测的树突状细胞算法

为了提高异常检测系统的实时性能,在尽可能短的时间内对出现的异常做出反应,对传统的树突状细胞算法的离线分析过程进行了改进,提出了一种实时分析算法.当抗原被足够多的树突状细胞提呈后立即输出评估结果,从而到达实时或接近实时分析的目的,足够的评判次数减少了误判的影响,与时间序列相关的抗原信号池消除了无关数据的相互干扰,和生物免疫相关的一些随机因素的考虑更加近似地模拟了生物系统的表现.实验结果表明,该算法在实时分析的基础上还具有可观的检测精度.     

一种新的自适应实时活动音频检测算法

针对音频评价系统中信号同步处理对算法准确度、复杂度、实时性等要求,提出一种简单、有效、实时的活动音频检测方法。该方法基于音频短时能量特征,通过能量均值和均方差分层逐步调整,动态设定判决门限,通过倒置非活动音频段,快速区分活动音频和非活动音频。提出的方法在低信噪比环境下也能实时地检测出活动音频。     

基于改进YOLOv3的车辆检测算法

交通场景下的车辆检测问题存在小目标多、目标遮挡严重等情况,鉴于此,提出一种基于改进YOLOv3的车辆检测算法.由于小目标仅包含较少的像素,特征不明显,算法在空间金字塔结构中融入软池化操作,搭建Soft-SPP结构将多重感受野融合,通过软池化操作最大程度地保留细节,有效提取小目标特征;引入坐标注意力机制,在调整每个通道特征分配权重的同时能够捕捉具有精确位置信息的远程依赖关系;提出一种新的损失函数KIoU Loss作为边界框损失函数,同时考虑边界框的关键点与长宽比使之回归更加准确.实验结果表明,改进后的算法在自动驾驶KITTI数据集上平均精度达到94.69%,相比原始YOLOv3算法精度提升4.13%,且检测速度仅下降3.16 frame·s^-1,在保持检测速度的情况下能够明显提升检测精度.     

改进光流法和GMM融合的车辆实时检测算法研究

针对传统光流算法受光照影响较大和在不同场景中检测效果差别较大等问题,提出一种改进的光流法与混合高斯背景模型相融合的运动车辆实时检测算法（improved optical flow and gaussian mixture model,IOFGMM）。首先,在光流算法中加入限制条件使得不同梯度点处采用不同约束;其次,融合高斯混合背景模型（gaussian mixture model,GMM）;最后,采用提出的融合算法比较目标框的数量和目标框之间的重叠面积,从而在监控视频中显示出融合后的车辆检测信息。实验结果表明:该算法在3种不同场景视频上的检测效果达到了84.80%的平均准确率,84.79%的平均召回率以及84.63%的平均F₁值。与经典的光流法和高斯混合背景模型及基于这两种理论的算法相比,IOFGMM算法的各项指标平均有37%的提高,具有良好的检测效果。     

基于改进的YOLOV3口罩佩戴检测算法

为防止病毒的传播,提出一种可以识别人们在公共场合下是否佩戴口罩的目标检测算法。以YOLOV3为基础,将Darknet-53骨干网络结构与Inception-v4思想相结合,在特征提取网络中引入空间金字塔池化(spatial pyramid pooling,SPP)结构,使特征得到增强,准确率得到提升;选取GIoU (generalized intersection over union)损失函数作为评价指标。实验结果表明,改进后的YOLOV3算法能够有效进行口罩佩戴检测,其算法的平均精度均值相比于原始的YOLOV3提高5.4%,达到90.1%。     

基于改进YOLOv3的多尺度目标检测算法

为了进一步提高多尺度目标检测的速度和精度,解决小目标检测易造成的漏检、错检以及重复检测等问题,提出一种基于改进YOLOv3的目标检测算法实现多尺度目标的自动检测。首先,在特征提取网络中对网络结构进行改进,在残差模块的空间维度中引入注意力机制,对小目标进行关注;然后,利用密集连接网络（DenseNet）充分融合网络浅层信息,并用深度可分离卷积替换主干网络中的普通卷积,减少模型的参数量,提升检测速率。在特征融合网络中,通过双向金字塔结构实现深浅层特征的双向融合,并将3尺度预测变为4尺度预测,提高了多尺度特征的学习能力;在损失函数方面,选取GIoU（Generalized Intersection over Union）作为损失函数,提高目标识别的精度,降低目标漏检率。实验结果表明,基于改进YOLOv3（You Only Look Once v3）的目标检测算法在Pascal VOC测试集上的平均准确率均值（mAP）达到83.26%,与原YOLOv3算法相比提升了5.89个百分点,检测速度达22.0 frame/s;在COCO数据集上,与原YOLOv3算法相比,基于改进YOLOv3的目标检测算法在mAP上提升了3.28个百分点;同时,在进行多尺度的目标检测中,算法的mAP有所提升,验证了基于改进YOLOv3的目标检测算法的有效性。     

基于实时信息的车辆导航路由算法

讨论了在动态随机网基于实时信息的车辆导航问题。交通网中的每一路段的旅行时间建模为随机变量,可以在车辆进入路段前根据实时信息估计其旅行时间。与经典最短路径算法不同的是,不需要在车辆行驶前就确定一条从起始点到终点的完整固定的路径,只需要在车辆到达结点时,根据实时信息估算出从当前位置到终点的预计旅行时间,选择下一路段。这样在车辆行驶过程中就能根据提供的实时信息选择更好的路径,达到优化路径的目的。     

基于Lagrange优化算法的分层实时码率控制算法

由于H.264提案中的码率控制算法存在迭代过程,不适合在实时传输的场合.针对这个不足提出了一种基于Lagrange优化算法的分层实时码率控制算法.该算法分为两层,即GOP层码率控制和帧层码率控制.实验结果表明,该算法在PSNR(峰值信噪比),实际码率以及各帧之间的Q值方面均优于原有算法.     

FastFace:实时鲁棒的人脸检测算法

目的 尽管基于深度神经网络的人脸检测器在检测精度上有了极大的提升,但其代价是必须依赖强大的计算资源。如何在CPU上取得较高的检测精度的同时达到实时的检测速度是一个巨大的挑战。针对非约束性条件下的快速鲁棒的人脸检测问题,提出一种基于轻量级神经网络的检测方法。方法 受轻量级网络MobileNet的启发,本文算法采用通道分离的卷积方式进行特征提取,并结合Inception和残差连接的思想,构建若干特征提取模块,最终训练出一个简单高效的特征提取网络;在检测时,采用One-Stage的检测策略,在骨干网络的若干不同层级上使用卷积的同时进行目标区域的分类和定位;在进行目标区域精调时,需要先在对应的特征层上预设先验框,然后再使用边界框回归算法调整先验框的位置和大小,使之接近真实框的位置。为了减少先验框的数量以节省模型参数,本算法针对人脸目标框的特点设置先验框。结果 基于TensorFlow深度学习库构建和训练本文的检测模型,在FDDB数据集上对其进行测试,并与若干经典算法对比了检测速度和精度。相较于多任务级联卷积网络（MTCNN）等典型的深度学习方法,本文算法在CPU上将检测速度提升到25帧/s,同时平均精度（mAP）保持在0.892,高于大多数传统算法。实验结果表明本文方法能实现在CPU上的实时、高精度检测。结论 提出了一种基于轻量级网络模型的人脸检测方法,以简单高效的卷积模块为基础构建骨干网络,并在检测时针对人脸比例特征设置合理的先验框。在非约束性条件以及有限计算资源条件下,该方法不仅在精度上表现良好,而且具有较快的检测速度,是一种鲁棒的检测方法。     

An algorithm for real-time failure detection in Kalman filters

An algorithm is presented for solving the problem of real-time failure detection in dynamic systems using Kalman filters. We give a geometric solution to derive a test decision based on the overlap between the confidence regions associated with two estimates: one obtained using on-line measurements and the other based on a priori information. The implementation of a necessary and sufficient condition is shown to result in a scalar test. The advantage compared to standard techniques is a significantly lower computational burden     

改进Faster R-CNN的汽车仪表指针实时检测

针对产业化的汽车仪表指针人工视觉检测效果差、检测速度慢和实时性低等问题,本文提出了一种改进的Faster R-CNN汽车仪表指针实时检测算法。通过改进原始的RoI网络层结构,实现小目标高低层特征之间的完整传递;采用双线性内插算法替代两次量化操作,使得特征聚集变成连续的过程,能够有效减少计算时间;最后将工业机采集的视频数据,预处理成VOC格式数据集进行训练,调整超参数得到改进汽车仪表指针检测模型。实验结果表明:所提出的方法能够快速、准确地实现汽车仪表指针检测,单张图片的平均检测时间为0.197 s,平均检测精度可达92.7%。在不同类别仪表指针的迁移实验中,展示了良好的泛化性能。     

基于注意力机制的3D车辆检测算法

3D车辆检测是自动驾驶场景中的一个关键问题,涉及到3D目标检测与目标分类。目前的3D检测与分类网络对于所有输入的点云数据一视同仁,但在实际检测过程中,点云中不同点对于检测的重要程度可能并不相同。为了得到更好的检测结果,通过引入注意力机制来得到不同点的特征的权重,从而在回归时让部分点的特征得到更多的重视。实验表明,该算法在保证实时效率的前提下,与现有算法相比,具有更高的准确度。     

基于3D模型和AdaBoost算法的绝缘子检测

随着电力系统直升飞机巡线的不断发展与应用,对于输电线路关键部件的检测与识别越来越受到图像处理工作者的青睐。提出了一种利用3D模型制作训练样本及Ada Boost算法实现的航拍图像绝缘子自动检测方法。根据绝缘子3D模型图像的空间结构特征,提出了能反映这些结构的Haar矩形特征,从中挑选对绝缘子航拍图像有最好区分的特征构成弱分类器,再组合生成强分类器。使用正负样本图像训练后,由强分类器级联组成了一个多层分类器系统。实验结果表明,该方法有效地提升了绝缘子的识别效果,为后续的故障检测工作提供了良好的铺垫。     

基于变形分析的三维Susan角点检测算法*

为了准确地在三维网格模型上定位特征角点,提出了一种基于变形分析的三维Susan角点检测算法。算法首先利用邻接区域信息定义顶点的变形函数,由变形函数值得到候选角点集合;对于候选角点,设定比较区域,在区域内用相似比较函数确定角点;最后,在一定邻接区域内使用非极大值抑制去除虚假角点。使用特定模拟数据和真实三维人脸模型进行角点检测,实验结果验证了该算法的优越性和有效性。     

基于改进YOLOv3的实时交通标志检测算法

针对目前我国智能驾驶辅助系统识别道路交通标志检测速度慢、识别精度低等问题,提出一种基于YOLOv3的改进的道路交通标志检测算法。首先,将MobileNetv2作为基础特征提取网络引入YOLOv3以形成目标检测网络模块MN-YOLOv3,在MN-YOLOv3主干网络中引入两条Down-up连接进行特征融合,从而减少检测算法的模型参数,提高了检测模块的运行速度,增强了多尺度特征图之间的信息融合;然后,根据交通标志目标形状的特点,使用K-Means++算法产生先验框的初始聚类中心,并在边界框回归中引入距离交并比（DIOU）损失函数来将DIOU与非极大值抑制（NMS）结合;最后,将感兴趣区域（ROI）与上下文信息通过ROI Align统一尺寸后融合,从而增强目标特征表达。实验结果表明,所提算法性能更好,在长沙理工大学中国交通标志检测（CCTSDB）数据集上的平均准确率均值（mAP）可达96.20%。相较于Faster R-CNN、YOLOv3、Cascaded R-CNN检测算法,所提算法拥有具有更好的实时性和更高的检测精度,对各种环境变化具有更好的鲁棒性。