基于多层自适应聚类模型的密集人群分群检测算法

针对存在更复杂运动模式的无序运动人群密集场景,提出了一种基于多层自适应聚类模型的分群检测算法.以基于高斯混合模型的背景去除算法和自适应初始化聚类算法为核心,通过建立多层自适应聚类模型实现密集人群的分群检测.实验数据库选用了大量真实室内外密集人群运动场景视频,并通过大量对比实验验证了算法的有效性、可靠性和优越性.     

融合多特征信息的密集场景人群分群检测算法

针对存在更复杂运动模式的无序运动人群密集场景,提出了一种有监督的密集场景人群分群检测算法,不仅能够实现运动前景的自动定位和跟踪,而且还能够在有先验信息的条件下准确定位分群区域。结合个体之间运动轨迹时空距离特征、运动方向特征、格兰杰因果性特征、热能图特征以及运动相关性特征,采用结构化支持向量机在训练集上进行训练,对测试集人群进行了分组测试。选用了大量真实室内外密集人群无序运动场景视频进行测试,试验结果表明,该方法对密集人群分组有较好的处理效果。     

基于深度学习的密集行人检测场景算法研究

针对密集行人检测场景存在目标尺度过小以及目标遮挡等问题,提出一种基于改进YOLOv7的密集行人检测算法。首先在特征提取网络引入MobileNet注意力模块,减少模型计算量和增强特征提取能力;其次在特征融合网络加入BepC3模块,提升了行人多尺度特征融合的能力;最后采用WD-Loss作为定位损失函数,提高模型检测的定位精度。在Wider-Person拥挤行人检测数据集上进行训练和验证,实验结果表明改进后的算法模型AP₅₀精度达到了0.784,领先原YOLOv7算法0.031。     

人群密集场景中运动模式识别

针对从人群密集场景中识别运动模式的问题,提出了距离依赖中餐馆连锁店过程混合模型。该模型是一种引入依赖关系的层次化非参贝叶斯模型,能够通过引进独立于数据观测值的距离依赖信息,准确建模自然分组的数据,从中挖掘共享的数据模式。给出了模型的建立过程,并通过吉布斯采样的方法对模型进行求解,同时展示了相关的实验结果。通过对纽约广场火车站监控场景数据集中47 866条片段轨迹的建模分析,证明了模型可以自动确定场景中运动模式的个数,从不完整的轨迹中以98%的正确度学习并表达运动模式,并且能够在不同的运动模式之间共享公共的子模式。     

基于用户分群的超密集小区网络资源分配

为了降低超密集小区网络中的小区间干扰,给出一种利用用户信干噪比和干扰泄漏计算连续权值的用户分群方案。利用连续权值进行用户分群后,采用次优化的启发式算法为用户群分配资源。仿真结果表明,与现有的用户分群算法相比较,所给算法的系统吞吐量可提升20%~35%,同时单个小区的吞吐量也可提升5%~10%。     

基于光流及轨迹的人群异常行为检测

针对复杂背景及遮挡等原因引起人群异常行为检测性能低的问题,本文提出了一种基于综合光流特征描述符(SOFD)及轨迹的人群异常行为检测方法.首先,根据人群光流场变化计算人群运动速度、加速度、方向和能量,并利用上述特征设计新的时空特征描述符,即SOFD.其次,利用KLT追踪算法获得人群运动轨迹单帧图.最后,基于所获取的上述特...     

一种基于脉线流卷积神经网络的人群异常行为检测算法

在计算机视觉领域,人群异常行为检测技术可以广泛应用于视频监控、智能视频分析、群体行为识别等领域,因此,受到了学者们的广泛关注。由于视频中人群目标具有尺度变化大、透视形变、标注偏置等特点,人群异常行为检测依然是一个具有挑战性的难题。为此,本文提出了一种基于脉线流和卷积神经网络的人群异常行为检测方法(Streak Flow CNN Abnormal Behavior Detection,简称SFCNN-ABD)。SFCNN-ABD通过卷积神经网络获取显著的人群行为空域特征,并通过脉线流结合卷积神经网络获取人群行为时域特征。SFCNN-ABD是一个双流网络,网络结构由两个深度残差网络作为骨干网络,分别为空域网络和时域网络。其中,空间域网络的输入是原始视频帧,提取人群行为的表观特征,而时域网络利用脉线流提取人群行为的运动特征,脉线流能更准确地识别场景中的空域和时域变化,因而能进一步提升人群异常行为检测的准确性。最后将两个网络的输出进行融合,完成人群异常行为的检测。在UMN和VIF两个公开基准数据集进行了测试,实验结果表明本文方法的性能优于当前主流算法,验证了本文方法的有效性。     

基于密集连接网络的晶圆图检测

晶圆图(WBM)检测是评估半导体生产工艺的关键手段,有效的检测方法能够提升生产效率与产品良率。本文提出了一种基于密集连接网络的晶圆图缺陷模式检测方法,并根据晶圆图特点对模型结构和损失函数进行了改进。此外,提出了一种受限均值滤波算法滤除噪声晶粒。在模型预测时,采用基于熵的蒙特卡洛Dropout算法来量化模型决策的不确定性。实验结果表明,对于典型的晶圆缺陷模式,改进模型的识别能力优于传统算法。通过分析模型不确定性,不仅可以有效地降低漏检率和误检率,还有助于发现新模式。     

基于密集连接网络的驾驶疲劳状态检测方法

为了解决疲劳驾驶易造成交通事故的问题,提出了基于密集连接网络的驾驶疲劳状态检测方法.首先,借助摄像机采集驾驶状态视频,获取视频帧图像后利用图像处理技术进行图像预处理;利用自适应提升算法检测人脸,再用灰度积分投影和径向对称变换算法定位驾驶员的眼部区域;然后,通过密集连接网络精确判别眼睛状态,在网络中设置了3个密集连接块以减少特征参数和加快训练速度,且采用稀疏化结构以减少存储量和增强特征传播;最后,借助2个疲劳参数综合判断驾驶员的疲劳状态,使检测结果更为准确.定性和定量实验结果证明,该方法在准确率等方面优于现有技术.     

交通事件检测的一种滤波算法

利用维纳数字滤波原理,提出了交通事件检测的一种滤波算法,叙述了该算法的原理方法。     

基于边缘检测的Kinect深度图像去噪算法

Kinect实时提取的深度图像映射得到的彩色图像以及目标背景分离图像边缘存在明显锯齿,且图像噪声大,质量较差。对此提出一种针对Kinect深度图像去噪算法。运用基于Prewitt算子的分块自适应阈值边缘检测算法可得到比较精细的图像边缘;进而根据获取边缘信息对深度图像进行分类,边缘区采用单向多级中值滤波算法进行降噪处理,而非边缘区采用双向多级中值滤波算法进行降噪处理。最终利用Kinect得到边缘清晰,噪声较小的高质量深度图像,实验证明了算法的有效性。     

基于差分响应图的无监督特征点检测网络

为了突破基于人工设计的特征点检测器的性能限制,提出了一种新的数据驱动的基于差分特征响应图的无监督特征点检测网络。该网络使用不同尺度的卷积核计算差分输出,利用差分响应图的绝对值大小筛选出大量特征点,并评判这些特征点重要性程度。同时采用旋转、光照、模糊等多种图像变换训练检测器,获得相应特征不变性,使得该网络更适用于小规模数据集训练。通过在3个常用数据集上进行实验,并与现有经典算法进行定性与定量的对比分析,结果表明,基于差分响应图的无监督特征点检测网络能较好地完成特征点检测任务,所需训练时间更短、边缘定位更准确、数据集规模依赖性更低,优化特征点检测性能。     

一种基于肤色特征的人脸特征点定位方法

针对传统人脸特征点定位方法中存在的算法复杂、鲁棒性差以及精确度低等问题,本文提出一种基于肤色特征的人脸特征点自动定位方法.首先对预处理后的图像在多个色彩空间中利用肤色特征实现人脸区域的精确定位;然后,在人脸区域内根据各特征部位的特性构造色度模型函数来标定其特征区域;最后,在特征区域内完成人脸特征点的自动定位.实验结果表明,该算法简单、鲁棒性较高,且能够快速高效地实现人脸特征点定位.     

人脸图像特征点的定位与提取方法的研究

对于复杂的人脸模式，脸部特征定位是人脸自动识别技术的关键.对人脸图像特征点的定位过程和提取算法进行了研究.通过对人脸图像进行增强与平滑等预处理，并生成清晰完整的二值化图像；利用灰度积分投影曲线确定人脸区域，以缩小定位范围；同时找到垂直方向上人脸特征的大致位置，以便进行下一步的特征提取工作；以粗定位为基准，按照适当的方法对眼、鼻、嘴的特征点依次准确提取.利用粗略与精确两步定位过程方法，在简化处理的同时，可准确提取正面人脸图像中的特征点.实践证明，该方法直观、可靠，具有良好的实用性.     

人脸识别中基准点的选取与特征点定位

提出了一种基准点选取的新方法,为实现不同性别人脸图像的识别开辟了一条可行之路,还提出了去除眼镜对眼域定位影响的“峰定位法”,为解决戴眼镜人脸图像的识别问题提供了一个行之有效的方法．实验表明,文中方法对特征点定位准确,速度快．     

高精度自动对准系统中特征点提取方法的研究

基于高精度自动对准系统中的视觉定位系统,对定位标识图像进行系列的图像处理算法研究和技术处理.为有效提取芯片定位标识图像的特征点,通过分析比较,对定位标识图像,首先采用SUSAN滤波算法进行噪声平滑,再对其进行迭代分割,最后采用SUSAN角点提取算法进行特征点提取.该算法能快速有效的提取特征点,可大幅度提高后续的图像匹配的精度和速度.     

奇异信号的小波奇性检测与小波滤波

对奇异信号在小波变换下的奇异点特征进行分析,并将小波奇性检测运用小波滤波,实现了奇异信号的时－频二维滤波,使滤除噪声同时保留了信号的奇异点信息。