基于轻量级U-Net深度学习的人体安检隐匿违禁物的实时检测

在高端智能安检系统研发中,如何使受检者在无接触正常行进过程中,对其实施人体是否携带隐匿违禁物的快速高效检测是具有挑战性的关键性技术。被动毫米波成像以其安全无害、穿透性强等突出优势而成为安检成像的热门选项。该文利用被动毫米波成像和可见光成像的优势互补,通过轻量级U-Net的深度学习,研究提出人体安检隐匿违禁物的高性能实时检测算法。首先构建和训练轻量级U-Net分割网络,进行被动毫米波图像(PMMWI)和可见光图像(VI)中人体轮廓的快速分割,实现人体与背景的有效分离,以获取疑似隐匿违禁物的轮廓信息。进而,以轻量级U-Net为工具,通过基于相似性测度的无监督学习方法进行被动毫米波人体轮廓图像与可见光人体轮廓图像的配准,以滤除虚警目标,并在可见光图像中进行疑似目标定位,得到单帧图像的检测结果。最后,通过序列多帧图像之检测结果的综合集成与推断,给出最终检测结果。通过在专门构建的数据集上的实验结果表明,该文所提方法的F1指标达到92.3%,展现出良好的性能优势。     

采用深度卷积神经网络方法的毫米波图像目标检测

通过收集大量的毫米波图像并建立相应的人体数据集进行检测,提出基于Faster R-CNN深度学习的方法检测隐藏于人体上的危险物品。该方法将区域建议网络和VGG19训练卷积神经网络模型相结合,构建了面向毫米波图像目标检测的深度卷积神经网络。为了提高毫米波图像的处理能力,采用Caffe深度学习框架在图形处理单元上进行训练和测试。实验结果证明了基于Faster R-CNN深度卷积神经网络的目标检测方法能有效检测毫米波图像中的危险物品,并且目标检测的平均准确率约94%,检测速度约为6 frame/s,对毫米波安检系统的智能化发展有着极其重要的参考价值。     

基于深度传感器图像分割技术的研究

首先详细介绍了深度传感器获取深度信息的工作原理,并利用深度传感器获取到用户的深度图像信息。然后,对深度图像进行校正,具体包括深度距离与实际距离的转换、深度图像到空间三维坐标的转换、深度图像到RGB图像的配准。最后,利用最优阈值法实现了将预处理后的深度信息中人体与背景的分割。实验结果表明,此方案可以比较完整的提取出人体区域。     

基于深度传感器图像分割技术的研究

首先详细介绍了深度传感器获取深度信息的工作原理,并利用深度传感器获取到用户的深度图像信息.然后,对深度图像进行校正,具体包括深度距离与实际距离的转换、深度图像到空间三维坐标的转换、深度图像到RGB图像的配准.最后,利用最优阈值法实现了将预处理后的深度信息中人体与背景的分割.实验结果表明,此方案可以比较完整的提取出人体区域.     

基于小波包的红外/被动毫米波图像特征融合

红外/被动毫米波(IR/PMMW)复合制导是当前发展多模复合制导技术的热点方向.红外探测系统在低能见度条件下的穿透能力不如被动毫米波,而被动毫米波探测图像分辨率不如红外图像.为了更好地识别目标的轮廓信息,提出一种新的基于小波包边缘检测的特征级主成分融合方法.新方法先用小波包边缘检测方法检测出包含水平边缘、垂直边缘和对角边缘的边缘图像,然后对边缘图像进行小波包去噪,再用主成分融合方法进行图像特征级的融合,最后用阈值方法提取出融合后的边缘.实验仿真结果表明,与传统的小波及小波包边缘检测方法相比,新方法融合后的边缘图像更容易分辨出目标的轮廓信息.     

采用深度图像推断的认知无线电频谱预测算法

针对认知无线电频谱预测效率不高的问题,提出了一种采用深度图像推断的频谱预测算法。该算法将序列预测问题转化为图像推断问题,构建深度图像推断网络实现无线电频谱预测。首先,对历史频谱数据进行预处理,提取频谱数据的变化特征;其次,使用双支路多层并联卷积神经网络提取数据的深度特征,经池化、合并操作输出多层次特征信息;最后,融合不同层次提取的特征信息,实现频谱数据的预测和生成。在真实频谱数据的多个频段对算法性能进行验证,实验结果表明算法能够有效地实现电磁频谱数据的预测,具有预测精度高的特点。     

基于融合边缘变化信息全卷积神经网络的遥感图像变化检测

高分辨率遥感图像变化检测是了解地表变化的关键,是遥感图像处理领域的一个重要分支。现有很多基于深度学习的变化检测方法,取得了良好的效果,但是不易获得高分辨率遥感图像中的结构细节且检测精度有待提高。因此,该文提出融合了边缘变化信息和通道注意力模块的网络框架(EANet),分为边缘结构变化信息检测、深度特征提取和变化区域判别3个模块。首先,为了得到双时相图像的边缘变化信息,对其进行边缘检测得到边缘图,并将边缘图相减得到边缘差异图;其次,考虑到高分辨率遥感图像精细的图像细节和复杂的纹理特征,为了充分提取单个图像的深度特征,构建基于VGG-16网络的3支路模型,分别提取双时相图像和边缘差异图的深度特征;最后,为了提高检测精度,提出将通道注意力机制嵌入到模型中,以关注信息量大的通道特征来更好地进行变化区域的判别。实验结果表明,无论从视觉解释或精度衡量上看,提出算法与目前已有的一些方法相比,具有一定的优越性。     

利用深度和灰度图像实现三维目标的识别与分类

将深度图像和灰度图像相结合,对围绕定轴旋转的三维目标进行了识别与分类。将深度图像作为相位因子,对其进行傅里叶变换,并用其制成三维定向图,用于三维目标的识别和旋转角度的判定;对于灰度图像,采用主分量分析(PCA)的方法,对训练图像进行特征分析。根据深度图像测定的目标角度,对三维目标灰度图像在其所属特征空间进行分解与重构。实验结果表明,综合利用深度图像和灰度图像,可以大大降低目标识别中的误判概率。     

基于多通道特征的SAR图像变化检测

为充分利用SAR图像的细节信息,提高SAR图像变化检测的检测精度及抗噪性能,提出一种基于多通道特征的SAR图像变化检测方法。该方法提出了一种适用于SAR图像的变化检测一体化框架,首先,为了在抑制相干斑噪声的同时尽可能多地保留SAR图像的边缘及局部信息,引入引导图像滤波方法;其次,提取8个通道特征,充分利用了图像的细节信息,获得了性能良好的差异图;最后,利用主成分分析(PCA)和K-means聚类进行差异图分析,得到最终的变化信息。实验结果表明,该方法有效提高了检测精度,并且具有良好的抗噪性能。     

虚拟现实技术下的三维室内设计系统建构

为了提高三维室内设计效果,提出虚拟现实技术下的三维室内设计系统.利用分布式特征信息融合方法创建三维室内设计色彩图像模型,提取三维室内空间分布图像的边缘轮廊检测与特征,使用RGB颜色分解方法分解三维室内空间分布图像的颜色像素特征,与三维点云特征重组方法相互结合,实现三维室内色彩颜色的重构,优化三维室内设计颜色的特征.基于...     

基于生成式对抗网络的太赫兹图像增强

太赫兹扫描成像中,由于激光器功率波动和仪器振动等原因,导致图像对比度较低,成像质量有待提高,且目前针对太赫兹图像的处理还停留在传统算法阶段.本文结合深度学习思想,提出了一种基于生成式对抗网络的图像增强方法.通过对训练集图像引入模糊和噪声,学习低质量图像和高质量图像之间的映射关系,并将其应用在真实太赫兹图像中.实验结果表...     

基于遗传算法的BP神经网络在图像压缩中的应用

以神经网络和遗传算法为代表的进化算法都基于智能信息处理的理论,但是各自都存在一些缺陷.设计并实现了基于遗传算法的BP神经网络算法BP-GA,该算法将遗传算法和BP算法相结合,用基于实数编码的遗传算法优化神经网络的权值后,应用于图像压缩.实验证明,利用此混合神经网络进行图像压缩,压缩比高,图像恢复质量效果好.     

轻量级红外刑侦图像目标识别算法

红外刑侦图像目标识别对刑事侦查具有重要意义,但刑事案件的侦破对时间和置信度要求较高。设计一种保持优异识别精度且具备较快识别速度的轻量级红外刑侦图像目标识别算法,具有十分重要的研究价值。因此借鉴生物免疫的优良特性,设计了免疫原性深度神经网络算法。该算法通过构建先天性免疫网络和适应性免疫网络来提取图像特征,然后设置免疫原性网络增强算法在处理图像特征映射时对不同通道之间优先级的调整能力,从而提高算法的精度和速度。实验结果表明,本文算法有效实现了红外刑侦图像的快速精准识别。与VGG16、VGG19、Resnet34、Resnet50、MobilenetV2等模型相比,本文算法不仅取得了99.4%的最高测试准确率,而且还具备最快的识别速度。     

基于多流扩张残差稠密网络的图像去雨算法

针对传统图像去雨算法未考虑多尺度雨条纹及图像去雨后细节信息丢失的问题,提出一种基于多流扩张残差稠密网络的图像去雨算法,利用导向滤波器将图像分解为基础层和细节层。通过直接学习含雨图像细节层和无雨图像细节层的残差来训练网络,缩小映射范围。采用3条带有不同扩张因子的扩张卷积对细节层进行多尺度特征提取,获得更多上下文信息,提取复杂多向的雨线特征;同时,将扩张残差密集块作为网络的参数层,加强特征传播,扩大接受域。在合成图片和真实图片上的实验结果表明,所提算法能有效去除不同密度的雨条纹,并较好地恢复图像细节信息。通过对比其他算法,证明了所提算法在主观效果和客观指标上都有提升。     

基于无线网络通讯技术下的视频融合技术

随着无线多媒体网络技术和计算机技术的发展,视频图像处理技术取得长足进步。现阶段我国对视频图像的处理要求越来越高,其相应的通讯技术要求也随之提高。文中论述了视频图像处理中的无线网络与通讯技术,以及与视频图像处理相关工作的完善和提高。     

基于残差网络的光学遥感图像场景分类算法

提出一种基于卷积神经网络中残差网络的遥感图像场景分类方法.本文方法在原网络模型中嵌入了跳跃连接和协方差池化两个模块,用于连接多分辨率特征映射和融合不同层次的多分辨率特征信息,并在3个公开的经典遥感数据集上进行了实验.结果证明,本文方法不仅可以将残差网络中不同层次的多分辨率特征信息融合在一起,还可以利用高阶信息来实现更具...     

基于组合差异图和卷积小波神经网络的SAR图像变化检测

合成孔径雷达(Synthetic aperture radar,SAR)图像变化检测可以看作是一个分类过程,像素被分类为变化类和不变类.但是,差异图的质量影响了现有方法的检测精度.为了提供高质量的差异图,提出一种基于组合差异图和卷积小波神经网络(Convolutional-Wavelet Neural Network,...     

基于编码-解码神经网络遥感图像语义分割应用研究

图像分割的实现经历了从传统方法到神经网络方法的演变。本文从图像分割的发展过程入手,介绍了图像分割与语义分割的区别,对最近几年传统图像分割方法在遥感图像分割领域的应用进行梳理分析,总结了传统遥感图像分割方法的不足。基于此,归纳了几种经典编码-解码神经网络架构在遥感图像语义分割领域的应用,对其改进方式进行了综合性分析,并对其未来的发展趋势进行展望。     

基于GAN和CNN-ELM的监控图像智能修复及检测方法

针对目前石化危险品装车过程中海量监控视频图像人为处理效率低下、模糊图像识别率低等问题,提出一种基于生成式对抗网络(GAN)和卷积神经网络(CNN)与极限学习机(ELM)相结合的监控模糊图像智能修复及检测方法.首先,使用深度学习网络作为 目标检测框架,利用GAN网络中生成器与判别器间的零和博弈对模糊图像进行复原,得到清晰完整的作业图像;其次,利用CNN自适应学习图像特征的能力,对修复后的图像进行自主特征提取;最后,将提取的图像特征输入ELM分类器中进行目标识别与分类,判断作业过程是否存在违规行为.试验结果表明:所提方法图像修复速度快,视觉效果自然,且目标识别准确率高,具有很好的泛化能力.     

残差神经网络及其在医学图像处理中的应用研究

残差神经网络（ResNet）是近几年来深度学习研究中的热点,在计算机视觉领域取得较好成就.本文对残差神经网络从以下几个方面进行总结：第一,阐述残差神经网络的基本结构和工作原理;第二,在模型发展方面,以时间为顺序总结了残差神经网络的8种网络模型;第三,在结构优化方面,从残差神经网络的卷积层、池化层、残差单元、全连接层以及整个网络5个方面进行总结;最后,将ResNet应用到医学图像处理领域,主要从图像识别和图像分割2个方面探讨.本文对残差神经网络的原理、模型、结构进行了系统地总结,对残差神经网络的研究发展具有一定的积极意义.