基于概率神经网络的人群密度估计

研究图像在频域中的纹理特性,实现了在频域中的人群密度估计.首先,对视频的每一帧进行离散余弦变换(DCT),将视频图像的空域性质转化到频域中;其次,统计分析视频图像DCT变换矩阵的纹理特性,提取能描述不同密度等级的纹理描述子作为特征向量;最后,用提取出的特征向量训练概率神经网络,并进行人群密度等级估计.实验表明,该方法可以很好地进行密度估计,获得了较高识别效率.     

基于卷积神经网络的多尺度融合特征图在人群密度估计中的应用

提出了一种以Unet++为基础的卷积神经网络,适用于人群密度估计。该网络的优点是用并行连接的方式进行多尺度融合结合浅层网络的细节信息和深层网络的高阶语义信息来消除两者之间过大的语义鸿沟。此外,还引入了膨胀卷积来提高网络性能。在Shanghai Tech和UCF_CC_50两个通用人群密度估计数据集上进行实验选取平均绝对误差(MAE)和均方误差(MSE)作为评价指标。实验结果表明在这两个数据集上该网络均有效降低了MAE和MSE,说明其在人群密度估计方面有较好的准确度和鲁棒性。     

基于深度卷积特征的图像实例检索方法

针对计算机视觉领域的图像实例检索问题,提出了一种从卷积神经网络提取图像全局特征表示和目标对象区域特征表示的图像实例检索方法。该方法首先利用区域生成网络学习目标实例的区域位置坐标,并结合相关卷积网络提取的图像区域特征构建由过滤阶段和空间重排阶段组成的实例检索系统。在此基础上提出过滤阶段和空间重排两阶段查询扩展方法进一步提高系统检索性能。最后,提出了两种微调网络模型策略,更新网络前两个卷积层后所有层的权重以适应图像实例检索和位置坐标。通过在两个公用实例检索数据集(Oxford Buildings 5k和Paris Buildings 6k)上进行详尽实验验证,结果表明,提出的基于深度卷积特征的图像实例检索方法有效地提高了图像实例检索的准确率和可靠性,降低了实例检索误检率,得到的实例位置更加准确。     

基于双向特征金字塔和深度学习的图像识别方法

图像物体识别与检测(图像识别)是计算机视觉领域的一个基础性任务.近年来,深度神经网络等推进了图像物体识别的发展.多尺度问题是图像识别的难点问题之一.引入特征金字塔是解决图像多尺度物体识别的有效途径之一.然而,现有基于特征金字塔的方法大多采用自上而下的语义特征信息融合方式,无法提升大尺度物体识别的精确率.为解决该问题,提...     

一种基于三维深度数据的脸部特征检测方法

提出了一种表征曲面上某点局部形状的新方法--曲率符号分布形状描述子（CurSignTration）。根据高斯曲率和平均曲率的符号确定曲面上点的形状分类，对某点邻域内所有点的形状按编码进行统计，将统计结果归一化后得到的直方图作为该点的CurSignTration。CurSignTration描述了三维深度图像中某点邻域的形状分布状况，对给定的三维深度数据点建立了一种除坐标之外的特征信息。这种表征方法对平移、旋转及镜像变换具有不变性。结合基于外观的人脸特征检测方法，用CurSignTration可以对人脸的三维深度图像进行姿态不变的脸部特征检测。对15张三维深度人脸图像的特征点检测结果表明了CurSignTration的有效性。     

基于核密度估计和CatBoost算法的光伏功率预测方法

针对传统单一模型难以有效分析历史数据的波动性规律，从而导致光伏功率预测精度不高的问题，提出了一种基于核密度估计和CatBoost算法的超短期光伏功率预测方法。首先，采集相关的辐射、温度和湿度等特征量，创建光伏功率概率分布统计模型；其次，基于功率分布特性和CatBoost算法构建光伏电站功率预测模型；最后，将所提出的模型应用到实际算例中验证其有效性。通过与常用的预测算法对比，所提模型的预测误差相较于传统模型SVR、DTR、KNN、LSTM、LightGBM分别下降了27.59%、8.69%、16.21%、23.33%和12.56%。     

基于余弦核函数在Solve-the-Equation方法下的核密度估计

核概率密度函数估计是对未知的概率密度函数进行估计的一种方法,其中关键是对核函数的选取以及窗口宽度的确定.利用Solve-the-Equation方法对窗宽中存在的二阶导数进行推导,设计迭代算法得出在Solve-the-Equation方法下的最优窗口宽度.在核方法确定的情况下,利用余弦核函数对未知的概率密度函数进行估计,并对改进核函数进行估计,找到最优的余弦核函数,通过验证得出改进后的核函数其估计精度和平滑度都有所提高.     

基于深度神经网络的车辆特征识别方法

提出了一种基于深度神经网络的车辆特征识别方法,通过车辆特征智能检测识别实现交通智能监控和管理.采用三维区域轮廓扫描方法进行车辆图像采集和几何形状判断,对采集的车辆图像进行边缘轮廓检测和信息增强处理,突出车辆的类别属性特征点,在仿射不变区域对车辆角点分布信息进行直方图均衡化处理,实现车辆像素特征点的提取.对提取的像素特征点采用深度神经网络进行分类训练,实现车辆特征的智能识别.选取大量交通视频图像进行实验,仿真结果表明采用该方法进行车辆特征识别的成功率较高,输出车辆特征点正确的像素总数较多,对目标车辆的准确检测定位性能较好.     

基于核密度估计的实验室能力验证

在能力验证活动中,针对稳健统计方法造成分类不精确的问题,利用核密度估计函数设计了一种纵向分类的评价标准.该方法以实验室测得的原始数据,运用核函数估计数据所服从的密度函数,然后计算出各测量值对应的函数值,通过函数值的大小达到分类的效果.实验结果表明:该方法增加了测量结果的满意度,弥补了稳健统计方法只能对正态分布数据进行分类的不足,扩大了数据分类的范围.     

组合动作空间深度强化学习的人群疏散引导方法

人群疏散引导系统可在建筑物内发生灾害时有效保护生命安全,减少人员财产损失.针对现有人群疏散引导系统需要人工设计模型和输入参数,工作量大且容易造成误差的问题,本文提出了基于深度强化学习的端到端智能疏散引导方法,设计了基于社会力模型的强化学习智能体仿真交互环境.使智能体可以仅以场景图像为输入,通过与仿真环境的交互和试错自主...     

基于核密度估计的遮挡人体跟踪

充分利用空间、颜色、运动等信息对图像进行块建模、颜色建模和运动建模.通过混合高斯建模法,将运动人体的前景信息提取出来;基于Epanechnikov核密度梯度估计算法,对存储模型中的人体进行聚类,实现块建模;采用非参数的核密度估计算法和基于高斯分布的运动建模,分别获取颜色密度函数和运动密度函数,并利用颜色密度函数和运动密度函数对当前帧的前景区域进行后验概率估计,以获取后验概率图像,根据对该图像中遮挡人体进行分割以实现人体目标的跟踪.实验结果表明:基于核密度估计的遮挡人体目标跟踪算法有效地解决了遮挡人体目标跟踪问题.     

基于深度特征与局部特征融合的图像检索

为了提高准确率与效率,提出一种基于深度特征与局部特征融合的图像检索方法,选择深度特征作为全局特征,局部特征采用加速不变特征(speeded up robust features,SURF)和局部二值模式(local binary pattern,LBP)等.为了解决典型相关分析(canonical correlation analysis,CCA)的特征融合方法存在信息缺失、信息冗余2个缺陷的问题,将目标函数改进为最小化特征之间的相关性,求解出变换基,通过投影变换得到2种特征中各自所包含的独立性信息,在此基础上加入其中一方所包含的相关性信息,得到最终的融合结果.改进后的融合方法能够更加全面地表征原始数据,同时消除冗余信息.在实验中,首先通过图像分类的应用验证了深度特征与LBP特征融合具有较好的判别能力,平均分类准确率达到99.1%,同时具有较高的时间效率.通过实验讨论不同维度对特征融合性能的影响,结果表明,增加特征选择的维度能够在一定程度上提高分类准确率.最后,验证基于深度特征与局部特征融合的图像检索方法,计算融合特征的相似性距离,根据距离度量得到检索排名.在实验数据集上查准率为98....     

基于非参数核密度估计的童装号型档差的确定方法

针对目前国内缺少0～6岁童装号型的现状,以及参数模型在划分服装号型时的局限性,在对被测儿童身高和胸围数据统计分析的基础上,对将非参数核密度估计方法用于确定童装号型身高和胸围的档差中的工作,进行了探索性研究,为划分童装号型时身高和胸围档差的确定提供理论依据和新的思路.     

基于面部特征的深度学习安全帽检测

在工人伤亡事故中头部受伤占伤亡事故的绝大部分。针对工人安全帽检测传统方法与检测场景关联性低、实用性差等问题,提出了一种采用面部特征与神经网络相结合的算法。该算法以多任务级联卷积神经网络(MTCNN)提取脸部特征与VGG深度卷积神经网络相结合进行安全帽检测,并且检测模型占用内存小、识别准确性高、算法实用性强,能有效监督安全帽佩戴情况,给工人施工提供安全保障。     

融合学习过程特征的深度知识追踪方法

在线学习已成为学习者获取知识的重要途径,准 确 和 及 时 了 解 在 线 学 习 者 的 知 识 状 态,并 提供个性化的在线学习支持服务,已成为智能教 育 领 域 的 研 究 热 点。针对现有知识追踪方法 仅 对学习结果进行建 模,鲜有对学习过程特征挖掘建模的研究现状,首 先,从 Ｐｏｓｔ－ｈｏｃ视 角 利 用 ＢＯＲＵＴＡ 特征选择模型挖掘在线学习过程中的多维特征;然后,在 ＤＫＶＭＮ 模 型 基 础 上 构 造 多 维特征网络,设计融合学习过程特征的深度知识追踪模型;最 后,提出深度知识追踪优化方法 ＤＫＶＭＮ－ＢＯＲＵＴＡ。研究结果表明：在公共数据集和实际教学环境的实验条件下,深 度 知 识 追 踪优化方法在 ＡＵＣ评价指标上优 于 传 统 深 度 知 识 追 踪 方 法,证 明 所 提 方 法 具 有 较 好 的 预 测 和 服务效果。     

基于深度学习的出行模式识别方法

居民出行信息可体现居民活动规律、反映城市交通问题,是制定交通规划与管理的重要依据.利用GPS获取的轨迹数据虽具有大量时空信息但不能直接表达出行模式,需要数据处理和挖掘算法提取隐藏知识来识别出行模式.由于居民出行模式具有高度的非线性和复杂性,识别具有很大挑战.本文利用深度学习方法的特征学习表征优势,解决特征提取的繁琐计算或漏提特征等弊端,通过对轨迹进行去野和划分等预处理后,计算轨迹片段的运动学特征构成输入数据,提出基于卷积神经网络与门控循环单元相结合的识别出行模式方法,利用卷积神经网络的深层特征表征优势和门控循环单元的时序特性挖掘能力,提高对非线性分类问题的学习能力和识别出行模式的准确性.为验证所提出方法的有效性,还设计单独的卷积神经网络和门控循环单元等模型,在Geolife数据集上进行测试和对比.实验结果表明,本文方法虽仅计算4个特征量仍具有较好的识别效果,并且优于单独采用卷积神经网络等分类方法的识别性能.     

基于深度学习的行人多目标跟踪方法

综合了近年来基于检测跟踪的主流行人多目标跟踪方法,介绍了基于检测的行人多目标跟踪方法概念,从目标检测、特征提取和数据关联与跟踪三个阶段对行人多目标跟踪方法进行了概述,比较并评价了这些方法在MOTChallenge系列数据集上的性能,阐述了多目标跟踪的未来研究方向.     

融合局部纹理特征的核密度估计运动目标检测

针对运动目标检测中光照变化、移动阴影问题,提出一种基于多维特征的核密度估计运动目标检测方法。提出一种改进的局部纹理特征二值模式,对噪声和灰度尺度变化具有更好的鲁棒性,在背景建模中将该纹理特征与颜色特征融合进行概率核密度估计,并结合像素的邻域相关性抑制虚假前景以更好地应对多模态背景场景。实验结果表明:在基于纹理特征或核密度估计的同一体系算法中,本文方法对光线渐变以及运动柔性阴影都有较好的鲁棒性,综合性能指标提高了18%;与目前性能优越的算法纵向比较,能在平均检测性能相当的情况下提高50%的处理速度,更好地平衡检测效果与时间性能。     

基于Kinect的深度图像修复方法

提出采用基于权值的联合双边滤波器(WJBF)和深度补偿滤波器(DCF)相结合的方法对深度图像进行修复。首先,通过Kinect获得对齐后的彩色图像和深度图像;然后,利用基于权值的联合双边滤波器处理深度图像中的空洞和噪声;最后,用深度补偿滤波器减少边缘模糊。将本文算法与3种常用的深度图像修复方法进行了定性和定量上的分析和对比,实验结果表明,本文方法具有更好的修复效果。     

基于体积和纹理特征的深度像匹配

提出一种深度像精匹配方法,利用深度像重叠区域的空间体积和纹理特征,定义深度像匹配的误差测度函数,构造三角网格近似物体表面.通过寻找不同坐标系下深度像之间的精确空间坐标变换关系,实现深度像的精匹配.实验结果表明,用体积和纹理特征能准确反映深度像之间的距离关系,且对准精度高,收敛速度快.