城市道路视频中小像素目标检测

视频图像中的小像素目标难以检测。针对城市道路视频中的小像素目标,本文提出了一种改进YOLOv3的卷积神经网络Road_Net检测方法。首先,基于改进的YOLOv3,设计了一种新的卷积神经网络Road_Net;其次,针对小像素目标检测更依赖于浅层特征,采用了4个尺度检测方法。最后,结合改进的M-Softer-NMS算法来进一步提高图像中目标的检测精度。为了验证所提出算法的有效性,本文收集并标注了用于城市道路小像素目标物体检测的数据集Road-garbage Dataset,实验结果表明,本文算法能有效地检测出诸如纸屑、石块等在视频中相对于路面的较小像素目标。     

复杂动态背景下的运动目标检测

为实现复杂动态背景下快速、准确地检测运动目标,提出一种改进二进制鲁棒不变尺度特征(BRISK)算法的运动目标检测方法。首先对图像进行分块,利用图像熵对图像块进行筛选;然后针对特征匹配过程中存在大量误匹配的问题,采用k近邻算法与欧氏距离进行特征匹配;最后通过改进的顺序抽样一致性算法进行特征点提纯,进一步完成背景运动补偿,从而利用形态学处理分割运动目标。采用多组视频图像进行验证,本文算法在原BRISK算法的基础上去除了32.7%的特征点,并且匹配效率提高了75%,处理速度比以往算法快,并且具有较强的抗噪性能。     

四帧间差分与光流法结合的目标检测及追踪

为了能在复杂环境下快速、准确地对多个目标进行检测及追踪,本文结合四帧间差分算法与光流算法,提出了一种更高效的运动目标检测算法。本算法为了提升光流法的处理速度并降低光照等环境所带来的影响,首先对视频序列进行四帧间差分处理,然后将得到的差分视频序列进行光流处理,以实现对视频中目标的准确检测。最后将该算法与粒子滤波、ViBe等算法进行比较,并在不同场景下对不同运动目标、不同个数目标进行捕获处理,结果表明,本方法不仅具有较好的鲁棒性,而且能够更快速、准确的对目标进行检测与追踪。     

基于统计学习的运动目标轨迹跟踪

为了更准确地跟踪被动辐射源的运动轨迹,提出了一种将到达时差(TDOA)最大似然定位方法与基于统计学习的算法相结合的轨迹跟踪算法.该算法利用TDOA最大似然网格搜索法对目标进行多次单独定位,获得目标初始轨迹,然后应用统计学习算法对轨道进行学习和拟合,输出运动轨迹.仿真表明,同卡尔曼滤波器相比,该方法提供了更高的跟踪精度,当拟合点数达到300个点时,最终的跟踪精度同单次定位精度相比可提高一个数量级.     

Tucker visual search-based hybrid tracking model and Fractional Kohonen Self-Organizing Map for anomaly localization and detection in surveillance videos

Anomaly detection (AD) in video is a challenging task employed in the intelligent video surveillance applications. This paper presents a technique for localizing and detecting anomalies in surveillance videos by proposing hybrid tracking model and Fractional Kohonen Self-Organizing Map (FKSOM). At first, the objects in the initial frames are detected by extracting the background and comparing with the succeeding frames. Then, a tracking model is developed to track the objects in the frame. Further, the features, such as object shape, speed, energy, correlation, and homogeneity, are extracted in the feature extraction process. Finally, the proposed FKSOM algorithm performs AD by identifying anomalous and normal events in the frame. The performance of the proposed technique is evaluated using the metrics, such as Multiple Object Tracking Precision (MOTP), accuracy, sensitivity, and specificity, where it obtains MOTP of 0.9895 with an average accuracy of 0.9339, the sensitivity of 0.9288 and specificity of 1.     

Moving object detection based on confidence factor and CSLBP features

Moving object detection is a challenging task in many computer vision applications. In this paper, we propose a robust background modelling method for this task. First, the background is updated by an adaptive strategy based on Centre-symmetric Local Binary Patterns. Then, background subtraction is used for detecting moving object. Although the traditional background subtraction technique uses the difference value between the current pixel and its corresponding background pixel for objection detection, our method utilises the confidence factor to determine whether the current pixel is a background or foreground pixel. The confidence factor of the current pixel is calculated in term of the difference values of its neighbourhood pixels. In the experiments, the proposed algorithm is tested on several challenging datasets such as PETS 2009, BMC 2012 and SABS. The experimental results demonstrate that our algorithm can robustly detect moving object under various scenes.     

一种新的运动目标检测与跟踪算法

常用的运动目标检测算法无法解决在摄像机运动-目标运动情况下的运动目标检测，为此提出了背景匹配法。通过相关匹配算法使背景对齐，结合帧间差分技术有效地将运动目标提取出来；然后利用卡尔曼预测器对运动目标在图像中的位置进行预测，结合增量式带死区的PID控制算法，控制摄像机对准目标。实验结果表明，匹配块的选择加快了处理速度和提高了算法的稳定性，卡尔曼预测器使得跟踪更为平稳可靠。本方法具有简单、通用、抗噪等特点。     

采用小波能量方法的海空背景中多目标检测与跟踪

多目标跟踪往往是在复杂的自然背景当中检测若干个弱小机动目标。根据自然背景和弱目标的频率特性,提出了一种基于小波变换的小波能量检测目标的方法。目标在水平、垂直两个方向上的小波能量要远高于背景。再经过自适应域值选取,将目标和背景分割开来。用分类法计算每个目标的形心,根据相邻几帧各目标形心,可用扩展卡尔曼滤波器来估算下一时刻各目标的位置和速度。经仿真实验证明,该方法能够检测出海、空等自然背景中多个弱小目标,扩展卡尔曼滤波权值á和a取为0.8时,目标横、纵坐标误差小于1个像素,速度误差小于1个像素/帧。     

复杂背景及遮挡条件下的运动目标跟踪

CamShift算法应用于复杂背景及遮挡条件下视频跟踪时,极易出现跟踪失效和目标丢失。本文提出基于颜色、纹理及目标运动信息的综合特征用于改进CamShift算法,结合Kalman滤波器对目标运动状态进行预测提高了复杂背景下运动目标的跟踪稳定性和跟踪精度。在目标发生遮挡时,通过目标遮挡前的先验信息进行最小二乘拟合及目标运动轨迹外推,预测目标运动位置信息,有利于遮挡结束时对运动目标的重新捕获。多组实验结果及性能分析表明,该算法在复杂背景及目标被短时遮挡情况下,可以实现目标的持续、稳定跟踪,并具有较好的实时性。     

基于神经网络的信息融合算法研究及其在入侵检测中的应用

目前，网络入侵技术越来越先进，许多黑客都具备反检测的能力，他们会有针对性地模仿被入侵系统的正常用户行为；或将自己的入侵时间拉长，使敏感操作分布于很长的时间周期中；还可能通过多台主机联手攻破被入侵系统．对于伪装性入侵行为与正常用户行为来说，仅靠一个传感器的报告提供的信息来识别已经相当困难，必须通过多传感器信息融合的方法来提高对入侵的识别率，降低误警率．应用基于神经网络的主观Bayes方法，经实验，效果良好．     

基于BP神经网络的线Mura缺陷识别与定位研究

各类显示屏中Mura缺陷的自动识别和定位对提高显示屏幕的产品品质具有重要作用,是当前迫切需要发展的重要技术之一。针对当前手机屏幕Mura缺陷对比度低、缺乏明显边缘等特点,文中提出一种基于图像灰度曲线的Mura缺陷检测方法及其改进方法。改进方法基于均值滤波平滑和降采样原理,通过研究采样线上灰度曲线的波峰与波谷信息,利用BP神经网络构建线Mura缺陷的自动检测和定位算法。结合真实手机屏幕图像验证结果表明,与现有多种Mura缺陷检测方法相比,本文的改进方法能更准确快速地识别手机屏幕中的线Mura缺陷,识别准确率达到98.33%,检测过程无需调节参数,实现了线Mura缺陷的自动检测和定位。     

小波包能量谱和BP神经网络在波纹管压浆超声检测中的应用

针对小波分析在信号处理的局限性,将小波包分析和反向传播(Back Propagation,BP)神经网络相结合,提出一种基于小波包能量谱和BP神经网络的波纹管压浆超声检测方法。采用超声检测方法接收波纹管模型的回波信号,以小波包分解后各子频带的能量作为检测特征,当波纹管内部出现脱落时,检测特征会发生变化,最后将特征输入BP神经网络中进行分类识别。试验结果表明,该方法能够理想地实现波纹管内部缺陷的诊断,可为波纹管超声检测提供一定的技术支持。