复杂光照下的交通标志检测与识别

针对不同光照下交通标志图像检测与识别困难的问题,提出一种基于Retinex-Gamma的光照图像增强算法,该算法与Mask R-CNN相结合,称为Retinex-Gamma-MaskR-CNN算法.首先,基于光照反射成像模型将图像RGB空间转换为HSV空间,对V通道进行多尺度高斯滤波处理获得光照分量,利用光照分量提取反射分量,并对反射分量进行线性拉升优化;其次,利用光照分量的分布特征进行二维Gamma函数调整,并获得优化后的亮度分量;最后,利用混合空间增强法获得增强后的V通道,重新构造图像.实验采用的ZCTSDB数据集共有15 724幅图像,包含不同光照的驾驶环境.实验结果表明,与标准Mask R-CNN相比, Retinex-Gamma-Mask R-CNN算法对交通标志的目标检测的均值平均精度提升了0.161%,对交通标志的实例分割的均值平均精度提升了0.363%.     

基于Faster R-CNN的人体行为检测研究

由于人体行为类内差异大,类间相似性大,而且还存在视觉角度与遮挡等问题,使用人工提取特征的方法特征提取难度大并且难以提取有效特征,使得人体行为检测率较低。针对这个问题,本文在物体检测的基础上使用检测效果较好的Faster R-CNN算法来进行人体行为检测,并对Faster R-CNN算法与批量规范化算法和在线难例挖掘算法进行结合,有效利用了深度学习算法实现人体行为检测。对此改进算法进行实验验证,验证的分类和位置精度达到了80%以上,实验结果表明,改进的算法具有识别精度高的特点。     

基于Mask RCNN的目标识别与空间定位

在机械臂的自主抓取系统研究中,为了自动获取目标物体的空间位置,采用Kinect深度传感器采集RGB图像,利用改进的深度学习算法Mask RCNN对RGB图像上的目标进行识别与分割,并通过Kinect深度传感器模型,将二维图像坐标转换成三维空间坐标,对目标物体进行三维建模,达到空间定位的目的。通过大量数据训练的Mask RCNN算法,可以同时识别多种特征差异很大的目标物体,具有广泛的应用空间。经过实验表明,获得的目标物体的三维空间坐标较为准确,且受环境影响较小,对机械臂抓取系统的研究具有较为重要的意义。     

低光照下的无人机异物检测与定位

为解决无人机在低光照环境下的巡检过程中, 不能对场景中的异物进行识别与定位, 导致后续智能算法无法获得环境语义信息的问题. 本文提出一种将ORB-SLAM2算法与适用于低光照目标检测改进的YOLOv5模型进行信息融合的方法. 首先, 通过RGB-D相机自采集低光照数据集进行深度学习训练及融合算法验证. 然后, 结合关键帧信息、目标检测模块的输出结果以及相机的固有信息完成目标像素坐标提取. 最后, 通过关键帧信息和像素坐标完成目标物体相对世界坐标系的位置解算. 本文实现了低光照环境下目标物体较为准确的识别和目标物体在世界坐标系中分米级的定位, 为低光照环境下无人机智能巡检提供了一种有效的解决方案.     

基于深度图像的嵌入式人体坐姿检测系统的实现

以检测不良坐姿,分析人们学习工作状态为引导,设计了基于深度图像的坐姿检测系统。该系统采用3D传感器获取人体坐立时的深度图像,设计了一种基于深度阈值的快速前景提取与干扰移除方法,能快速有效的提取坐姿状态下的人体分割图。基于人体轮廓的曲线特征实现了人体关键点定位,通过人体关键点的角度、深度信息与轮廓特征,对不同的坐姿图像进行统计分析,得到了一种区分不同坐姿的判定基准,运用该基准对9种不同坐姿进行识别,平均识别率可达到90%。最后,基于Android平台设计了坐姿检测系统的应用软件,实现了坐姿检测、坐姿提醒以及姿态统计等功能,并且对学习过程进行测试,测试结果表明,本系统可以有效的检测出9种坐姿、并对不良坐姿进行提醒与统计。     

基于协同显著性的服务机器人空间物体快速定位方法

针对传统算法模型先检测、后识别、再定位导致执行效率较差的问题,提出了一种基于协同显著性检测的服务机器人空间物体快速定位方法.利用RGB-D传感器获取N对包含待定位物体的RGB图像与深度图像,将待定位物体看作协同显著性目标,在RGB图像中充分挖掘单幅图像显著性传播机理,构建基于图像间显著性传播和图像内流形排序的两阶段引导协同显著性检测模型,同时排除背景和非协同显著性物体,得到协同显著性物体区域的像素坐标集合.进一步利用RGB图像与深度图像的对应关系确定物体质心的空间坐标,实现对空间物体的快速定位.最后将所提方法在iCoseg标准数据库和经手眼标定后的服务机器人机械臂抓取平台上进行实验.实验结果表明,该方法一致优于现有的5种协同显著性检测算法,且满足抓取系统的实时性需求,在复杂背景、多目标干扰以及光照变化时具有较高的准确性和鲁棒性.     

RGB-D图像中的分步超像素聚合和多模态融合目标检测

目的 受光照变化、拍摄角度、物体数量和物体尺寸等因素的影响,室内场景下多目标检测容易出现准确性和实时性较低的问题。为解决此类问题,本文基于物体的彩色和深度图像组,提出了分步超像素聚合和多模态信息融合的目标识别检测方法。方法 在似物性采样（object proposal）阶段,依据人眼对显著性物体观察时先注意其色彩后判断其空间深度信息的理论,首先对图像进行超像素分割,然后结合颜色信息和深度信息对分割后的像素块分步进行多阈值尺度自适应超像素聚合,得到具有颜色和空间一致性的似物性区域;在物体识别阶段,为实现物体不同信息的充分表达,利用多核学习方法融合所提取的物体颜色、纹理、轮廓、深度多模态特征,将特征融合核输入支持向量机多分类机制中进行学习和分类检测。结果 实验在基于华盛顿大学标准RGB-D数据集和真实场景集上将本文方法与当前主流算法进行对比,得出本文方法整体的检测精度较当前主流算法提升4.7%,运行时间有了大幅度提升。其中分步超像素聚合方法在物体定位性能上优于当前主流似物性采样方法,并且在相同召回率下采样窗口数量约为其他算法的1/4;多信息融合在目标识别阶段优于单个特征和简单的颜色、深度特征融合方法。结论 结果表明在基于多特征的目标检测过程中本文方法能够有效利用物体彩色和深度信息进行目标定位和识别,对提高物体检测精度和检测效率具有重要作用。     

移动机器人基于激光测距和单目视觉的室内同时定位和地图构建

该文研究了部分结构化室内环境中自主移动机器人同时定位和地图构建问题.基于激光和视觉传感器模型的不同,加权最小二乘拟合方法和非局部最大抑制算法被分别用于提取二维水平环境特征和垂直物体边缘.为完成移动机器人在缺少先验地图支持的室内环境中的自主导航任务,该文提出了同时进行扩展卡尔曼滤波定位和构建具有不确定性描述的二维几何地图的具体方法.通过对于SmartROB-2移动机器人平台所获得的实验结果和数据的分析讨论,论证了所提出方法的有效性和实用性.     

基于faster R-CNN的服务机器人物品识别研究

传统的日用商品识别流程通常使用较为经典的图像识别和机器学习算法,如支持向量机（SVM）、随机森林或Adaboost,然后利用目标图像的梯度、纹理或颜色的基本特征来对日用商品进行识别,可以在比较简单的背景中得到应用,但是在复杂的背景环境中很难有比较突出的表现,并且难以达到较高的准确率。目前在目标识别中表现比较优异的是卷积神经网络（CNN）,并成为很多目标识别场景中的首选。考虑到服务机器人的硬件配置成本,将基于区域的卷积神经网络（R-CNN）的快速算法Faster R-CNN引入系统中,并以CPU计算的方式进行物品识别。利用CNN网络提取图像特征,在其后面接入一个区域提议层。实验结果表明,将深度学习的识别方法应用到服务机器人平台是可行的,识别效果准确,且在实验中得到较好的检测效果。     

基于实例分割的车道线检测及自适应拟合算法

车道线检测是智能驾驶系统的重要组成部分。传统车道线检测方法高度依赖手动选取特征,工作量大,在受到物体遮挡、光照变化和磨损等复杂场景的干扰时精度不高,因此设计一个鲁棒的检测算法面临着很大挑战。为了克服这些缺点,提出了一种基于深度学习实例分割方法的车道线检测模型。该模型基于改进的Mask R-CNN模型,首先利用实例分割模型对道路图像进行分割,提高车道特征信息的检测能力;然后使用聚类模型提取离散的车道线特征信息点;最后提出一种自适应拟合的方法,结合直线和多项式两种拟合方法对不同视野内的特征点进行拟合,生成最优车道线参数方程。实验结果表明,该方法提高了检测速度,在不同场景下都具有较好的检测精度,能够实现对各种复杂实际条件下的车道线信息的鲁棒提取。     

多尺度目标检测的深度学习研究综述

目标检测一直以来都是计算机视觉领域的研究热点之一,其任务是返回给定图像中的单个或多个特定目标的类别与矩形包围框坐标.随着神经网络研究的飞速进展,R-CNN检测器的诞生标志着目标检测正式进入深度学习时代,速度和精度相较于传统算法均有了极大的提升.但是,目标检测的尺度问题对于深度学习算法而言也始终是一个难题,即检测器对于尺度极大或极小的目标的检测精度会显著下降,因此近年来有不少学者在研究如何才能更好地实现多尺度目标检测.过往虽然已经出现了一系列的综述文章从算法流程、网络结构、训练方式和数据集等方面对基于深度学习的目标检测算法进行了总结与分析,但是对多尺度目标检测的归纳和整理却鲜有人涉足.因此,本文首先对基于深度学习的目标检测的两个主要算法流派的奠基过程进行了回顾,包括以R-CNN系列为代表的两阶段算法和以YOLO、SSD为代表的一阶段算法;然后,以多尺度目标检测的实现为核心,重点讲解了图像金字塔、构建网络内的特征金字塔等典型策略;最后,对多尺度目标检测的现状进行总结,并针对未来的研究方向进行展望.     

基于深度学习的座舱开关状态识别研究

飞机飞行前为保证飞行安全,需要机务人员对座舱开关、安全销等状态进行检查确认,由于检查对象多、状态多,人为检查常常出现错检、漏检.因此,以飞机座舱开关为具体研究对象,提出了一种基于深度学习的座舱开关状态识别方法.在典型的目标检测算法Faster R-CNN的基础上,提出基于特征融合的多分支Faster R-CNN改进算法,既提升了小目标开关的检测精度,又兼顾了 一般大小目标物体的检测精度.多组对比实验表明,所提出的方法在座舱开关状态检测场景中的平均精度较原始的Faster R-CNN有明显提升.     

光线自适应的水下管线识别与定位系统

本文论述了在水下环境下如何通过视觉识别管线并给以精确的定位．提出了水下视 觉系统的总体设计方案．在识别目标时,以目标的颜色为特征,并将颜色从RGB空间转换到H SI空间,使图像处理的速度和特征抽取的鲁棒性得到提高．由于水下环境光照变化剧烈,使 用模糊神经网络来动态调整特征颜色阈值．对水下环境中点和线的精确定位进行了详细的分 析,给出定位算法．最后的实验结果证明了算法的有效性．     

两级上下文卷积网络宽视场图像小目标检测方法

目标检测和识别已经在输电线路巡检中被广泛采用。由于图像数据量大,小目标分辨率低,现有的图像金字塔、特征金字塔和多异构特征融合等方法虽能准确地检测目标,却非常耗时,因而快速、准确地检测宽视场图像中小目标仍是一个挑战。此算法提出一个两个Faster-RCNs级联的上下文宽视场小目标检测卷积网络,首先,针对降分辨率的宽视场图像,利用一个Faster R-CNN来检测目标的上下文区域,然后,针对上下文区域对应的高分辨率原始图像,利用Faster R-CNN来检测来小目标。我们用航拍输电线路图像数据集进行了目标检测试验,试验结果表明,小目标检测方法达到了88%的检测精度,比单级Faster R-CNN检测方法具有更高的准确率。     

Efficient edge-based object tracking

Object tracking has been widely applied to video surveillance, robot localization and human-computer interaction. In this paper, an edge-based tracking algorithm is proposed. We extract the feature points by efficiently utilizing the image edges in the object region. Then the parameter vector of the object's motion model is estimated based on minimizing the sum-of-squared differences between the reference feature points in the reference frame and the observed feature points in the tracking sequence frame. The experiments show that the edge-based tracking algorithm proposed by us can track object efficiently under uniform and varying illumination conditions.     

基于视觉传感器的车道检测算法

为了提高对环境的适应性,减少道路图像受光照、污渍的影响,提出一种基于视觉传感器的车道检测算法。首先分析光照污渍的影响,同时利用投影原理等先验知识改进区域生长法,接着分割图像并划分道路的边界区域,然后通过融合边缘检测数据得到准确的车道线特征点集合,车道检测中则采用Hough变换提取直线段来匹配道路直线模型。实验结果表明：该算法可以有效降低光照、污渍的干扰,提高了鲁棒性,准确率达97%。     

基于注意力及生成对抗网络的遥感影像目标检测

针对传统目标检测算法在环境多变、背景复杂、目标聚集、小目标过多的航空遥感影像目标检测上效果不理想的问题, 本文提出了一种基于注意力机制及生成对抗网络的遥感影像目标检测模型Attention-GAN-Mask R-CNN. 该模型将注意力、生成对抗网络和Mask R-CNN结合起来, 用以解决遥感影像目标检测中存在的问题. 实验结果表明, 在复杂的遥感影像数据集中, 该方法提升了目标检测的效率和准确率.     

基于改进Mask R-CNN的火焰图像识别算法

传统火焰检测算法依赖于人工特征工程,具有主观性和盲目性,存在泛化能力差,检测准确率不高等问题。提出一种基于改进Mask R-CNN的火焰图像识别算法,算法在Mask R-CNN的基础上,在特征金字塔引入一条自下向上的特征融合,同时改进了损失函数,使边框定位更准确。在自建的测试数据集上实验表明,改进后算法准确率相对于原先算法识别定位精度更高,检测准确率提升超过5%。     

结合背景空间信息的相关滤波目标跟踪算法研究

目标检测跟踪算法在智能监控和人机交互中有着广泛的应用,而复杂场景下的跟踪技术研究在计算机视觉领域中具有重要的理论意义和商业价值。为解决复杂场景(光照变化、尺度变化、遮挡等)中由于主客观因素变化所导致的目标漂移问题,采集目标区域相邻的背景图像块来获得更多的背景特征,并将背景图像块添加到目标函数中来实现对目标图像块的限制。将结合了背景空间信息的方法集成到相关滤波器框架上,在现有公开数据集上进行实验。实验结果表明,在一些复杂场景下的跟踪效果得到了改善和提高,能够在不影响帧率的情况下,有效提高目标跟踪的成功率和准确性,优于其他相关滤波跟踪器。