基于面积法的车辆识别统计研究

在车辆识别的图像分割算法中通常存在分割后的图像残留许多噪声点、区域边缘不太平滑、多辆车识别为一辆车等现象。在其他分割算法的基础上应用面积法对车辆图像中多辆车进行识别,并应用MATLAB/GUI编程实现。车辆识别结果显示,该方法识别率高,对车辆的识别、车流量统计具有重要的应用价值。     

基于非采样高斯差分金字塔的多尺度融合边缘检测

针对传统边缘检测算法抗噪性差、边缘连续度低、细节边缘冗余,对运动目标检测应用领域的适用性差等缺点,论文基于图像多尺度的思想,结合小尺度图像边缘信息准确,大尺度图像抗噪性强、边缘冗余度低的优点,提出一种基于非采样高斯差分金字塔的多尺度融合边缘检测算法。算法首先对图像进行非采样高斯金字塔分解得到多尺度图像,同时在分解过程实现基于高斯差分算子的边缘检测,得到多尺度边缘图像。最后采用多尺度图像边缘融合策略实现多尺度边缘融合。论文通过实验对算法的有效性进行验证：通过对边缘融合结果进行Abdou-Pratt品质因数分析,表明该算法抗噪性强,边缘定位准确;连续度分析结果表明该算法在降低边缘冗余度的同时保留了主要边缘,且边缘连续度较高;车辆检测实验结果表明基于该算法得到的车辆检测结果准确度较高。     

最小类内方差和区域生长相结合的图像分割法

针对视频车辆检测中,光照不均匀、对比度不强的多目标图像分割,提出了一种基于最小类内方差和区域生长相结合的快速阈值分割算法.首先对最小类内方差法进行改进,快速确定差分图像的最佳分割阈值,再用区域生长法分割得到目标.理论分析和实验结果表明,该分割算法不仅适用于简单的车辆图像分割,而且对于复杂的车辆图像也取得了较好的分割效果.该算法计算量小,分割精度有一定优势,有助于下一步的目标识别.     

注意力机制的SAR图像车辆目标检测网络

在SAR图像车辆目标检测过程中,车辆轮廓定位不仅能够提供车辆位置信息,而且还能够为车辆状态分析提供依据,是SAR图像理解的关键步骤。但SAR图像中乘性斑点噪声会对轮廓定位造成干扰,增加车辆目标检测的难度。针对这一问题,提出了一种注意力机制的SAR图像像素级车辆目标检测网络。该网络由目标筛选、目标定位和轮廓细化三个模块构成。目标筛选在一个轻量级的特征提取网络中采用通道注意力和自注意力机制,在抑制噪声影响的同时对包含目标图像进行快速筛选,并提供稳定的定位热力图;目标定位利用掩码交叉注意力机制根据定位热力图优化粗尺度特征细化目标定位,并融入细尺度信息改善目标轮廓细节;轮廓细化通过轮廓点筛选消除上采样及噪声带来的轮廓不确定点获取准确的轮廓像素点置信度。对MSTAR数据集进行车辆像素级标注,建立SAR图像车辆数据集及大场景图像数据集用于网络测试。实验结果表明,该网络具有良好的像素级检测性能,可实现大场景SAR图像中车辆目标的快速精确检测。     

多车道场景下的视频车辆测速方法

针对目前大多数测速算法无法完成多车道场景车辆测速的问题,提出了一种用于多车道场景下的视频车辆测速算法.该算法对传统的虚拟线圈技术进行改进,将虚拟线圈分为分界检测区域和触发检测区域,有效的完成了多车道场景下多目标车辆的检测.同时在测速过程中,以几何中心作为特征对目标车辆进行跟踪,推导出车辆在图像中的位移.与传统方法相比,...     

基于LoG算法的车辆图像边缘提取

阐述LoG算法的一般式及其对图像边缘提取的原理,并应用LoG算法对车辆图像进行提取。获得了质量比较理想的车辆边缘图像。该方法可应用于流量较大的自动车辆检测系统和其他动态图像识别系统。     

车辆识别与样本自动采集方法的研究

为解决车辆样本采集困难的问题,在研究车辆识别与跟踪的基础上提出了样本的自动采集方法.首先,采用Blob分析技术从视频流中检测出车辆;其次,结合Blob和CamShift跟踪算法跟踪运动车辆;再次,通过分析车辆的运动轨迹判定其停驶状态;最后,控制云台变焦摄像机获取车辆的细节图像,以此作为车辆的样本.实验结果表明,本文提出的方法实时性高,对车辆的识别与跟踪、停驶判断具有较高的准确性,获取的车辆样本图像细节丰富,能够满足车辆样本库建设的基本要求.     

用图像处理测量停车场泊位情况

目的随着城市中车辆日益增多,对停车场的车辆泊位管理是一个亟待解决的问题.方法使用图像处理和模式识别方法分析停车场图像的特征值.结果实现了对停车场各个泊位的自动识别,完成了停车场车辆计数、泊位占有率的自动化测量.结论这种方法可以对实际的车辆泊位图像进行处理,具有实用价值.     

一种基于图像处理的车辆外形参数提取方法研究

针对传统车辆检测器的缺点,提出了一种基于图像处理技术的车辆外形参数提取方法．通过对车辆图像的预处理以及阈值分割将其转化为二值图像,依据处理后的车辆图像设计车辆外形参数提取算法并计算车辆的长、宽、高,最后引入误差函数,对算法进行了误差校正,实验结果表明所提出的方法达到了较理想的效果．     

面向公共安全监控的多摄像机车辆重识别

由于现有的车辆重识别方法大多是在已标注车辆边界框的图像间进行的,但在真实场景中无标注信息,同时环境的复杂性、车辆外观的相似性和多样性也是导致重识别精度不高的原因。因此,针对公共安全监控领域中无标注的原始视频,提出一种结合车辆检测与识别的多摄像机车辆重识别方法。首先设计了二值-单点多盒车辆检测网络以获取视频中的车辆边界框,并在线生成候选车辆数据库;其次设计了一种多任务孪生车辆识别网络以提高重识别精度;最后组建“VeRi-1501”车辆数据集。该数据集在现有数据集上扩充车辆身份,并均衡每个车辆身份在不同摄像机下的图像数量。该方法在VeRi-1501数据集和实际交通场景中识别准确且精度高。