卷积神经网络的多尺度行人检测

行人检测在智能监控、自动驾驶、辅助驾驶、智能机器人等研究领域有着广泛的应用.传统的行人检测方法大多使用滑动窗口遍历图片的方式,导致计算量大,检测速度受到限制.目前基于深度学习的行人检测方法进入了一个快速的发展阶段,但是还存在例如小尺寸行人漏检等很多问题.现提出基于卷积神经网络的多尺度行人检测方法,分析了增加检测层、并联卷积层与改变卷积核尺寸对行人检测性能的影响.在KITTI数据集上的实验结果表明,该方法可以实现较好的行人检测效果.     

轮廓特征与神经网络相结合的行人检测

传统的基于方向梯度直方图与支持向量机的行人检测方法运算量大,针对这一问题,本文从轮廓特征的角度出发,提出了头肩轮廓特征与神经网络相结合的检测方法。该方法根据人体头肩模型具有相对稳定性,且轮廓特征可以作为人体识别的依据,采用边缘检测与均值漂移相结合的方式提取人体轮廓,采用经PCA降维的傅里叶描述子提取轮廓特征,结合神经网络分类器完成初次人体识别。采用RGB头发模型和均值漂移方法,对遮挡情况下被判别为非人体的目标图像做进一步处理,聚类出多个人体头肩模型,重新参与分类。实验结果表明,本方法人体检测的准确率和检测速度与现有的算法相比都有所提高,且克服了遮挡情况下人体头肩模型提取错误的弊端,提高了人体检测的识别率和应用范围。     

DGD卷积神经网络行人重识别

行人重识别在视频监控领域是一个非常具有挑战性的问题,不同的摄像头位置角度、光照等因素会使同一行人的图像差异较大.文章提出一种DGD(Domain Guided Dropout)卷积神经网络(CNN)与样本相对距离结合的行人重识别算法:首先,通过卷积神经网络来提取来自多个域的数据中具有一般性及鲁棒性的特征;其次,通过计算各个特征样本之间的相对距离来筛选出更具有一般性及鲁棒性的特征;最后,比较筛选出的特征间的欧氏距离进行重识别.实验结果表明,该算法能够提高行人重识别的效率.     

基于神经网络的行人步态识别系统研究

步态识别作为一种核心的识别方法,其识别精度和成本直接影响该技术在相关领域的监测效率和结果,现有的关于步态分析的研究仍存在识别成本高、识别精度低等缺点,该文在已有研究的基础上提出了基于步态的行为识别方法,并基于该方法开发出一套简洁、灵活的图像数据采集系统,利用傅里叶变换、四分位差等理论降低步态特征中的维度并简化行为参数的提取步骤,并通过应用装置及模式识别试验进行验证。试验结果验证了该方法的有效性,该方法识别精度提高至98.7%,机器学习性能度量Equal Error Rate(EER)低至1.96%,在提高识别精度的同时有效提高了计算效率。     

改进的HOG-CLBC的行人检测方法

传统的基于HOG与LBP的特征融合行人检测方法光谱信息损失多、对噪声较为敏感,原始的LBP算法对不均匀的光照变化鲁棒性差,对纹理特征的旋转不变性差。为了克服以上缺点,本文提出了一种基于CLBC和HOG特征融合的行人检测算法。首先,计算原始图像的CLBC特征,并计算基于CLBC纹理特征谱的HOG特征。接着计算原始图像的HOG特征以提取图像的边缘特征。然后将图像的三种特征融合来描述图像,并使用PCA方法降低特征维度,最后使用HIKSVM分类器实现最终对行人的检测。本文分别在Caltech行人数据库和INRIA行人数据库进行实验以验证所提出算法的有效性。实验结果表明,本文所提出的算法有效地提高了行人检测的精度。     

丰田激光雷达检测技术行驶中检测行人

丰田中央研究所日前成功地开发了使用近红外线的车载激光雷达、在行驶中检测距离车辆数十米的行人的技术。 实验结果表明，在以30～40km时速驾驶配备有车载激光雷达的车辆时，能够出色地检测出距离车辆30～50m的、在人行横道上行走的行人。该技术利用近红外线激光雷达算出自驾车辆的车速及转向分量后，根据这些数据高精度推算出激光雷达捕捉到的物体的移动速度。而原来要想利用激光雷达检测行人，则需要在激光雷达捕捉到的图像中提取行人的脚部图像。这种方法难以识别此次的方法分两步检测行人。     

基于多特征融合的行人检测

研究了3种不同类型的特征算子:梯度直方图(HOG),基于Gabor变换的局部二值特征直方图(LGBPHS)和基于剪切波变换的直方图(HSC)在基于图像的行人检测中的应用.提出了基于多特征融合的检测算子,对单一特征进行L1范式规格化之后,将3个特征融合为一个高维的拥有大量信息的新特征,之后引入偏最小二乘法(PLS)进行特征降维,得到最终的人体特征.利用线性SVM作为分类器,在INRIA人体库上进行了实验,结果表明,融合后的特征极大的提高了检测率,在FPPW=10-5时,检测率达到了95.6％.     

针对近似建模的前馈神经网络训练算法

为克服现有神经网络训练算法在建模精度方面的不足, 提出了一种专门面向近似建模的前馈网络训练算法--GA-BP贝叶斯算法. 该算法以提高网络的泛化性能为主旨, 以获取对应于后验分布最大值的权值向量为训练目标, 并采用遗传算法和L-M (Levenberg-Marquardt) BP算法相结合的权值搜索策略. 其中, L-M BP算法是当前最流行的前馈网络训练算法. 结合一个典型算例, 对GA-BP贝叶斯算法和L- BP算法进行了对比研究. 结果表明: 与L-M BP算法相比, GA-BP贝叶斯算法所建立的神经网络近似模型具有更高、更稳定的精度．     

改进的多光谱聚合通道行人检测

针对外部环境的多变性和复杂性导致的单一波段下行人检测准确率较低的问题,提出了一种改进的基于可见和红外双波段聚合通道特征的行人检测算法。分别提取可见图像与红外图像的聚合通道特征;通过改变像素对比规则,采用自适应的阈值进行比较,将得到的改进的中心对称的局部二值模式特征添加到特征通道中;针对多光谱聚合通道特征设计了不同滤波器组进行滤波;训练分类器,实现多光谱下行人检测。实验表明,改进的局部二值模式特征能更好地描述红外图像中行人的对称性,中间滤波层丰富了候选特征池,算法在多种场景均能有效检测出行人,提高了行人检测精度,与利用多光谱聚合积分通道的检测工作相比,平均漏检率有所降低。

     

针对滚动轴承故障的检测方法

在对滚动轴承的故障检测过程中,首先用传感器采集数据,通过计算机对数据进行零均值化处理,提取时域、频域特征值,然后进行数据归一化,根据所取数据建立神经网络并对其测试,正确的神经网络为以后轴承检测提供方便。     

一种针对畸变印刷品字符校正的多项式自寻优改进方法

目的针对畸变印刷品字符校正过程中无畸变先验知识、传统方法效率低且精度差的问题,提出一种以多项式自寻优改进算法为核心的字符校正方法。方法将待测字符区域视为小篇幅图像,通过初次校正确定畸变区域,以待测图像与标准图像的最小差分结果为优化目标,利用菌群算法在畸变区域中进行校正控制点的自寻优运算,从而建立校正函数对字符畸变区域进行校正,并通过Matlab仿真加以实现。结果该方法平均校正精度低于0.6像素,运行时间低于0.12 s,达到了对畸变字符快速准确校正的目的。结论该自寻优改进方法克服了人工操作的弊端,对畸变字符进行了有效校正,有助于提高后续缺陷检测的精度和效率。     

针对人脸识别卷积神经网络的局部背景区域对抗攻击

基于卷积神经网络(CNN)的识别器,由于其高识别率已经在人脸识别中广泛应用,但其滥用也带来隐私保护问题。本文提出了局部背景区域的人脸对抗攻击(BALA),可以作为一种针对CNN人脸识别器的隐私保护方案。局部背景区域添加扰动克服了现有方法在前景人脸区域添加扰动所导致的原始面部特征损失的缺点。BALA使用了两阶段损失函数以及灰度化、均匀化方法,在更好地生成对抗块的同时提升了数字域到物理域的对抗效果。在照片重拍和场景实拍实验中,BALA对VGG-FACE人脸识别器的攻击成功率(ASR)比现有方法分别提升12%和3.8%。     

电视摄象机图象几何畸变校正精度的检测

本文扼要地论述了电视摄象机几何畸变的测量与校正技术的精度检测方法及评定方法,并给出了计算公式和测量实例。     

改进YOLOv3的多模态融合行人检测算法

针对可见光单模态行人检测在夜间光线不足、目标密集、多尺度目标及目标部分遮挡场景中检测效果较低的问题,提出一种基于改进YOLOv3的多模态融合行人检测算法YOLOv3-Invo。该算法采用改进的Darknet-VI作为多模态特征提取网络模块,通过级联操作将两个不同特征图拼接输出,脖颈检测层分支引入空间金字塔池化模块并结合高效的内卷算子网络,以降低模型参数量;在检测网络层的深度卷积堆叠模块中设计新的ResFuse模型替换第一个卷积,并结合注意力机制CBAM模型,以加强融合特征图提取。对比实验表明,该算法在KAIST数据集上的行人检测准确率和召回率分别提升8.24%和2.82%,验证该算法的有效性,具有一定的研究价值。     

基于级联网络的智能视频监控下的行人检测

视频中的目标检测与跟踪是实现智能监控系统的关键,在行为分析、辅助驾驶系统、机器人视觉等领域都有着广泛的应用。而对行人的检测与跟踪是其中的关键环节之一。为了在监控场景下准确的进行行人检测,本文深入研究了行人检测算法,并对相关的算法进行优化,设计出了一种基于卷积神经网络(Convolutional neural network,CNN)级联网络的监控视频行人检测系统。在该方案中,引入级联CNN网络在拥挤场景中准确地检测行人,为跟踪行人奠定了基础。本文在论述了以上的创新方法后,釆用神经网络对和人体数据库进行训练后,以实际监控视频作为测试数据进行实验。实验结果表明了本文创新方法具有较好的可行性和有效性。     

基于电压畸变观测的PMSM逆变器故障检测方法

针对永磁同步电机(PMSM)驱动系统中脉宽调制(PWM)电压源型逆变器(VSI)容易发生开路故障的问题,提出一种简单且低成本的开路故障检测方法。首先,对PWM逆变器中功率开关发生开路故障时引起的对应端电压变化进行分析,构建开路故障与各相电压波形畸变的关系模型。然后,通过观测各相的电压畸变,并与阈值进行比较来构建各相的布尔错误模型。最后,基于布尔错误模型和错误检测时间来检测故障状态并识别故障开关。同时对检测时间进行分析,避免故障误报。实验结果表明:该方法能够快速且有效地进行故障诊断,具有良好的可行性和实用价值。     

神经网络结冰检测技术研究

冰层在飞机表面积聚,改变飞机的气动外形,从而影响飞机气动参数。本文采用线性化小扰动方程建立飞机动力学模型,基于该模型进行H∞参数识别;利用飞机平尾结冰数据,结合结冰严重程度经验模型训练结冰检测神经网络。对H∞参数识别结果通过神经网络检测飞机结冰严重程度。计算机仿真结果表明该方法能准确检测飞机结冰严重程度。     

基于Adaboost算法选取和组合SVM的行人检测算法

行人检测是计算机视觉中一个重要的研究方向,为了提高行人的识别精度,将支持向量机(Sup-port Vector Machine,SVM)和Adaboost算法结合起来,SVM是基于结构风险最小化准则的新型机器学习算法,适合小样本学习并且能够有效地抑制过拟合问题,Adaboost基于最小化训练错误率,一般使用易训练的分类器作为弱分类器.由于SVM比较难训练,因此将样本集划分形成多个训练集,然后利用正样本和不同的负样本组成不同训练集反复训练,最后通过Adaboost对训练集生成的SVM模型筛选出具有最小错误率的SVM分类器并且采用投票机制形成最终的强分类器.实验结果表明,在FPPW(false positive per window)为10-5时检测率能够达到30%,检测效果优于单个SVM算法训练出来的分类器模型,用行人测试库测试,该方法取得了较好的检测效果并且具有较强的鲁棒性.