基于高斯混合背景模型的运动目标检测技术研究

在运动目标检测技术中,使用传统的高斯混合背景模型所得到的检测结果并不能完美地获取运动目标的轮廓信息,而图像中像素的梯度信息,刚好就是反映了各物体的轮廓和边界,并且相对于颜色信息而言,梯度信息对于噪声并不敏感。为此,该文对传统的高斯混合背景模型进行了改进,提出基于梯度时空信息的高斯混合背景模型,证明了改进的算法确实能够取...     

地理卷积神经网络时空加权回归理论方法研究

针对传统时空地理加权回归模型在探测时空异质性方面能力有限的问题,本文引入卷积神经网络,提出地理卷积神经网络时空加权回归模型。该模型通过设计一种时空加权卷积神经网络,并利用Dropout算法和批归一化算法进行优化,从而达到对时空权重矩阵的精确求解,进而为充分探测事物的时空异质性提供理论方法。以2012-2019年福建省县级能源消费碳排放量及其影响因子为基础数据,对两种模型进行验证。结果表明,文章提出的模型的精度指标AICc、RSS、R2比时空地理加权回归模型的分别提升了451.3、0.51、0.06。     

一种具有向心力的新型Snake算法

动态轮廓模型（Snake算法）是一种较好的目标轮廓检测方法。但是传统的Snake算法在对其能量函数进行优化时,不能检测多目标、血管内轮廓和凹形轮廓。文章首先对图像进行自动Snake初始化,然后在Snake 的成长过程中加入向心力因子。实验结果表明,新的算法能够检测多目标、血管内轮廓和凹形轮廓,优于传统的Snake算法。     

一种基于参数活动轮廓模型的高能闪光照相图像分割算法

针对高能闪光照相系统成像质量较差的特点,提出了一种基于参数活动轮廓模型(Snake模型)的闪光照相图像分割算法.该算法在传统高斯力Snake模型中引入包含图像区域信息的变力,以目标和背景两区域具有最小方差为准则,构建兼顾边缘和区域信息的外部能量函数.数值实验结果表明,该算法对初始轮廓位置不敏感,较好地解决了客体凹陷区域分割问题,能够实现对含噪声的弱边界闪光图像的自动分割.     

卷积神经网络在异常声音识别中的研究

卷积神经网络(CNNs)已广泛应用于语音识别领域中以改善传统声学模型存在的鲁棒性弱、实时性差、识别性能低等缺点。本文对卷积神经网络在异常声音识别任务中的适用性及其识别性能进行了研究,针对日常常见的6种不同异常声音样本,分析了不同声音特征的维度对卷积神经网络识别性能的的影响,还将卷积神经网络分别与高斯混合模型、BP神经网络进行比较。实验结果表明,无噪声条件下,一维特征在卷积神经网络中的平均识别率比二维特征相对提升了2.91%,且误差收敛速度更快,但在有噪声条件下,二维特征的平均识别率比一维特征相对提升了3.41%。同时卷积神经网络比其它两种识别模型在对噪声的鲁棒性和误差收敛速度等方面均有明显的优势。      

基于混合高斯模型和六帧差分的目标检测算法

鉴于传统混合高斯模型在光照突变、噪声干扰时鲁棒性不高,易造成检测错误等问题,提出了一种改进的视频运动目标检测算法。该算法将混合高斯模型与六帧差分算法相结合,构建了一种高效的运动目标轮廓模型,并嵌入背景替换法和动态阈值分割法提高算法的稳健性,通过连通性检测和形态学处理,得到完整的运动前景像素。不同场景的视频检测结果表明,改进算法有效克服了光照突变、噪声干扰、空洞及双影现象,与同类算法相比,具有更高的准确度和鲁棒性。     

基于System Generator的雷达干扰信号模拟

针对雷达干扰信号模拟中算法设计快速验证的应用需求,为降低系统可重构开发中的复杂程度,研究了一种基于System Generator模型的FPGA设计开发方法,并以噪声调频和噪声卷积算法实现。对应用实例进行了设计演示验证,为雷达干扰信号算法验证实验提供技术参考。     

R-Snake:一种基于边缘与区域信息的图像主动轮廓提取模型

 传统Snake模型存在着对轮廓的初始化敏感,对高噪声图像易陷入局部极小值,以及对具有狭长深度凹陷区域的图像无法获得正确轮廓等问题.本文提出了一种基于边缘与区域信息的主动轮廓模型R-Snake(Region Snake).该模型通过文中设计的图像变换算子,并结合区域积分与曲线积分间转化的Green公式,导出了包含目标图像区域信息的区域力.然后由力平衡方程将该区域信息自然直接地引入到主动轮廓提取模型中,从而实现图像的轮廓提取.由于该模型同时利用了图像的区域信息和梯度信息来引导轮廓曲线的演化,使得本文方法不仅扩大了轮廓初始化的范围,降低了对图像噪声的敏感性,而且还增加了轮廓曲线收敛到真实边界的能力.实验结果表明,本文方法具有很强的适应性和鲁棒性,尤其是对高噪声图像和具有狭长深度凹陷的图像获得了优于传统Snake模型的结果.     

线激光光条中心快速提取算法

提出一种新的快速激光条纹中心提取算法,该算法具有较好的抗噪声或冗余点能力。该算法在传统重心算法的基础上结合轮廓跟踪算法,根据激光条纹在图像中的分布特点,通过阈值轮廓跟踪算法避免了对图像中不包含激光条纹区域的扫描,以此提高了提取速度,不用对整幅图像完成一次扫描即可计算出激光光条中心。所提算法具有复杂度低、计算简单、程序运行时间少等优点。实验结果表明:该算法能够实现对光条中心的快速提取,比Steger算法提速将近70.37倍,比传统重心算法提速将近4.48倍;对光条图像增加噪声(冗余)点后发现,所提算法具有优良的抗噪效果。     

基于改进的U-Net生成对抗网络的图像翻译算法

针对传统生成对抗网络(Generative Adversarial Networks,GAN)在图像翻译过程中生成图像的轮廓、纹理等特征丢失以及造成图像翻译效果不佳的问题,提出了基于改进U-Net模型的生成对抗网络图像翻译算法。首先,实验研究Pix2Pix生成对抗网络优化算法、学习率以及迭代次数对图像翻译效果的影响,确定生成对抗网络模型参数与优化方法;其次,通过增加反卷积跳跃连接的重复次数增强特征的表达能力;最后,在CUFS人脸数据库上进行实验确定模型参数。实验表明,反卷积跳跃连接的重复次数为5次时,图像翻译的用户调研满意评价指标达到42%,图像翻译的质量达到最优。     

基于噪声卷积调制的SAR虚假信号生成新方法

针对传统噪声卷积调制的合成孔径雷达(SAR)虚假信号方法存在距离向位置滞后、方位向压制范围不可控的缺陷,该文提出了一种改进的虚假信号生成方法。该方法首先对截获信号作快时间域移频调制,以控制掩护面的距离向位置;接着将其与经过了慢时间域滤波处理的噪声模板卷积,以控制掩护面积。理论分析与仿真结果表明,相比于传统噪声卷积调制,该文所提的方法可有效控制掩护面的距离向位置和面积,即使在较大侦察误差下仍能对局部场景实施掩护,提高了相同条件下的干扰能量利用率,对实际工程应用具有一定的参考价值。      

一种改进的非凸正则项模型的噪声去除方法

针对非凸正则项模型,在去除乘性噪声时边缘信息对噪声敏感且强度较大的噪声抑制能力弱的缺陷,提出了一种改进的图像去噪新模型。在新模型中通过取对数将乘性噪声转变成加性噪声,然后在模型的正则项和忠诚项中均引入高斯卷积,既对图像进行平滑预处理,又获得丰富的边缘信息,从而对边缘作出精确定位,使新模型具有良好的鲁棒性并根据图像的特征进行平滑,因而更好地保护了图像的边缘。数值实验表明,新方法的去噪结果在定量指标上有大幅提高,视觉效果上也有较大改善,尤其是对强度较大的噪声,新方法的优势更突出。     

Applying Improved Convolutional Neural Network in Image Classification

In order to solve the poor accuracy problem which caused by the gradient descent easily fail into local optimum during the training process and the noise interference in process of feature extracting. This paper presents an integrated optimization method of simulated annealing (SA) and Gaussian convolution based on Convolutional Neural Network (CNN). Firstly, the improved algorithm extract some features from the central feature of a model as priori information, and find the optimal solution as initial weights of full-connection layer by simulating annealing, so as to accelerate the weight updating and convergence rate. Secondly, using the Gaussian convolution method, this paper can smooth image to reduce noise disturbing. Finally, the improved integrated optimization method is applied to the MNIST and CIFAR-10 databases. Simulation results show that the accuracy rate of the integrated network is improved through the contrastive analysis of different algorithms.

     

基于改进深层网络的人脸识别算法

目前的人脸识别算法在其特征提取过程中采用手工设计（hand-crafted）特征或利用深度学习自动提取特征.本文提出一种基于改进深层网络自动提取特征的人脸识别算法,可以更准确地提取出目标的鉴别性特征.算法首先对图像进行ZCA（Zero-mean Component Analysis）白化等预处理,减小特征相关性,降低网络训练复杂度.然后,基于卷积、池化、多层稀疏自动编码器构建深层网络特征提取器.所使用的卷积核是通过单独的无监督学习获得的.此改进的深层网络通过预训练和微调,得到一个自动的深层特征提取器.最后,利用Softmax回归模型对提取的特征进行分类.本文算法在多个常用人脸库上进行了实验,表明了其在性能上比传统方法和普通深度学习方法都有所提高.     

基于Bark子波变换和RAS-MFCC特征的语音识别系统研究

提出了一种适用于低信噪比下的语音识别算法.该算法在前端利用人耳听觉掩蔽效应进行语音增强,然后提取一种在不需要噪声先验知识,能避免大量计算的情况下能较好地消除系统加性噪声的自相关MFCC(RAS-MFCC)参数,作为语音特征参数进行识别.     

基于梯度卷积的激光光斑图像分割

为解决传统方法对存在背景噪声干扰的光斑图像分割效果不理想的问题,设计了一种基于梯度卷积的光斑图像分割算法。首先对光斑、背景、噪声的空间灰度分布特性进行分析。而后根据目标与干扰在空间灰度梯度分布特性的差别,构造适应目标尺度的梯度卷积模板,与光斑的梯度图进行卷积,从而在增强光斑特性的同时抑制了背景干扰及噪声。最后,在噪声抑制图像的基础上结合阈值分割和目标特性判别得到最终的分割结果。通过与传统光斑分割算法进行对比实验发现,该算法抗噪能力更强,有效解决了背景与噪声干扰下光斑目标的分割问题。     

基于多层感知卷积和通道加权的图像隐写检测

针对目前图像隐写检测模型中线性卷积层对高阶特征表达能力有限,以及各通道特征图没有区分的问题,该文构建了一个基于多层感知卷积和通道加权的卷积神经网络(CNN)隐写检测模型。该模型使用多层感知卷积(Mlpconv)代替传统的线性卷积,增强隐写检测模型对高阶特征的表达能力;同时引入通道加权模块,实现根据全局信息对每个卷积通道赋予不同的权重,增强有用特征并抑制无用特征,增强模型提取检测特征的质量。实验结果表明,该检测模型针对不同典型隐写算法及不同嵌入率,相比Xu-Net, Yedroudj-Net, Zhang-Net均有更高的检测准确率,与最优的Zhu-Net相比,准确率提高1.95%～6.15%。     

Wavelet-based inverse halftoning for error diffused halftones

This paper describes a technique for inverse halftoning based on the wavelet domain deconvolution that comprises Fourier-domain followed by wavelet-domain noise suppression, in order to benefit from the advantages of each of them. The proposed algorithm can be formulated as a linear deconvolution problem. In fact, we model such a gray-scale image to be the result of a convolution of the original image with a point spread function (PSF) and a colored noise. Our method performs inverse halftoning by first inverting the model specified convolution operator and then attenuating the residual noise using scalar wavelet-domain shrinkage. Using simulations, we verify that the proposed method is competitive with state-of-the-art inverse halftoning techniques in the mean-square-sense and that has also good visual performance. We illustrate the results with simulations on some examples.     

一种基于残差网络的改进网络流量分类算法

基于卷积神经网络的网络流量分类算法中,为了提高分类准确度,其结构设计日趋复杂,容易出现梯度下滑甚至梯度消失,导致预测准确度不升反降.文章提出了一种基于残差网络的改进流量分类算法,引入残差网络层代替传统卷积神经网络中的卷积层和池化层,不仅缓解了传统卷积网络因层次太深导致难以训练的问题,同时与传统卷积运算相比,所提出的残差...     

基于改进YOLOv4-tiny的轻量化室内人员目标检测算法

深度学习在室内人员检测领域应用广泛,但是传统的卷积神经网络复杂度大且需要高算力GPU的支持,很难实现在嵌入式设备上的部署。针对上述问题,该文提出一种基于改进YOLOv4-tiny的轻量化室内人员目标检测算法。首先,设计一种改进的Ghost卷积特征提取模块,有效减少了模型的复杂度;同时,该文通过采用带有通道混洗机制的深度可分离卷积进一步减少网络参数;其次,该文构建了一种多尺度空洞卷积模块以获得更多具有判别性的特征信息,并结合改进的空洞空间金字塔池化结构和具有位置信息的注意力机制进行有效的特征融合,在提升准确率的同时提高推理速度。在多个数据集和多种硬件平台上的实验表明,该文算法在精度、速度、模型参数和体积等方面优于原YOLOv4-tiny网络,更适合部署于资源有限的嵌入式设备。