相似背景下的苹果图像分割方法仿真研究

研究基于图像的苹果分割问题.针对传统基于背景颜色像素的区别,利用像素相减的方法进行苹果图像的分割,当图像中,苹果颜色和树叶颜色相近的时候,边缘像素相减的结果变化不明显,算法根据结果不能完整的分割苹果图像的问题.本文提出基于改进的主成分分析算法的苹果图像分割方法.通过像素概率知识,将苹果图像的颜色特征进行归类,运用边 缘像素排序的方法,描述苹果图像边沿的细节信息.排除相似边沿像素的干扰.实验证明,这种改进后的方法实现了在与自身颜色相似情况下苹果图像的完整分割,取得了满意的效果.     

基于视频的火灾实时检测方法

为了提高基于视频的火灾检测的准确性和实时性,提出了一种综合色彩特性分析和闪烁特性分析的火灾检测方法.首先在获取帧差视频图像的基础上,通过对HSI色彩空间中的色彩特性分析提取帧差图像中的火焰候选区域;在此基础上引入离散傅立叶变换分析火焰候选区的频率变化来确定是否存在火灾;最后通过时间累计方法给出火灾报警的可信级别.实验结果表明,该方法具有较好的可靠性、鲁棒性和运行效率.     

改进YOLOv5的隧道火灾帧差检测网络与应用方法

隧道发生火灾存在着检测难、救援难的问题,实时的火灾监测对于及时发现火情是至关重要的。传统基于视频图像的火灾检测方法,检测依赖单幅图像,无法提取多幅图像的时空信息,检测精度低,不能有效检测隧道火灾。因此,提出了隧道火灾帧差网络。帧差网络使用3D卷积核构建网络结构,提取视频中火灾的时间上下文信息;将帧差网络衔接至YOLOv5主干网络形成隧道火灾帧差检测网络,可以检测单幅图像及两幅图像,从而充分利用视频动态信息;使用CIoU函数优化网络的边界框损失,并融合分类损失与置信度损失,使网络能够快速收敛。实验结果表明,该网络在隧道火灾数据集上的平均精度高达91.03%,检测速度达到了63.7帧/s,具有较强的鲁棒性。通过选取最优分析策略设计隧道火灾检测应用方法,该方法在隧道场景中的漏检率和误检率分别为2.52%和2.03%,可以满足隧道火灾检测的准确性和实时性需求。     

基于帧差法和背景差法融合的车流量检测方法

研究优化车流量检测准确度问题。针对运动目标速度和外界环境都是影响车流量检测准确性,容易造成车流量的漏检和误检等。为了克服传统算法所存在的缺陷,在现有算法的基础上,提出了一种融合帧差法和背景差法的智能车流量检测方法。首先利用帧间差分方法为主,结合减背景方法为辅,然后通过一种迭代阈值分割法滤除噪声并对背景进行实时更新。完成了多车道的车流量检测,并进行了仿真,结果得到多组数据,并提高了计算准确率。仿真结果表明,改进方法可有效地提高了车流量检测精度。     

复杂场景下多运动目标速度检测技术的实现

介绍一种在复杂场景下进行多运动目标速度检测的技术方法。该方法综合了帧差法和差影法优点，并建立自适应背景更新模型以增加复杂场景下运动目标辨识的鲁棒性。利用最小外接矩形和灰度信息作为各目标的特征向量，匹配各目标对象，以求取各目标运动速度。     

视频帧内运动目标移除篡改检测算法

针对数字视频帧内对象被移除的篡改操作,提出了一种基于主成分分析（PCA）的篡改检测算法。首先对待测视频帧与基准帧相减得到的差异帧使用稀疏表示方法进行去噪,降低噪声对随后特征提取的干扰;其次将去噪后的视频帧进行非重叠分块,利用主成分分析提取像素点的特征并构造特征向量空间;然后使用k-means算法对特征向量空间进行分类,并将分类结果用二值矩阵表示;最后对二值矩阵进行图像形态学操作得到最终检测结果。实验结果表明所提算法的检测性能指标精确度达到91%、准确度达到100%、F1值达到95.3%,比基于压缩感知的视频篡改检测算法在性能指标上有一定程度的提高。实验证明,对于背景静止的视频,该算法能够检测出帧内运动目标被删除的篡改操作,而且对有损压缩视频具有很好的鲁棒性。     

一种图像序列的运动目标检测方法

提出了一种在图像序列中的运动目标定位方法,运用了多种图像数据处理的技术,有效地去除复杂背景下的噪声,并对运动目标进行精确的定位.方法主要由两个部分组成:一是对运动目标的背景进行提取,并采用预先设定的经过边缘检测的像素点变化明显的特征区域匹配技术,二是对下一幅图像的运动目标进行定位,求出目标中心.实验结果表明,该方法有效.     

基于PCA的边缘检测方法

为了更有效地进行边缘检测,通过分析PCA的方向特性,提出了一种基于PCA的边缘检测方法。PCA先利用KL变换来将原始数据变换成维数较少的特征数据,该变换在能量积聚和数据取舍上都具有方向性;同时在证明PCA的这两个方向特性的基础上,提出了一个经两次PCA操作获取边缘的新方法——TPCA。该新方法首先通过对图像进行PCA来得到其重建后的残差;然后再对该图像的转置图像进行PCA,并将所得残差做转置;最后通过对两个残差进行叠加,并二值化来得到比较好的边缘。实验结果表明,该算法不仅有效稳定,而且与经典的边缘检测算子相比,在提取感兴趣区域方面有独特的优势。     

智能交通信号控制中的动态背景更新的改进方法

提出一种改进的动态背景更新方法,用帧差法进行车辆检测,结合边缘检测对于边缘的敏感性,可以有效降低阴影对检测结果影响的优点,消除帧差法中阴影的影响。并且考虑光线的变化,对每帧图像的平均灰度值的过滤来减少光线影响带来的误判。实验表明,这种方法可以排除背景的干扰,有效检测车辆。     

基于燃烧痕迹特征的火灾事故爆发点判断方法

研究火灾事故爆发点准确判断问题.火灾在燃烧过程中,时空上失去控制,火灾的烟雾、火焰在时空上发生了整体移动.初始爆发点特征也会发生、退化、移动.传统的判断方法多半是通过寻找火灾爆发初期的特征认定,完成火灾爆发点的判断的.一旦特征发生较为明显的移动,爆发地点也会发生较为明显的判断失误.提出利用动态能量燃烧痕迹特征的火灾事故爆发点判断方法.通过判断火灾发生过程中,燃烧能量的变化趋势,判断火灾发生的初始位置,排除特征移动的干扰.实验证明,动态方法实现了较为准确的判断火灾爆发点的认定,并提高了火灾检测效率.     

改进YOLOV3的火灾检测方法

针对传统火灾探测器检测范围有限,传统火灾检测算法精度不高、检测时间长等问题,提出一种基于改进YOLOV3的火灾检测方法YOLOV3-IMP。在YOLOV3网络结构上进行改进,包含对特征提取网络改进和多尺度检测改进,提高对浅层特征的学习能力;通过改进的K-means聚类算法生成出初始先验框;通过改进的损失函数提高对小火灾区域的检测能力;在输出火灾检测图像之前采用Softer-NMS算法,提高对重叠区域的检测能力。实验结果表明,改进的算法准确率和召回率为91.6%,83.2%,[mAP]高达84.5%,检测速度可达0.28?s,可以满足火灾检测的实时性和准确性,能够实现有效的火灾检测。     

基于同步更新的背景检测显著性优化

现有显著性检测方法大多存在检测误差大、主观性强、对背景先验知识约束过少等局限性。为此,提出一种背景检测显著性同步更新优化方法。通过改变背景先验的约束范围,计算显著图与真值图的相似程度,利用置信度量进行同步传播更新,使相邻像素间的关联性得以加强,显著目标边缘更清晰。在标准数据集上的实验结果表明,与现有基于背景的显著性检测方法相比,优化方法具有更高的检测精度。     

基于特征融合的图像型火灾探测方法

针对传统火灾探测中灵敏度不高、响应慢的问题,提出一种基于特征融合的图像型火灾探测方法.结合火焰的颜色、运动以及闪烁特征,检测出疑似火灾区域中的火焰像素,排除非火焰像素,并用支持向量机对疑似火焰像素进行验证,采用形态学方法和区域融合判断出火灾区域.实验结果表明,该方法对多种火灾和非火灾场景具有较好的适应性、较强的抗干扰能...     

基于新的运动特征的火焰检测方法

当前火焰检测方法在刻画火焰特征时忽略了火焰的运动方向信息,从而对于复杂背景环境下的火焰目标可能会产生错误的检测结果.为了更准确的刻画火焰,在层次火焰检测方法的基础上,对多个层面,融入光流法获取的火焰方向信息,提出一种新的火焰运动特征,从而实现火焰检测.首先利用光流获得火焰候选区域每个点在四个方向区域的分布,统计不同区域像素的比例信息获得火焰方向特征;然后在时空层次上结合方向特征进行分析形成火焰频率特征;最后把方向和频率特征结合形成火焰的运动特征,利用核支持向量机(Kernel-SVM)对该特征进行训练,得到火焰检测模型.实验结果表明,火焰运动特征能显著提高火焰检测的准确性和降低误报率.     

改进YOLOX火灾场景检测方法的研究

针对现有目标检测模型难以应用在复杂火灾场景的问题,论文提出了基于注意力机制改进的YOLOX火灾场景检测模型,实现对火焰、烟雾以及受灾人员的检测。首先,在CSPLayer层上添加轻量级注意力模块,提升模型整体的检测性能;其次,引入通道混合技术,提高各通道间的交流能力;最后,将主干网络最后一层换为轻量级Transformer模块,强化主干网络对全局信息的抓取能力。通过在自制火灾数据集上的实验表明,T-YOLOX的mAP比基准模型（YOLOX）提高了2.24%,与CenterNet、YOLOv3相比检测精度有较大提升,证明了该算法的有效性和优越性。     

基于火焰图像动态特征的火灾识别算法

提出了一种基于火焰图像动态特征的火灾识别算法.首先在HSI空间对捕捉的图像进行彩色分割,通过相邻两帧图像判断视频中是否存在可疑火焰.当有可疑火焰存在时,再连续捕捉多帧图像,进行火焰中心定位并提取火焰动态特征,最后判断是否发生火灾.实验结果表明,该算法具有比较好的鲁棒性,能够有效地提高火灾识别的准确率、降低误报漏报率.     

颜色直方图特征分割方法在火灾探测中的应用

火焰目标区域的分割是火灾探测的重要组成部分.有效的目标区域分割方法可以在早期排除掉背景的干扰,降低后续判别的运算复杂度.火焰的颜色具有区别于其他物体背景的独特的色彩分布规律,因此文中尝试引入一种基于火焰颜色特征的分割方法.先将视频采集的RGB图像转换到HIS空间模式下,提取各分量直方图,在图像色相和亮度分量中采用最大类间方差法选择阈值分割提取火焰区域.在实验应用中的结果表明这种方法实现了对火焰目标的有效提取.     

一种应用于运动车辆检测的背景更新方法

基于分块思想的选择性背景更新方法存在块与块之间衔接不自然、抗干扰性弱等不足。为此,提出一种引入滤波和逐渐修正的背景更新方法。利用分块思想将图像分成区域小块,根据均值和方差确立前景区域、背景区域及其变化大小,对前景区域和背景区域分别进行更新。实验结果证明,应用该方法进行运动车辆检测,其检测正确率能提高9%左右,时间效率也稍有提高。