一种基于动态背景的运动目标提取方法

为了实现旋转摄像头下运动目标的监控,提出了一种动态背景下提取运动目标的方法．在全局运动估计过程中,首先提取当前帧的特征点并将其离散化,然后以特征点为中心在当前帧和前一帧之间进行块匹配,其后用3σ准则除去误差块,从而得到全局运动估计量,并且在VC平台上实现了该算法．     

利用采样窗口与彩色信息提取石材大板目标轮廓

目的提取生产线复杂背景下的石材大板目标轮廓,为后续石材大板的实时优化排版及下料等智能化加工提供基本参数．方法将彩色信息作为石材大板的有效分割特征．在HSI彩色图像空间中,定义采样窗口和动态检测窗口,提取采样窗口特征参数作为先验模板．用检测窗口遍历图像,根据检测窗口与采样窗口彩色分量概率分布的相似性分割出准目标区域;在该区域内用双阈值法分割出目标点区域,提取目标轮廓．结果对简单背景和复杂生产线背景下的石材大板目标轮廓提取进行了实验,并与直方图自适应阈值法进行了实验结果对比分析．实验结果表明,笔者所提算法能够准确提取简单背景和复杂背景下不规则石材大板目标轮廓．结论笔者算法从生产实际出发,能够准确提取复杂背景下不规则石材大板的目标轮廓,为石材大板的智能加工提供了前期输入参数．     

三维可变形物体的三点匹配策略

针对不同姿态下的三维可变形物体特征点匹配问题,提出了一种基于热核信号特征和测地距离的三点匹配策略,从而可以为后续的紧密匹配奠定基础.该方法主要由以下三步完成,首先提取出三维可变形物体的外部特征点;其次,对外部特征点采用热核信号定义局部特征;最后,结合局部特征描述符和特征点之间的测地距离进行最优匹配搜索,得到正确的匹配结果.实验结果表明:该方法能很好地实现对三维可变形物体的稀疏匹配.     

基于背景差分法的电网巡检运动目标检测技术

针对无人机对电网巡检过程中移动镜头下的目标检测问题，采用背景补偿与背景差分法实现了动态场景下的目标检测.建立了全局运动矢量模型，并利用SIFT特征点提取和匹配技术，完成了视频图像的特征点匹配，实现了移动镜头下的背景补偿.通过降维和局部匹配方式对SIFT特征点提取和匹配技术进行优化.结果表明，优化后的特征向量生成时间是原来的30%～40%,与经典SIFT算法相比，提取特征点的总时间是原来的30%～50%,该方法能准确检测运动目标并排除干扰.     

基于运动矢量空间编码的视频监控动态目标检测方法

针对当前视频监控动态目标检测过程中因忽略了目标位置的预估计而导致检测耗时较长、检测误差较大的问题,提出了基于运动矢量空间编码的视频监控动态目标检测方法。通过运动矢量空间编码方法进行背景建模,采用基于卡尔曼滤波器的CamShift目标跟踪算法检测目标,并对下一时刻目标的搜索范围和出现位置进行估计,通过CamShift结合估计结果搜索目标的真实位置,并对目标搜索范围、加速度和速度进行修正,完成视频监控动态目标的检测。实验结果表明,本文方法的视频监控动态目标检测效率高、检测结果准确率高,验证了本文方法具有较强应用性。     

一种实用的运动目标检测和跟踪算法

为使智能视频监控系统在监控时不仅具有较高的准确率,同时也保证系统的实时性,设计并实现了一种实用的在摄像机静止条件下运动目标检测和跟踪算法。首先对采集到的视频图像进行预处理,为算法提供最佳的图像数据,然后用混合高斯背景建模方法实现前景/背景分割,用形态学操作提取前景目标,最后用基于空间距离的方法实现目标跟踪。算法应用到实验系统,实验表明,系统在保证实时性的同时,能够正确检测和跟踪监控场景中的运动目标。     

违章停车检测与识别算法

针对传统违章停车人工检测方式的缺陷,设计了基于图像处理技术的停车违章监控算法。在禁停路段区域设置视觉传感器采集视频图像序列,利用自适应的混合高斯模型实现复杂交通场景下的背景抽取,提取可能运动前景目标。利用像素级时间序列特征检测静止物体,并根据对象级区域特征实现停驶车辆的辨识,获取车辆的违章停车信息。根据不同禁停区域的具体违章要求实现自动警报。最后,通过实际交通场景视频序列对算法进行了验证,结果表明了本文方法的有效性。     

一种基于特征的动态目标检测与跟踪算法

为解决图像处理特征目标物易受环境影响的问题,采用图像处理和颜色匹配的方法,提出一种基于特征的动态目标的检测和跟踪算法．首先对图像进行灰度化处理并获取图像梯度,确定目标物的弱可疑区。利用非完全特征匹配确定强可疑区,再进行完全特征检测确定目标物的位置,并根据运动物体两次移动位置计算出跟踪摄像器件的旋转方向和角度,最终实现对动态目标物的检测与跟踪．实验证明,该算法能够较好地完成动态目标物的检测与跟踪．     

眼部特征自动检测定位方法

为了准确地提取眼部特征,提出了一种人眼虹膜检测及眼角定位的新方法。首先用AdaBoost算法在复杂背景下识别人脸,再用方差积分投影方法提取眼睛区域。然后设计了可变形圆形模板,利用可变形圆形模板及改进的优化匹配函数来确定虹膜中心及计算虹膜半径,并在此基础上根据眼睛的结构特征,用设计的线形模板计算内外眼角相对虹膜中心的角度方向,并在该方向下用Harris角点检测算法确定眼角最佳位置。最后,利用IMM人脸库验证了本方法,实验结果表明:本方法可以很好地对面部图像中的人眼虹膜及内外眼角进行准确定位。     

基于相位一致性的输电线监控视频图像线特征提取

线特征是图像分析中视觉感知的重要线索,是复杂背景下从输电线监控视频图像中提取电力线的重要特征,其为后续输电线状态分析提供依据。文章应用相位一致性原理提取输电线监控视频图像的线特征,通过仿真同其他传统方法进行了对比。实验结果表明,该方法能有效地实现复杂背景下线特征的提取。     

数据驱动的GMC稀疏增强诊断方法

在机械故障诊断中,针对传统方法提取微弱故障特征时易受强背景噪声干扰而精度低的问题,提出了一种基于数据驱动的广义最小最大凹惩罚函数增强的稀疏特征提取方法。该方法利用非凸的最小最大凹惩罚函数建立无约束优化问题目标函数来提高故障特征的提取精度。该惩罚函数非凸可加强特征的稀疏性,并且证明了保持目标函数整体呈现严格凸性所需要满足的约束条件。将近端算法用于所构造的无约束优化问题的求解。此外,研究了数据驱动的正则化参数设置准则,保证所提出的稀疏特征提取方法具有参数自适应性。在仿真信号和实际故障实验中验证了所提出的自适应稀疏增强的特征提取方法,结果表明所提出的方法可以精准地提取出故障特征且效果更稀疏。     

形态解调在齿轮故障特征提取中的应用

针对齿轮故障信号往往由于冲击的存在而产生调制现象的问题,提出采用形态学解调的方法提取齿轮故障特征.在分析不同形态学运算对信号处理结果影响的基础上,结合形态闭运算提取信号正脉冲的特点,采用闭运算对齿轮故障信号进行形态解调以提取故障特征.分析并比较不同长度扁平形结构元素对仿真与实际故障齿轮信号的解调效果,说明当采用长度为0.19～0.21倍的齿轮冲击周期的扁平形结构元素进行形态解调以提取故障特征时,可取得较好的效果.仿真与实例证明,形态解调方法不仅克服了包络解调需选择滤波参数的缺点,而且能够更有效地提取齿轮故障特征.     

基于模板匹配的人脸识别跟踪方法研究

在对运动物体的实际追踪过程中,由于目标运动方向不确定、背景环境复杂多变等因素,增加了动态目标跟踪的难度,所以用普通识别方法较难提取出目标特征,从而无法准确跟踪动态目标。提出了基于模板匹配的人脸识别算法,分析了基于方向梯度直方图(HOG)的人脸特征提取算法和基于欧氏距离的人脸识别算法,设计出了人脸识别跟踪系统。实验结果表明通过动态目标视觉检测以及PID控制的角度输出,该系统实现了对特定目标的人脸识别和跟踪。     

基于HHT/PNN的故障信息融合诊断方法

为提高动态随机故障诊断能力,提出了基于HHT/PNN的故障信息融合诊断方法.利用HHT提取信号的瞬时频率和瞬时幅值特征,采用过程神经元网络实现对时域幅值、瞬时频率和瞬时幅值3种故障特征的融合诊断.对基于HHT/PNN和基于神经网络的2种故障诊断方法进行了比较.仿真结果表明:对于动态随机故障,基于HHT/PNN的故障信息融合诊断方法比基于神经网络的故障诊断方法的故障诊断准确度高.     

基于Mask R-CNN与改进BP神经网络联合算法的变压器套管红外热故障诊断

为解决传统图像类算法在变压器套管状态诊断时存在的效率低、准确度不高以及复杂背景下变电设备目标识别困难等问题，提出了将Mask R-CNN与改进BP神经网络相结合的套管红外图像状态诊断方法。首先，利用Mask R-CNN解决套管红外图像背景复杂时分割困难的问题；其次，基于灰度特征的特征量提取方案，实现对红外伪彩图特征量的提取；最后，引入粒子群优化BP神经网络（PSO-BP）算法对变压器套管特征进行分类识别。实验结果表明，该方法对红外图像中套管的运行状态具有较好的检测效果，对套管中介质损耗故障、接头故障和漏油故障的故障诊断准确率分别可达100.0%、88.9%和96.3%，平均准确率达到93.518%，优于传统BP算法和支撑向量机（SVM）算法。     

基于计算智能技术融合的故障识别方法

为了提高复杂系统故障识别的精度和降低误报率,利用粗糙集理论、遗传算法、神经网络等计算智能方法的优势,提出一种基于计算智能技术融合的故障识别方法.针对原始样本数据的不确定性和不完备性,利用粗糙集对原始样本数据进行数据归一化、离散化、属性约简等预处理,求得能够覆盖原始数据特征的具有最大完备度的最小规则集.利用具有全局搜索能力的遗传算法直接训练反向传播神经网络的权值,将规则集作为网络输入,形成优化网络模型.采用该模型对预处理的各种状态故障特征向量进行分类决策,实现故障识别.通过电机轴承故障识别实验表明,该方法能够优化网络结构,提高故障识别速度和准确率.     

基于有源自回归模型与模糊C-均值聚类的挖掘机液压系统故障诊断

为了提高挖掘机的可靠性水平和智能化程度,提出了基于有源自回归(ARX)模型与模糊C-均值(FCM)聚类的挖掘机液压系统故障诊断方法。该方法将故障诊断分成故障特征提取和故障分类两个部分。在故障特征提取中,针对已知故障和测试故障分别建立ARX模型,提取ARX模型的自回归系数作为故障特征。在故障分类中,以FCM聚类作为故障分类器,将测试故障归入已知故障的某个分类中,判断系统的故障类型。仿真和实验结果表明,ARX模型与FCM聚类相结合的故障诊断方法能有效地应用于挖掘机液压系统。     

基于深度学习的哮喘患者CT影像黏液栓自动识别

针对肺部计算机断层扫描(CT)影像中人工识别黏液栓效率较低、识别效果不佳等问题,提出一种基于深度神经网络的黏液栓自动识别模型。针对黏液栓不规则的特点,在骨干网络中引入可变形卷积来提取特征,并在检测网络中引入可变形感兴趣区域池化进行特征尺度归一化。针对黏液栓的中小目标特性,提出采用加权特征金字塔网络进行多尺度特征融合。实验结果表明,与传统的更快区域卷积神经网络相比,所提模型的平均精度提升了4%,可为辅助诊断哮喘的严重程度提供参考。     

动态核主元分析在无人机故障诊断中的应用

飞行控制系统作为无人机(unmanned aerial vehicle, UAV)的核心子系统,对其进行故障诊断可以大大提高无人机的安全性和可靠性。在无人机数学模型未知或者不确定的情况下,数据驱动的故障诊断方法比基于模型的方法更实用。考虑无人机飞行控制系统是典型的非线性动态系统,采用一种非线性主元分析方法对其进行故障诊断。利用数据建立无人机飞行控制系统正常状态下的动态核主元模型,通过T²和SPE两种统计量实现故障检测;故障发生后,利用重构贡献图的方法进行故障分离。仿真试验证明,该方法能对典型的无人机执行器和传感器故障进行有效监测和诊断。与动态主元分析相比,动态核主元分析方法对微小故障更为敏感。     

基于正反向异质性的遥感图像变化检测

为提高水体周边环境的变化检测结果的精度,提出一种改进的变化检测方法。在光谱与纹理特征结合的基础上融合指数特征构建混合特征空间,采用超像素生成算法(simple linear iterative cluster, SLIC)处理叠加影像获取地物对象,并综合地物对象的正反向异质信息构建地物对象的正反向异质性;使用最大数学期望算法与贝叶斯最小错误率理论获取两时相的变化信息,排除植被伪变化信息,形成相对准确和鲁棒的检测结果。试验结果表明:该方法能够有效区分水体周边环境中感兴趣的地物变化信息与不感兴趣的干扰信息、“伪变化信息”等,虚检率和漏检率较低,且正确率较高为96%以上,能够智能发现湖库水域周边“非正常”土地利用变化。