一种智能建筑中门禁系统的行人检测方法

目标检测在计算机视觉应用中占据重要地位。目前的应用极其广泛,如行人检测、智能交通、高级人机交互。2005年Dalai等人提出的HOG（HistogramsOfOrientedGradient,HOG）最早被用于行人目标的检测中,-K-,~于人体检测的性能优于Haar,PCA—SIFT和Shapecontext等方法,并获得了较好的效果。但以HOG作为人体特征进行人体检测时,存在着目标背景复杂等问题,极大的影响了检测精度。为了更好的提高人体检测的精度,本文提出运用区域分割的方法,使目标和背景区分开来,只对目标进行计算以减少背景的干扰。     

基于HOG局部双线性插值的机械零部件检测与识别

传统方向梯度直方图(HOG)特征方法用于机械零部件检测时,对零部件的微小缺陷点的检测和识别不是很有效,因此课题组提出了一种局部双线性插值的HOG特征提取改进算法,将其用于小缺陷点的零件的检测和识别。首先,在图像内部的某个块上实现局部双线性插值;然后对局部双线性插值图像块进行梯度计算,提取新的梯度方向直方图;最后利用神经网络分类方法对具有微小缺陷点的零件进行检测。实验结果表明:局部双线性插值HOG特征提取方法比传统的HOG特征提取方法具有更好的检测性能;增强图像的抗混叠识别效果。     

基于PHAM-YOLO网络的卷烟纸燃烧线检测方法

为实现卷烟纸燃烧时燃烧线的准确识别,构建了常见应用场景下的卷烟纸燃烧线数据集。针对检测背景复杂、多目标、燃烧线尺度不一且形状各异的难题,将并行混合注意机制嵌入了YOLO v5主干网络,构建了PHAM-YOLO网络模型用于卷烟纸燃烧线的检测。采用特征金字塔快速池化、边界盒回归等方法提升了卷烟纸燃烧线的定位准确性。结果表明,对于卷烟纸燃烧线数据集,PHAM-YOLO网络检测平均精度均值、精度和召回率分别为99.0%、99.8%和99.0%,其中平均精度均值比原始模型提高了5.0%,高于其他类型的目标检测方法。     

低分辨率视频图像的行人检测技术

行人检测技术是图像处理在人类生产生活中的一项重要应用,文章对现有的行人检测算法进行了学习研究,针对低分辨率图像中的行人检测问题,文章基于单高斯的运动目标检测,采用目标长宽比和二值图像边缘对称性对目标进行判别,最后,通过编程仿真,验证了算法的有效性和准确性。     

基于多目标采样和改进Mask R-CNNG的木瓜成熟度检测

目的:提高木瓜成熟度检测准确率及鲁棒性。方法:提出一种基于多目标采样和改进Mask R-CNN的木瓜成熟度检测方法。通过均值平均精度、准确率、精确率—召回率曲线和计算时间等指标,验证所提方法的有效性和鲁棒性,并将其检测效果与Faster R-CNN、RetinaNet和CenterMask等方法进行对比。结果:试验方法对木瓜成熟度检测的平均精度均值、50%平均精度均值、75%平均精度均值分别为98.43%,98.67%,98.68%,对未成熟、半成熟和成熟木瓜成熟度的平均检测精度为99.38%,98.81%,99.37%。结论:该方法可用于开发木瓜成熟度检测的电子系统,提升木瓜成熟度检测和木瓜分级的性能。     

基于MOT模型的安全着装检测方法

在工业生产和建设中,安全帽作为个人头部的防护用品可以承受和分散散落物的冲击力,因此按规定,工人进入施工现场必须佩戴安全帽。文章针对监控作业现场中工人佩戴安全帽的情况,提出了工业现场安全帽佩戴监测方法。首先检测出待测场景中的人体目标;接着对检测到的人体运动目标进行目标跟踪和标记;最后截取人体目标中的头部图像区域,进行安全帽目标检测,判断该人是否佩戴安全帽。文章将联合目标检测及目标跟踪应用于工业作业现场安全监控中,能够更高效、更准确地监测到工业现场中工作人员的穿戴规范进行检测。     

基于背景分类的监控视频中的运动目标检测算法综述

监控视频图像的背景多种多样,简单背景和动态复杂背景中的运动目标的特点不同、所采取的检测方法也要有所不同。主要对目前的运动目标检测算法进行了阐述,根据各自算法的特点做了区分,选取了帧间差法和背景差法用于简单背景下的运动目标检测,而动态复杂背景下的运动目标检测算法则主要采用光流法、高斯建模、Vi Be算法,最后对五种算法进行了总结和对比。     

人体测量的方法与设备

本文涉及到的方法与装置用于测量人体或类似人体物的尺寸大小,它是通过向人体发出光束,并检测人体的轮廓图形,分析计算轮廓图形进行人体测量。本装置可自动地进行人体测量,速度快、精度较高且不直接接触人体的测量部位。进行人体三维测量的方法有很多种,大致可分为两类:人工测量和机械测量。长期     

一种基于方差分析的运动目标检测算法

为了实现对视频序列中运动目标的实时检测,提出了一种新的运动目标检测方法.该方法对相邻两帧进行差分处理,并通过对帧差结果进行方差分析构建背景模型;用方差作为阈值将差分图像划分为运动变化区域和背景区域;将运动区域与构建的背景模型拟合,区分出运动目标和显露区域,并将显露区域收入背景,实现背景的更新.实验结果表明,该方法运算速度快、准确率高,能够对运动目标进行实时检测.     

基于计算机视觉与机器学习的烟丝杂质图像级联检测方法

为提高烟丝杂质检测及剔除的准确率,设计了一种基于计算机视觉与机器学习的烟丝杂质图像级联检测方法。该方法采用颜色特征和梯度能量计算机视觉方法对烟丝杂质进行定位,结合HOG特征、LBP特征与级联Adaboost分类器,设计多窗口检测算法对烟丝杂质进行实时检测。结果表明：基于颜色特征的静态杂质检测方法的准确率高于梯度能量方法,在结合了HOG特征和级联Adaboost分类器算法后,检测结果非常稳定,烟丝杂质检测准确率达到97.33%,在实际操作过程中不需要人工调整算法参数,在保证算法准确率和有效性的同时降低了时间成本。     

一种基于背景差分的运动目标检测新方法

针对视频序列中运动目标提出了一种新的检测方法.该方法先通过对帧差信息进行方差分析构建背景模型,再将运动区域与构建的背景模型拟合,提取出运动目标.实验结果表明,提取出的运动目标清晰,能够满足实时性视频监控应用的要求.     

基于机器视觉的低对比度纸病识别算法研究

利用机器视觉识别纸病时,若背景与目标纸病的对比度低,且采用单一的边缘检测算法,将会出现对目标纸病边缘定位不准确、抗噪性能不好等问题。对此,提出了一种解决方法,即首先分别用LOG算子和基于数学形态学的边缘检测方法对低对比度纸病图像进行边缘检测,然后对这两种边缘检测算法得到的图像进行小波融合,融合得到的图像中纸病边缘定位准确且具有一定的抗噪性,最后,对此进行了实验验证。研究结果表明,文中提出的解决方法可行,即可将该方法用于基于机器视觉的低对比度纸病识别。     

β-受体激动剂的危害及QuEChERS方法在其检测中的应用

β-受体激动剂又称"瘦肉精",在医学上用于治疗哮喘等疾病,后被用于畜牧养殖中以提高酮体瘦肉率,其在人体中过量会引起中毒,严重危害消费者身心健康。针对β-受体激动剂的复杂繁琐的检测过程,Qu ECh ERS方法的应用使得检测前处理过程变得快速、简便、高效。其基本流程为酶解后用乙腈等试剂提取,经Qu ECh ERS净化和萃取,用色谱串联质谱法进行分析测定。     

基于图像处理的车辆目标检测系统

相对于传统的车位目标识别技术,文章采用了基于图像处理的目标检测方法。实验中训练和测试的数据来自国际公开数据集PKLot,文章采用基于方向梯度直方图(HOG)和支持向量机(SVM)对正负样本集提取特征并生成模板,对待检测的图像提取出特征并与模板进行对比,最后用矩形框标识检测的车辆目标,经多次独立测试,可用车位的检测准确率在94%以上,试验过程中,测试了大约35万张车位图像,包含四个场景下的不同停车场图像,验证了设计流程的可行性。     

基于HOG特征和SVM分类器的行人检测研究

行人检测目前是机器视觉领域研究中一个热门技术。文章利用梯度直方图特征和支持向量机对不同场景下的样本图片进行检测。检测结果表明:在真实的应用场景中,该方法可以满足大部分的行人检测需求,但不同的光照、不同的遮挡和不同的样本复杂度对检测结果有一定影响。     

复杂背景下人体轮廓及其参数提取

针对基于人体照片的尺寸提取技术对照片拍摄场景限制的问题,提出利用整体嵌套边缘检测深度学习模型实现复杂背景下人体轮廓的提取并进行参数提取分析。以450张不同背景人体照片为原始图像数据集,通过人体轮廓标签图制作与数据增强手段建立了43 200张图片训练集,利用深度学习网络模型进行训练学习并构建最优边缘检测模型;最后选取40名样本作为验证对象,以13个人体比例、角度等参数作为验证参数,对人体轮廓提取值与三维点云测量值进行误差分析。结果表明,本文研究成果能够快速实现复杂背景下人体轮廓的自动提取,且人体轮廓提取值与三维点云测量值的角度参数误差小于2°,比例参数误差小于0.09,为非接触式二维测量技术的进一步研究提供理论依据和技术支撑。     

基于机器视觉的碳纤维预浸料表面缺陷检测方法

针对碳纤维预浸料表面缺陷人工检测方法效率低、成本高、实时性差等问题,提出基于机器视觉的碳纤维预浸料表面缺陷自动检测方法。首先,在碳纤维预浸料生产线上,采用2台高分辨率线扫描相机快速连续采集图像,从中随机选择带有缺陷的图像1 000张;其次,基于大气光散射模型对图像进行去雾增强处理,以消除白色树脂的干扰;然后,改进具有19个卷积层和5个最大值池化层的YOLOv2目标检测算法,用于缺陷的检测;最后,对预处理后的图像进行网络训练提取图像特征,识别图像目标,并对训练好的网络进行实验验证。结果表明:该方法在复杂的工业环境下,具有较高的识别精度和鲁棒性,识别成功率达到94%以上,且每张图像的检测时间不超过 0.1 s,可满足工业生产中精度和实时性要求。     

基于矩阵像素阈值判定的运动目标检测

针对运动目标检测所存在的不能完整分割运动对象、对光照和外部条件造成的场景变化比较敏感、容易出现许多伪运动目标点等情况,以背景差分算法为基础,提出了一种基于矩阵像素阈值判定的运动目标检测算法.该算法通过对图像进行预处理,增强图像中目标和背景图像的对比度,并去除采集和传输图像时产生的噪声,再将每个像素点的矩阵进行差分运算,以确定像素灰度变化的情况,利用灰度变化阈值确定最终的运动目标.与现有的背景差分算法检测到的运动目标相比,该算法的准确度更高.     

一种新的目标检测与跟踪算法

针对目前目标检测与跟踪算法实时性和精确性不高的问题,提出了一种新的算法.该法采用差分法分割检测目标,在混合高斯背景模型的基础上,通过检测目标的位置和颜色特征,并利用改进的Hough变换检测目标形状,找到与之匹配的目标轨迹,从而实现目标的准确跟踪.实验结果表明,该方法具有较高的检测精度和跟踪效率,能够满足智能监控系统的实时性要求.     

改进Faster RCNN在粮虫目标检测中的应用研究

针对储粮害虫体积小、姿态多变、背景复杂、存在粘连遮挡且容易混淆、检测精度低等问题,提出了一种基于深度学习的改进Faster RCNN粮虫目标检测方法。通过在特征图后引入金字塔池化模块,优化损失函数,提升粮虫检测性能。实验结果表明,该方法在本文自制的白板背景和储粮背景两个粮虫数据集的mAP分别达到89.42%和90.12%,相比较改进前的算法分别提升了0.9%和2.46%。