基于置信度融合的自然场景文本检测方法

自然场景文本检测技术已经成为计算机视觉领域重要的研究任务,在图像检索、辅助驾驶、工业检测等领域具有广泛应用.在现有的基于深度学习的自然场景文本检测方法中,非极大抑制算法在对同一个真实文本框的重复检测进行合并和筛选时,将预测框的分类置信度作为排序依据,导致那些定位更精确而分类置信度略低的预测框被抑制,从而影响检测准确率....     

基于CSP改进用于拥挤情况的行人检测算法

随着深度学习的迅速发展,采用卷积神经网络提取图像的特征,用于行人检测技术取得了显著成就,但在拥挤情况下,由于行人间的相互遮挡,以及行人尺度的多变性,当前的行人检测效果还有待进一步提升.为解决这一问题,把行人的中心点和身高作为行人的高级语义特征,使用深度残差网络(ResNet-50)作为图像特征提取的主干网络,结合特征金...     

面向自然场景文本检测的改进NMS算法

近些年来,卷积神经网络算法在自然场景文本检测效果上较传统算法已经有了很大提升,但如何有效处理神经网络输出层候选框仍然值得研究。非极大值抑制算法（non-maximum suppression,NMS）通过选择最高置信度候选框作为检测结果,往往容易对较长文本以及混叠文本区域检测失效。考虑到该问题,可以将候选框集合进行排序滤波与融合计算,得到更准确的候选框,有效减少上述检测失效的情况。这种方法,可以直接嵌入原有方法中,而不需要改变网络结构或者增加任何训练量。通过在公开数据集上进行实验,对比其他方法,该方法有较大优势。     

复杂场景下基于热图的车牌检测

随着车牌识别的应用场景不断扩展,处理的图像复杂性也随之提高,车牌检测面临车牌定位困难、检测速度慢和精度低等挑战。为提高光照不均衡、透视变形、雨雾天气、低分辨率等复杂场景下车牌检测的准确率,提出一种基于车牌角点热图的检测网络LPHD-Net。不同于传统模板匹配和目标检测中矩形先验框的方式,该网络通过车牌角点热图和车牌边界向量场的方法对车牌进行检测。在中国城市停车数据集中进行训练和测试,使用目标检测任务中常用的平均精度和召回率对模型的整体性能进行评价。实验结果表明,LPHD-Net模型对多种复杂场境下的车牌检测精确率和速度分别达到99.2%和78 frame/s,较LMAFLPD模型提升1.15个百分点和14 frame/s。同时,其对场景中的多车牌检测也具有较好的检测效果。     

基于F1值的非极大值抑制阈值自动选取方法

传统的NMS算法的过滤阈值是人为设定的,由于阈值的选取不当可能会造成漏检和误检。在应用NMS算法时,所有图像的最佳阈值不是完全相同的,根据图像自身信息的不同而发生变化。针对上述问题,提出基于F1值的非极大值抑制阈值自动选取方法,综合考虑检测算法的准确率与召回率,选取使F1值最高的最佳过滤阈值,构建映射关系。测试阶段,利用映射关系和图像信息自动选取对应的过滤阈值。实验结果表明,本文提出的改进版本NMS算法将检测精度mAP值提高了1.1%。与现有的先进算法做对比,证明了本文算法的有效性。     

一种基于定位置信度预测的二阶段目标检测方法

当前许多目标检测算法在非极大值抑制过程中基于分类置信度对检测框排序,但由于分类置信度与定位准确度没有一致性,通常会影响检测器的定位性能.对此提出一种基于定位置信度预测的二阶段目标检测方法,为Faster R-CNN框架添加定位置信度预测分支,对分类、边界框回归和定位置信度3个分支进行联合训练,进而将检测框的定位置信度与...     

基于主成分分析网络的车牌检测方法

车牌识别是智能交通系统的核心技术,车牌检测是车牌识别技术中至关重要的一步。传统的车牌检测方法多利用浅层的人工特征,在复杂场景下的车牌检测率不高。基于主成分分析网络的车牌检测算法,能够无监督地逐级提取车牌深层特征,可有效提高算法的鲁棒性。算法首先采用Sobel算子边缘检测和边缘对称性分析获取车牌候选区域;然后将候选区域输入到主成分分析网络中进行车牌深度特征提取,并利用支持向量机实现对车牌区域的判别;最后采用非极大值抑制算法标记最佳车牌检测区域。利用收集的复杂场景下的车辆图像对所提方法的参数进行分析,并将其与传统方法进行比较。实验结果表明,所提算法的鲁棒性高,性能优于传统的车牌检测方法。     

自适应不同条件的车牌检测算法

车牌检测(License Plate Detection, LPD)是自动车牌识别中(Automatic License Plate Recognition, ALPR)主要步骤,针对不同条件下车牌检测速度慢和检测精度低的问题,提出了一种改进改进自适应形态闭和开操作的车牌检测算法,该算法首先采用局部直方图对车牌图像均衡化处理,使用自适应形态闭操作对所有灰度化区域进行平滑处理,之后引入局部自适应阈值处理,能得到平滑图像和被分离的车牌,最后采用形态学开操作,将外部区域和车牌数连接部分分离。实验结果表明,所提方法的检测精度高于其他算法,同时,平均检测时间少于其他算法,适合不同条件下实时车牌检测。     

改进的非极大值抑制算法的目标检测

目的 作为目标检测的后置处理算法,非极大值抑制（NMS）算法被用于移除多余的检测框。然而,NMS算法在每轮迭代中抑制所有与预选取检测框Intersection-over-Union（IoU）值大于给定阈值的检测框,容易造成目标的漏检和误检。此外,阈值的选取对整个算法的效果有着至关重要的影响。针对这个问题,本文提出了改进的NMS算法,分别为分段比例惩罚因子NMS算法和连续比例惩罚因子NMS算法。在连续比例惩罚因子NMS算法中,阈值对算法的运行效果仅有轻微的影响。方法 改进的NMS算法首先根据检测框与预选取检测框的IoU值大小计算出检测框对应的比例惩罚因子;然后将检测框置信度分数乘以比例惩罚因子,通过比例惩罚因子逐轮降低检测框的分数;最后经过多轮迭代后移除分数低于阈值的检测框。结果 基于分段比例惩罚因子NMS算法和连续比例惩罚因子NMS算法的Faster RCNN目标检测模型在PASCAL VOC 2007数据集下,Faster RCNN的检测平均精度均值（mAP）相较于传统的NMS算法分别提高了1.5%和1.6%。其中,以火车类为例,当准确率和召回率均为80%时,火车类检测的漏检率和误检率分别降低了1.8%和1.2%。与传统的NMS算法相比,本文所提出改进的NMS算法可以有效地保留目标检测框和移除目标的假正例检测框,从而降低NMS算法的漏检率和误检率。结论 在时间复杂度相同和运行效率一致的情况下,与传统的NMS算法相比,本文所提出的改进NMS算法mAP值得到了显著的提升,同时本文算法为其他目标检测模型提供了一个通用的解决方法。     

多信息融合的快速车牌定位

目的车牌定位是车牌识别的关键步骤之一,为提高车牌定位的准确率和定位速度,降低误检率,提出一种基于多信息融合的快速车牌定位方法。方法首先,通过边缘密度信息快速排除大量背景区域,有效提高定位速度;其次,根据车牌字符的分布信息精确定位车牌;最后使用基于模板匹配的车牌字符分割方法进行车牌字符分割,通过验证所分割出的字符是否是数字或字母来验证所定位区域是否车牌,去除误检车牌区域。结果在9 980幅图像上进行测试,定位准确率为97.9%,平均定位时间为16.3ms。实验结果表明,本文方法可以在各种条件下快速而准确地定位车牌。结论融合多种特征的车牌定位方法,通过提取车牌对应的环境信息,排除了大量的背景区域,加快了车牌定位的速度;根据车牌的结构信息定位车牌,并通过车牌的部件信息,实现合法性验证,提高车牌定位的准确率。通过多种信息的融合,有效改善了车牌定位的效果。     

基于自适应阈值投影的双行车牌分割方法

Aiming at the problem that there are few algorithms and low correct segmentation rate of double row license plate number in China, an adaptive projection method for double row license plate segmentation is proposed. Firstly, the image of license plate in HSV (Hue Saturation Value) space is binarized. Secondly, the double line license plate is segmented into a single line license plate by the adaptive projection method. Finally, the characters on the license plate number are segmented. Experiments show that this method can effectively segment the double line license plate with white characters on blue background, red characters on white background, black characters on green background, and black characters on yellow background, and the correct segmentation rate of the double line electric bicycle brand is higher. At the same time, this method overcomes the shortcomings of the deep learning method such as long training time and a large number of data sets. The proposal t is a simple and efficient segmentation method.     

一种基于自适应形态学结构元素的车牌定位算法

针对传统的基于数学形态学的车牌定位算法结构元素选取的弊端,即依据经验或实验而选择一个固定大小和形状的结构元素对车牌图像进行全局处理,导致定位算法的普适性和鲁棒性低,提出了一种基于自适应结构元素的车牌定位算法,算法充分利用车牌二值图像自身信息,通过计算字符水平边缘所形成的线段长度的均值作为结构元素,因此结构元素的大小能随着车牌图像的不同而自适应调整,更加有效地定位车牌目标区域。实验结果证明,算法具有较强的自适应能力,定位准确率满足应用需要。     

基于多类别特征信息融合的车牌检测

自然场景下复杂多变的影响因素给车牌检测带来困难,为检测并定位自然场景下移动车辆的车牌区域,通过分析信息融合和多类特征提取的特点,提出基于多类别特征信息融合的车牌检测方法.该算法在两种不同场景数据集上的测试效果验证了信息融合和多类特征提取能显著提高车牌检测的检测率和场景鲁棒性.     

基于四元数特定颜色对边缘检测的车牌定位

车牌定位是车牌识别系统中的一个关键问题。提出了一种基于四元数特定颜色对边缘检测的车牌定位算法。首先将输入彩色图像用同色调全饱和度四元数形式表示;然后借助四对模板检测特定颜色对边缘,结合形态学膨胀运算提取潜在车牌区域;最后根据车牌形状约束条件定位车牌区域。该方法综合利用了车牌的颜色、边缘和形状特征,具有较好的鲁棒性。对各种情况拍摄的485幅车牌图像应用该算法,查全率达到96.8%,查准率超过93.2%。     

基于改进单点多盒检测器的大坝缺陷目标检测方法

为提升大坝安全运维的效率,大坝缺陷目标检测模型有助于辅助巡检人员进行缺陷检测.大坝缺陷几何形状多变,而采用传统卷积方式进行特征提取的单点多盒检测器(SSD)模型无法适应缺陷的几何变换.针对上述问题,提出可变形卷积单步多框检测器(DFSSD)模型.首先将原始SSD的主干网络VGG16中的标准卷积替换为可变形卷积,用于处理...     

基于数学形态学和Hough变换的车牌定位算法

针对复杂环境下的车牌定位率较低的问题,提出了一种基于数学形态学和Hough变换检测车牌区域的方法。首先,对车牌图像进行图像预处理,然后,利用数学形态学的高帽变换突出车牌字符区域,并对图像进行边缘检测和连通区域分析;最后,结合Hough变换和车牌的先验知识实现车牌的精确定位。实验结果表明,针对不同复杂背景下采集到的车辆图像,该算法具有很强的鲁棒性,准确率达97.3%,能够满足现代智能交通系统对车牌定位准确性和实时性的要求。     

基于改进的Mask R-CNN的染色体图像分割框架

针对染色体图像的人工分割耗时费力且当前自动分割方法精度不佳的问题,基于改进的Mask R-CNN提出了一种染色体图像分割框架——Mask Oriented R-CNN,引入方向信息对染色体图像进行实例分割。首先,新增有向包围框回归分支,以预测紧实包围框并获取方向信息;然后,提出新的交并比（IoU）度量——角度加权交并比（AwIoU）,从而结合方向信息与边的关系以改进冗余包围框的判据;最后,实现有向卷积通路结构,通过拷贝掩模分支通路并依据实例的方向信息选择训练路径来减少掩模预测中的干扰。实验结果表明,相较于基准模型Mask R-CNN,Mask Oriented R-CNN在IoU阈值为0.5时的平均精度均值指标提升了10.22个百分点,IoU阈值为0.5~0.95时的平均指标提升了4.91个百分点。研究结果显示,Mask Oriented R-CNN框架相较于基准模型取得了更好的染色体图像分割结果,有助于实现染色体图像自动分割。     

基于多标签分类算法的多输入多输出智能接收机模型

传统无线通信系统由发射机和接收机组成,待传输的信息经过信道编码、调制、成型后通过天线发射出去。由于信道衰落、噪声和干扰等因素的影响,到达接收机的信号会存在较严重的失真,接收机需要从失真的信号中尽可能地恢复出原始信息。为解决此问题,提出基于多标签分类神经网络的多输入多输出（MIMO）智能接收机模型。该模型利用深度神经网络（DNN）替代接收机从信号到信息之间的整个信息恢复环节,并采用多标签分类算法代替多个二分类器实现多个比特的信息流恢复,而训练数据集为包含二进制相移键控（BPSK）与正交相移键控（QPSK）两种调制方式以及汉明编码与循环编码两种方式的正交信号。实验结果表明在噪声、瑞利衰落、干扰等情况下,使用传统Alamouti译码方法的接收机误码率（BER）为1E-3时,智能接收机已经实现了BER为0的恢复信息;在保持BER性能相同时,所提多标签分类算法比对比模型的多个二分类器算法在每个批次的训练时间上减少了约4 min。     

基于双边缘检测的车牌识别算法

随着智能交通的不断发展,车牌识别系统已经成为其中的重要组成部分。车牌识别分为车牌定位、字符分割以及字符识别三个部分。提出了一种新型车牌识别方法。在车牌定位方面,采用双边缘检测车牌定位方法;对于字符分割则提出了寻找连通域与传统投影分割相结合的方法;在字符识别上,将分类器分为三组,同时对于易混淆的字符进行了再次分类,这种做法缩短了训练时间,提高了准确率。实验结果表明,所提出的方法具有识别率高和速度快等特点。