基于改进Mask R-CNN的交通监控视频车辆检测算法

针对交通监控视频车辆检测常易受到遮挡导致目标车辆出现漏检或误检的问题,提出一种基于改进Mask R-CNN的交通监控视频车辆检测算法. 采用基于bottleneck结构的主干网络,提高主干网络提取特征的能力; 通过基于预测mask分数的掩码分支,融合目标的类别分数和掩码质量分数,提高车辆的掩码质量; 通过基于Arcface Loss的目标检测损失函数设计,提高不同特征之间的可判别性,提高目标的检测精度. 实验结果表明,改进的Mask R-CNN模型可更好地检测到被遮挡的车辆,目标车辆的检测精度超过Faster R-CNN、YOLO v3和Mask R-CNN模型,可解决目标车辆漏检或误检问题.     

一种基于改进SURF的视频DNA生成算法研究

为有效提高视频内容管理的准确性和高效性,本文借鉴生物信息学的方法,提出了一种降维改进的SURF算法和K-means算法相结合的视频DNA提取算法。该算法通过提取关键帧的SURF特征得到特征点集合,并对其进行K-means聚类构建视觉词袋模型,并将SURF特征通过视觉词袋模型量化为视觉词汇,并最终编码生成视频DNA。实验结果表明,采用改进的SURF算法生成的视频DNA具有良好的准确性和鲁棒性,并能在时间开销方面得到一定的提高。     

基于SURF算法的服装视觉图像检索研究

提出了基于SURF算法的服装视觉图像检索系统,使用实时、丰富的移动视觉图像进行服装信息的检索.首先对移动端视觉图像进行预处理,然后利用SURF算法完成服装视觉图像特征检测、特征信息描述和特征匹配,从而完成检索.对SURF-36,SURF-64和SURF-100描述向量的匹配效率、匹配准确度等方面进行试验.结果表明,SURF-64能够在效率与准确度之间达到很好的平衡,较快、较好地完成服装视觉图像的检索.     

基于改进SURF算法的图像拼接技术研究

针对传统的加速稳健特征（SURF）算法在图像拼接过程中计算复杂度高以及匹配精度不佳等问题,提出一种基于SURF的改进算法,首先基于加速分割检测特征（FAST）算法快速提取图像特征点,利用SURF算法对提取到的特征点进行特征描述,然后通过改进的k-d树最近邻查找算法（BBF）寻找图像间的匹配点,与双向匹配的自适应阈值配准法相结合进行图像的匹配,利用改进的随机抽样一致性（RANSAC）算法对提取的特征点进行误匹配剔除,最后使用渐入渐出的加权融合算法对图像进行拼接。实验表明与传统的SURF+RANSAC算法相比,本文算法的图像拼接速度快,匹配精度更高。     

基于SURF算法的细胞显微图像拼接方法的改进

为提高细胞显微图像的拼接速度,对基于SURF特征提取的显微图像拼接方法进行了改进.首先利用SURF算法提取待拼接图像的特征点,接着提取待拼接图像的边缘,将图像边缘上的特征点保留下来,进行下一步匹配与图像融合.实验结果表明:改进的方法能够获得理想的拼接效果,并且大大地提高了运算速度.     

基于SURF的图像配准改进算法

为了更好地在保证图像配准的速度前提下,提高配准的精度,本文提出一种新的基于SURF的图像配准改进算法。改进算法将单向匹配与方向一致性约束两者结合起来,先对待配准图像进行单向匹配,再计算出各个匹配点对之间的特征向量方向差值,当差值在一定阈值范围内时认为匹配成功,从而剔除错配点对,提高匹配的精度。实验结果表明,该算法在保证不增加匹配的时间前提下,提高了匹配的精度。     

基于改进YOLOv3模型的交通视频目标检测算法研究

针对现有的基于YOLOv3的目标检测算法在多尺度目标检测上存在速度与精度难以平衡的问题,在已有算法的基础上改进形成新的YOLOv3多尺度目标检测算法. 该算法首先通过k-means++聚类为各个尺度选择候选锚框的数量和长宽比维数,有效降低原始算法在初始聚类点所造成的聚类偏差; 其次将YOLOv3的检测尺度从3扩展到4,以提高对不同尺度下目标检测的精度; 最后为避免梯度衰落,将检测层前的6个卷积层转换为2个残差单元. 在UA-DETRAC数据集上的实验结果表明,该方法比原始YOLOv3的准确率和召回率分别提高了7.91%和4.57%,同时此算法的处理速度可实现对交通视频的实时处理.     

视频车辆检测中改进的阈值分割算法研究

针对使用迭代式阈值分割算法检测车辆时,易造成目标特征信息丢失以及边缘模糊化的问题,提出了一种基于形态学权重自适应图像去噪的迭代式阈值分割算法:利用数学形态学原理设计了一种权重自适应形态学滤波器,采用由小到大的多结构元构造串、并联复合形态的滤波器对视频序列图像进行去噪;同时,对迭代式阈值分割法引入一个偏移系数,可以更加快速获取最优分割阈值,对图像作精确的分割.实验证明,该算法比迭代式阈值分割算法的抗噪性好且减少阈值分割中的寻优尝试次数,得到了比较理想的分割效果.     

基于SURF目标跟踪算法研究

SIFT算法是特征图像特征提取中一种最具鲁棒性的算法,但是其在特征提取匹配上速度较慢,很难满足实时目标跟踪的要求。使用SURF特征提取方法既保持了SIFT算法的高精度的优点,又克服了速度慢的缺陷。提出使用SURF提取并且匹配目标的特征点,用重心算法计算目标的脱靶量,通过小区域跟踪方法和高速硬件平台实现目标的实时跟踪。实验证明,算法对目标的轻微旋转、部分遮挡、亮度变化具有很强的鲁棒性,跟踪速度比SIFT算法也极大提高。     

基于改进SURF和RANSAC算法的室内环境图像匹配

针对移动机器人在室内环境下定位及地图创建要求,比较SURF特征算法以及随机抽样一致性(RANSAC)算法各自优势,设计实现以改进SURF及RANSAC相结合的室内图像匹配方法.初始阶段,采用SURF算法提取图像特征,利用双向K最近邻分类法筛选提取到的特征点进行特征预匹配;再利用RANSAC算法对预匹配结果进行优化,剔除误匹配对,完成对图像的匹配矫正;最终得到准确的匹配图像.实验结果表明,此方法提高了匹配的正确率,也缩短了匹配时间,提高了匹配效率.     

基于TBGC的航拍视频车辆检测算法

针对移动航拍视频中车辆检测准确度低的问题,提出一种基于三邻域点二值梯度轮廓(Three-neighbor-point Binary Gradient Contour,TBGC)特征的航拍车辆检测算法。对相邻帧图像进行SURF(speeded-up robust features)特征点提取匹配,利用角度判别剔除错误匹配点完成图像配准,采用帧间差分获得运动目标的候选区域。由于传统二值梯度轮廓(Binary Gradient Contours,BGC)特征忽略中心像素特性,提出基于3×3邻域相邻像素点量化操作的TBGC特征。提取候选区域的TBGC特征,并利用支持向量机(Support Vector Machine, SVM)完成最终的航拍视频车辆检测。实验中利用提出的TBGC特征在8个数据集上分别与BGC1、LBP、HOG特征进行对比实验,实验结果表明TBGC算法的检测率明显优于传统经典算法,平均检测率为93.09%,并且具有较好的鲁棒性。     

基于视频的智能交通信息检测算法的研究

该文通过自适应混合高斯模型在一系列连续视频图像中提取出背景并进行更新的基础上,利用背景差法对视频图像中的运动车辆进行检测并进行占道比计算,以实现对高速公路上过往车辆的自动监控功能。实验结果表明,该系统能够快速地适应环境的变化,达到实时的要求,具有较好的效果。     

基于Gamma隶属度的车辆图像检索算法

为了提高基于颜色特征的车辆图像检索的准确率,提出一种基于Gamma隶属度的车辆图像检索算法。采用3×3模板对图像进行平滑,获得广义图像;在HSV空间上获取该图像各像素点的颜色特征分量,并使用广义直方图对合成分量进行统计;通过Gamma函数确定合成分量的隶属度值,利用Tversky比率相似性模型进行相似性测度。对比实验结果表明,该算法的查准率与查全率均高于非均匀量化算法和三角形隶属度量化算法,检索效果较好。     

基于改进特征的图像检索方法研究

针对在图像检索过程中,传统单一特征不能较好反映图像的颜色分布和内容细节等相关信息,降低了图像检索性能的问题,提出一种基于改进颜色和纹理综合特征的图像检索方法。根据HSV颜色模型区域均值,利用改进关联权值模型,获取颜色均值特征向量;基于Haar小波进行图像分解变换。在图像的低频分量中,根据低频特征结构模型,获取低频纹理特征向量;通过Canberra距离求取图像相似度。实验结果表明:方法在Corel-1000和Corel-5000标准图库中进行测试,准确率和检索率等性能参数得到了相应提高。     

基于改进蚁群算法的物流配送车辆路径优化方法

目前路径优化方法忽略了客户时间窗约束产生的惩罚成本,导致惩罚成本过高,无法得到最优配送路径,因此,提出基于改进蚁群算法的物流配送车辆路径优化方法.结合遗传算法完成对蚁群算法的改进,对物流配送车辆路径问题进行建模,得到路径规划问题的目标函数,并根据配送过程的实际情况和具体要求设定目标函数的约定条件,计算固定成本和变动成本...     

基于视频的车辆违章监测方法

基于视频的车辆违章监测系统通过背景建模和背景差分法检测视频帧出现的车辆,跟踪已有车辆,建立新出现车辆信息,并预测下一帧车辆位置,结合当前时刻信号灯状态和车辆位置对车辆是否违章作出判断,若车辆违章则触发抓拍信号,并将车辆信息和返回的高清图片组合成1条完整的违章信息.实验测试中系统运行实时稳定,各种天气环境、不同路口和交通车流下均有较高的鲁棒性和准确率.     

基于SURF算法的双目视觉立体匹配研究

针对双目视觉立体匹配效率低的问题,从SURF匹配算法和摄像机标定、校准方面进行了改进。与传统视觉匹配算法相比,SURF匹配算法具有效率高、抗干扰能力强等优点。对摄像机进行标定与校准,校准后的特征点更精确,为准确匹配奠定了基础。利用极线约束条件改进SURF算法匹配速率,并进行了相关实验。实验结果表明,算法不仅降低了匹配时间,而且还提高了匹配准确率。     

用于遥感图像拼接的改进SURF算法

经典的SURF算法存在许多不足,如特征描述符维度高、运算量大,对于旋转和拍射视角变换角度过大时,匹配精度低等。针对以上问题,提出了一种改进算法,首先通过Hessian矩阵提取特征点,然后采用特征点圆形邻域进行特征描述,使用Haar小波响应为每个特征点建立描述符,同时计算邻域内归一化的灰度差分及二阶梯度,形成新的特征描述符,最后采用RANSAC算法剔除误匹配点。该算法不仅较经典SURF算法具有速度优势,同时充分利用了灰度信息和细节信息,具有更高的精度。实验结果表明:该算法对图像的模糊、光照差异、角度旋转、视场变换等均有良好的鲁棒性和稳定性。将该算法应用于遥感图像拼接,得到无明显几何移位、边缘衔接良好的拼接图像。该算法是一种耗时短、精度高的图像配准算法,能够满足遥感图像拼接对配准的要求。     

基于改进ViBe算法的视频浓缩

针对监控视频在时间上存在冗余的问题,对ViBe(visual background extractor)算法进行改进,解决了ViBe算法存在噪声和易引入鬼影的问题,通过改进后的算法对视频进行背景建模,并对得到的背景掩模提取外轮廓以确定视频帧中是否存在前景对象。将存在前景对象的视频帧写入视频流中,达到视频浓缩的目的。经过试验验证,该方法可以有效地减少视频中的冗余信息,减小视频的体积,视频中的重要信息同时也得到了完整保留,满足实时性要求。     

基于SURF和Camshift的目标跟踪算法研究

针对动态的目标跟踪算法Camshift在目标发生短时遮挡或者背景有相似颜色干扰时,可能造成目标跟踪失败的问题,提出了一种基于SURF和Camshift的目标跟踪解决方案。使用搜索窗口颜色概率直方图和目标模板的颜色概率直方图的Hellinger距离判定Camshift算法跟踪结果是否准确,当判定为跟踪失败时,利用SURF快速近似最近邻搜索算法进行特征匹配,解决了传统Camshift算法需要手动确定第一帧搜索窗口,背景颜色干扰及短时遮挡后目标定位的问题。实验结果表明,采用该算法能克服传统的Camshift算法的缺陷,有效地跟踪到目标,具有较好的鲁棒性。