结合深度信息的多视点视频编码快速模式选择算法

多视点视频加深度(MVD,multi-view video plus depth)的编码格式包含多个纹理视频序列及其对应的深度图,深度图与对应的纹理视频具有相似的边缘信息。传统的编码模式不考虑两者的联系,单独编码导致复杂度高、编码时间过长。因此,合理利用深度图与纹理图的相似性进行编码,可以有效降低编码复杂度,同时应该确保编码质量不受影响。本文利用深度图的这一特点辅助纹理视频的编码,提出一种帧间快速模式选择算法,充分利用深度图与纹理图之间的相似性,建立一种联合复杂度模型,根据模型得到每个宏块的复杂度。对于复杂度低的宏块,在计算率失真代价之前跳过编码中一些不必要的模式,从而降低编码复杂度。实验表明,本文提出的快速模式选择算法,在保证率失真性能基本不变的情况下,能减少60.57%的编码复杂度,并最高能减少80.64%的编码时间。     

大规模光纤网络异常节点数据深度挖掘方法研究

为解决常用光纤网络异常节点数据挖掘方法耗时长、精度低的问题,提出一种可应用于大规模光纤网络的异常节点数据深度挖掘方法。预处理光纤网络节点数据,提取信息熵特征,并对数据进行降维操作,引入随机森林算法,通过自助采样形成多个随机样本空间,通过投票机制合并处理并输出树群中各棵子树光纤网络异常节点数据深度挖掘结果,实现光纤网络异常节点挖掘。实验结果表明,所提方法的精确度高达99.8%,耗时仅为9.2 min,漏检率为0.12%,因此,该方法可以获取高效率、高精度的光纤网络异常节点数据深度挖掘结果。     

激光点云中三维多目标在线跟踪方法

为降低三维多目标跟踪系统计算复杂度,实现准确高效的多目标在线跟踪,提出一种激光点云中三维多目标在线跟踪方法。在目标检测阶段,通过3D深度相机获取五帧点云序列进行三维背景建模,将实时获取的序列与背景模型进行差分运算检测运动目标。在数据关联阶段,结合运动矢量一致性和最小欧式距离建立预测与检测之间的权值匹配矩阵,使用带权匈牙利算法完成匹配。实验结果表明,对于百万级点数的点云图本算法完成目标跟踪耗时每帧低于0.1 s,跟踪准确度高于95%,跟踪精度低于0.5 mm。能够实现毫米级工业小目标的在线跟踪,兼顾了精确性和实时性。     

基于深度卷积神经网络的红外图像超分辨率重建技术

由于器件及工艺等技术限制,红外图像分辨率相对可见光图像较低,存在细节纹理特征模糊等不足。对此,本文提出一种基于深度卷积神经网络（convolutional neural network,CNN）的红外图像超分辨率重建方法。该方法改进残差模块,降低激活函数对信息流影响的同时加深网络,充分利用低分辨率红外图像的原始信息。结合高效通道注意力机制和通道-空间注意力模块,使重建过程中有选择性地捕获更多特征信息,有利于对红外图像高频细节更准确地进行重建。实验结果表明,本文方法重建红外图像峰值信噪比（peak signal to noise ratio,PSNR）优于传统的Bicubic插值法以及基于CNN的SRResNet、EDSR、RCAN模型。当尺度因子为×2和×4时,重建图像的平均PSNR值比传统Bicubic插值法分别提高了4.57 dB和3.37 dB。     

一种深度学习的通货核桃品种分选方法

针对市场上通货核桃多品种掺杂、各类核桃相似度高而难以有效区分的问题,文中提出一种深度学习的通货核桃品种分选方法。建立包含四种主栽核桃品种外部种类信息图像数据库,并结合专业知识进行人工标签;构建嵌入BN的Inception多尺度特征融合结构,加速实现多尺度视觉信息的聚合;加入捷径连接,增强模型对特征的复用,缓解过拟合问题;加入SE注意力机制,增强模型的抗干扰能力;使用余弦退火加速模型收敛,在此基础上,构建深度学习网络模型（BSNet）,以实现核桃品种的动态分选。将BSNet模型与ResNet18、ResNet50、ResNet101、DenseNet121、GoogleNet等经典模型进行对比实验,实验结果表明,BSNet模型在自建数据集上的分选平均准确率达到96.13%,优于经典模型,证明所提方法能够有效应用于核桃品种分选。     

基于DCGAN的点云滤波方法

在获取点云进行3D重建时,必然会有各种各样的噪音。传统的滤波方法主要依靠概率模型的假定,但是由于复杂的背景,使得传统的滤波方法难以获得较好的滤波效果。为了解决此问题,提出一种基于深度卷积生成对抗网络（DCGAN）的点云滤波方法。首先计算点云的特征值和熵值,根据熵值分配给点维度类别（1D、2D、3D）;不同的维数类别建立不同的簇,并将点云的维数类别与点的几何特性相对应;然后在每个簇内应用DCGAN进行聚类;最后排除高熵点以及离群点等噪声达到滤波目的。实验结果证明,与传统的半径滤波、统计滤波方法相比,该方法在滤波性能上有很大的改善,并且在运算速度上分别提高了5.8倍和2.5倍,基本达到了高精度、高效率的点云滤波需要。     

基于局部对比度的自适应Top-Hat红外小目标检测

Top-Hat的检测性能受限于固定单一的结构元素,导致对复杂背景的抑制能力差。针对该方法的不足,提出两种具有递进关系的改进Top-Hat算法。首先依据小目标与其邻域灰度值差异,改进了Top-Hat变换,提出了一种具有双结构元素的Top-Hat算法,分别为膨胀和腐蚀操作设计了各自的结构元素,并且调整了开运算的运算顺序,以提高对红外小目标的检测性能。在此基础上,又提出一种基于局部对比度的自适应双结构Top-Hat红外小目标检测方法,通过计算局部对比度得到显著图,获得先验信息,自适应地改变双结构元素的大小,利用目标区域及其邻域的灰度值差异来抑制背景和增强目标。与同类方法和非同类方法进行对比实验研究,结果表明,所提基于局部对比度的自适应Top-Hat方法在5种评价指标中均表现突出。     

基于图像增强和滚动引导滤波的红外与可见光图像融合

针对红外与可见光图像融合易发生热目标亮度损失、可见光图像细节信息丢失的问题,提出一种基于图像增强和滚动引导滤波的多尺度融合算法。首先,提出一种自适应图像增强方法,提高可见光图像的整体亮度,并保持细节处的对比度。然后,根据特征的不同将源图像分解为三层,采用基于引导滤波的显著性提取方法得到亮度层;利用滚动引导滤波良好的尺度感知和边缘保持特性,并结合高斯滤波得到基础层和细节层。最后,对亮度层采用像素值取大的融合规则,提出一种新的最小二乘优化方案对基础层进行融合,使用修正拉普拉斯能量和作为清晰度的度量对细节层进行融合。实验结果表明,与其他融合方法相比,所提方法在主观评价和客观评价上都有较好的表现。     

基于OTT大数据的楼宇评估方案研究

文章以楼宇室内覆盖需求为出发点,计划通过OTT技术开展楼宇室内覆盖评估,精准定位运营商楼宇内网络覆盖盲区、弱区,主动锁定并收集相关信息,深度挖掘各运营商室分建设需求。     

基于深度强化学习的认知车联网频谱接入算法

先前的研究仅考虑仅仅存在认知车联网单一通信环境的问题,这样不能充分利用频谱资源。为了提高频谱利用率,提出一种适用于同时存在多个认知车辆的认知车联网环境的方法。同时为了提高认知车辆频谱接入的成功率,通过结合不同情况下的授权车辆和认知车辆的吞吐量设计了不同的反馈函数提出了一种改进的深度强化学习方法。所提出方法的性能明显优于传统的Q学习算法,能够更明显地提高频谱利用率,满足日益增长的车联网通信需求。