基于重叠条纹特征融合的行人再识别

针对行人再识别过程中,光照、摄像机设置等因素影响行人图像颜色以及在提取图像特征时丢失部分图像细节的问题,提出一种基于重叠条纹特征融合的行人再识别方法。在提取特征前,对图像进行重叠条纹分割,对所分割的条纹提取HSV颜色直方图和Gabor纹理特征直方图,HSV颜色直方图可以增强图像颜色信息的鉴别性,而重叠条纹分割方法解决丢失图像细节问题,Gabor纹理特征对图像的边缘敏感,增加图像的细节信息,融合所提取的图像特征,形成特征描述子;然后用交叉视角逻辑度量学习算法进行识别;最后在VIPER和GRID图像库上进行实验,rank1分别达到了31.68%和16.32%,rank10和rank20也有明显提高。结果表明所提方法能够提高行人再识别的识别率。     

E524．40：压力传感器

艾尔默斯公司（elmos）推出内置PSI5接口的第二代压力传感器芯片E524．40。该产品专门针对汽车安全应用（侧安全气囊和行人保护系统）而设计的。     

基于二阶混合注意力的行人重识别

基于注意力机制的行人重识别方法更多利用图像中 一阶信息,忽略了特征中二阶信息 ,不能挖掘特征图之间的相关性和细粒度信息。提出一种基于二阶混合注意力的行人重 识别算法(second-order mixed attention module,SMAN)。二阶混合注意力模块(second-order mixed attention module,SOMA)由二阶通道注意力(second-order channel attention,SOCA)和二阶空间注意力模 块(second-order information,SOSA)组成,该方法将全局协方差池函数嵌入到SOCA和SOSA模块中,学习特征中二阶信息 。SOCA模块学习特征图之间相关性,SOSA模块则重新为特征图分配权重,关注特征图空间域 的细粒度信息。SMAN算法在Market-1501和 DukeMTMC-ReID数据集上的首位准确率分别 为 94.3%和87.1%,mAP分别达到85.7%和74.5%,同时使用类激活图验证SOMA模块的影响 ,实验表 明SMAN算法充分利用特征图的通道域和空间域中二阶信息。算法的性能优于现有的一些基于 注意力机制行人重识别方法,甚至接近某些优秀的方法。     

基于施耐德PLC的交通灯远程控制系统设计

设计了一种带有行人请求功能的交通灯远程控制系统,阐述了基于施耐德可编程逻辑控制器（PLC） Modicon M340的软硬件实现方法,同时应用配套的开发软件完成PLC程序的编写,通过硬件调试,验证系统设计的正确性,与传统交通灯控制系统相比,稳定性和抗干扰能力都大幅提高.     

基于双目视觉感兴趣区域的行人检测

针对复杂背景下的行人检测,易受环境的干扰(尤其是树木)而导致识别不准确以及行人特征提取困难等问题:根据双目视觉获取图像深度信息,文章提出了一种基于双目视觉的目标深度定位的方法,减少了传统式特征描述的运算,获得了感兴趣区域;然后引入卷积神经网络的行人模型,对感兴趣区域进行精确识别,从而达到行人检测的目的。模型使用INRIA行人数据库和MIT数据库进行混合训练,深度学习行人的轮廓特征,形成行人模型来对感兴趣区域判定。实验表明,文章提出的方法确实有效,优于一般的深度学习模型的行人检测以及传统的行人检测方法。     

基于多重稀疏字典的行人检测方法

针对于稀疏编码在行人检测问题中提取的特征维数高和不能够有效描述行人的问题,提出了一种基于多重稀疏字典直方图的特征提取方法。通过稀疏表示方法,预先学习多个不同稀疏度的字典,分别利用每一个字典对行人图像进行稀疏编码,统计每个字典中对应稀疏编码单元的分布直方图作为行人图像的特征描述子。该方法提取到的特征维数低,并且能够有效地描述行人,具有良好的检测性能。