基于多特征融合的前向车辆检测方法

针对传统车辆检测方法定位精度不高的问题,提出一种基于多特征融合的前向车辆检测方法。采用基于直方图分析和自适应双阈值的方法分别实现阴影和边缘特征的准确分割,并通过阴影和边缘特征的综合分析,生成车辆假设区域。利用对称性、纹理和轮廓匹配度3个特征融合得到的综合特征对获得的车辆假设区域进行验证,剔除其中的误检区域。实验结果证明,该方法能在不同光照条件下自适应地进行车辆检测,检测率可达92%以上,且在检测率和误检率2项指标上均优于传统基于学习的方法。     

多特征提取逐步求精的高速移动目标跟踪算法

传统的高速移动目标跟踪通常使用图像特征描述,不能够根据跟踪场景自适应地选择最优跟踪特征,导致功能模板很容易产生漂移问题.为此,提出一种基于特征融合和逐步求精的高速移动目标跟踪算法.该算法主要包括3个阶段:第1阶段为自适应多特征融合阶段,通过计算跟踪目标每一特征的前景及背景的区分度,获取目标特征的融合模型;第2阶段是基于多特征内核跟踪阶段,在Mean-Shift框架下,引入Epanechnikov函数作为内核函数提升目标区域中心的像素权重比值;第3阶段为目标模型的自适应更新,通过设计一种模板更新策略提高跟踪结果的准确度.仿真实验结果表明,该算法适用于高速目标跟踪.     

基于Tri-training的多特征融合图像检索

为了有效地综合利用图像的多种底层特征进行图像检索,提出将Tri-training方法应用于图像检索过程,将图像的颜色、纹理和形状特征进行了有效的融合。分别提取图像的三维量化颜色直方图、方向可控金字塔二值图像投影和仿射不变区域来表示其颜色、纹理和形状特征,并将三种特征的匹配值作为Tri-training分类器的输入对分类器进行训练和测试。实验结果表明,该方法有效利用了图像的多种特征,达到了很好的检索效果。     

多特征融合的遥感图像分类

针对高分辨率遥感图像特点,提出了一种多特征融合的分类方法。该方法首先改进了原始的视觉词袋生成算法;然后,分别提取图像的视觉词袋局部特征、颜色直方图特征以及Gabor纹理特征;最后采用支持向量机进行分类,并对多特征分类结果进行自适应综合。采用一个具有2 100幅图像的大型遥感图像分类公共测试数据集进行分类实验,与仅用单一特征分类方法的最高分类精度相比,本文多特征融合的遥感影像分类方法总体平均分类精度提高了10%,表明本文提出方法是一种有效的高分辨率遥感图像分类方法     

基于小波和Radon变换的桥梁裂缝检测

为提高桥梁裂缝检测效率,提出了一种新型的桥梁裂缝检测方法.针对桥梁表面图像具有噪声污点干扰进行预处理,先后用中值滤波和频域滤波有效的减弱了噪点干扰并加强了裂缝区域;针对裂缝处的纹理特点,用小波变换突出图像的纹理特征,计算小波高频段的高幅值系数占比,即高幅小波系数比(HAWCP),高频能量比(HFEP),Radon变换最大值和概率统计参数作为特征值,这些特征值的结合有很好的区分度和容错能力;将误差反向传播算法多层前向神经网络作为桥梁裂缝分类器,并且只用9次迭代既能完成训练,分类效率高.实验结果表明,提出的方法对桥梁裂缝的识别率高(超过95％),泛化能力强.     

多特征区域FastICA的非接触式心率检测

人脸视频单特征区域的非接触式心率检测方法,提取的脉搏波信号在视频采集过程中易受运动和光照的影响.为了减弱运动伪差和光照不均对脉搏波信号的干扰,本文提出了一种多特征区域结合快速独立成分分析的非接触式心率信号提取方法.通过人脸特征点算法结合区域中心定位的方法选择多特征区域,保证了视频图像特征区域的稳定性;使用快速独立成分分析实现多特征区域中图像绿色通道血容量变化脉冲信号之间的相互补偿,降低了光照不均匀的影响.在国外公开数据集DEAP上进行实验,实验结果表明,本文方法优于已有基于独立成分分析,独立矢量分析的方法.     

基于信息融合技术的直升机声信号识别

提出了一种基于多类特征提取的直升机声信号识别方法：对声信号提取多类特征,分别针对每一类特征进行模糊识别。应用一种改进的D—S证据方法对多个模糊识别的结果进行融合。该方法将多种特征提取方法有机结合起来,综合考虑直升机声信号多个方面的特征。仿真结果表明,该方法与传统方法相比,具有更高的识别率和稳定性。     

基于MSSA-SVM的电缆隧道故障预警系统设计

为了实现电缆隧道环境的在线监测和故障报警,提高电缆隧道监测系统的智能化水平,提出了一种基于多特征麻雀搜索算法（multi-feature modified sparrow search algorithm, MSSA）优化支持向量机（support vector machines, SVM）的故障预警系统。首先,对故障数据集进行归一化预处理;其次,建立多分类SVM模型,用MSSA对SVM进行参数寻优,从而建立MSSA-SVM模型,并将训练好的MSSA-SVM模型嵌入故障预警系统的数据库服务器中,对实时采集的数据进行在线监测、诊断,并及时报警;最后,通过实验验证了MSSA-SVM模型的有效性,并将其与麻雀搜索算法（sparrow search algorithm, SSA）、灰狼优化算法（grey wolf optimization, GWO）和粒子群算法（particle swarm optimization, PSO）进行对照实验,实验结果表明,MSSA-SVM模型的故障识别准确率最高,其识别准确率可达95%。研究结果为有效提高电缆隧道在线监测的智能性和准确性提供了参考。     

A Multi-Feature Learning Model with Enhanced Local Attention for Vehicle Re-Identification

Vehicle re-identification (ReID) aims to retrieve the target vehicle in an extensive image gallery through its appearances from various views in the cross-camera scenario. It has gradually become a core technology of intelligent transportation system. Most existing vehicle re-identification models adopt the joint learning of global and local features. However, they directly use the extracted global features, resulting in insufficient feature expression. Moreover, local features are primarily obtained through advanced annotation and complex attention mechanisms, which require additional costs. To solve this issue, a multi-feature learning model with enhanced local attention for vehicle re-identification (MFELA) is proposed in this paper. The model consists of global and local branches. The global branch utilizes both middle and high-level semantic features of ResNet50 to enhance the global representation capability. In addition, multi-scale pooling operations are used to obtain multi-scale information. While the local branch utilizes the proposed Region Batch Dropblock (RBD), which encourages the model to learn discriminative features for different local regions and simultaneously drops corresponding same areas randomly in a batch during training to enhance the attention to local regions. Then features from both branches are combined to provide a more comprehensive and distinctive feature representation. Extensive experiments on VeRi-776 and VehicleID datasets prove that our method has excellent performance.     

基于多特征门控反馈残差网络的超分辨率图像重建算法

针对超分辨率重建领域中低分辨率图像特征利用不充分的问题,文中基于反馈机制与注意力机制,提出了一种多特征门控反馈残差网络。该网络模型结构简单,以循环的方式实现了网络参数复用,可以有效地节省计算资源。此外,对网络迭代中的输出特征进行保留也可实现多特征融合。采用进一步的特征精炼模块将重建后的高分辨率图像特征进行特征提取,得到了更好的重建效果。在5种测试数据集上的实验结果表明,当缩放因子为4时,该网络的峰值信噪比分别为32.50 dB、28.83 dB、27.75 dB、26.65 dB和31.12 dB。与对比网络相比,文中所提算法的测试结果显著提升。