基于改进边缘检测算法的服装款式识别

为快速识别服装款式类型,提高生产效率,针对现有传统边缘检测算法难以准确提取轮廓特征序列的不足,设计一种改进的边缘提取算法。通过定义一种新的优化卷积核,在使用传统边缘检测算法提取训练样本的服装轮廓基础上,将该卷积核与目标矩阵进行卷积得到新的外轮廓,将新轮廓序列的傅里叶描述子作为特征向量,进一步利用BP神经网络模型完成服装款式的自动分类与识别。为验证改进方法的有效性,建立一个包含4类服装500个不重复服装图像的样本库,选取281个作为训练样本,对剩余219个样本进行测试,测试识别准确率最低为93.48%,最高达到了100%。该改进算法提高了服装款式识别率,对服装智能化生产具有借鉴意义。     

尺度优化的时空上下文目标跟踪

视觉目标跟踪在智能监控和人机交互等领域有着广泛的应用。该文针对时空上下文(STC)跟踪算法尺度适应性不强的问题进行研究,提出一种尺度优化的时空上下文目标跟踪算法。首先,提出一种新型加权滤波函数,滤除图像的高频信息,提升算法的精度;其次,定义两种判别标准,实现时空上下文模型的自适应更新;最后,通过相关性原理训练尺度滤波器,估计出目标的尺度大小,提高算法的尺度适应性。实验表明:提出的跟踪算法能有效改善STC跟踪算法的尺度更新缺陷问题,提高STC跟踪算法的跟踪精度,与近年来出现的基本跟踪算法相比,该算法有着良好的跟踪效果。该算法在AMD-A6处理器、2.7 GHz主频、4 GB内存的计算机硬件平台下,实现68 f/s的实时跟踪速度。     

基于深度学习的船舶吃水线提取策略

提出了一种基于深度神经网络的船舶吃水线检测方法. 相比传统手工设定的特征, 基于深度神经网络的方 法学习得到的特征具有较强的鲁棒性和稳定性, 能够适应训练集中未曾出现的新物体. 本方法首先使用基于深度学 习的语义分割算法对图像中目标区域进行分割, 通过水平投影得到水线在图像中的位置, 然后根据统计方法得到最 终的吃水深度. 通过实验表明所提方法能对图像中的目标区域进行较为准确的分割, 进而提取到水线值, 通过与人 工获取的结果对比, 证明了所提方法的有效性．     

一种平衡准确性以及高效性的显著性目标检测深度卷积网络模型

当前的显著性目标检测算法在准确性和高效性两方面不能实现良好的平衡,针对这一问题,该文提出了一种新的平衡准确性以及高效性的显著性目标检测深度卷积网络模型。首先,通过将传统的卷积替换为可分解卷积,大幅减少计算量,提高检测效率。其次,为了更好地利用不同尺度的特征,采用了稀疏跨层连接结构及多尺度融合结构来提高模型检测精度。广泛的评价表明,与现有方法相比,所提的算法在效率和精度上都取得了领先的性能。