针对畸变行人检测的神经网络

针对视角存在畸变的视场下行人会依据所在视场中的位置表现不同于常规的多种姿态,如何在资源有限的情况下高效高精度的进行行人检测提出一种"多类"目标检测算法,即将视场中不同畸变程度下的行人可视为不同类型的监测目标,并依托当下分类算法中表现优异的Faster R-CNN神经网络框架,在安防监控图像中大大提高了行人检测的精度和速度。算法由训练分类器和检测两部分组成。在训练阶段,添加对数据集做多分类的分类层,即将不同畸变程度的行人定义为不同类的检测对象,很大程度上避免了训练的时候忽略因畸变造成的共性特征,以此提高检测精度。其次,以梯度下降的速度即收敛速度作为我们是否找到精准的多分类"边界"的依据,换句话说,我们定义的多分类的边界是不断变化的。在检测阶段,我们对不同场景实践展示出最终的检测结果。结果证明:不论是速度,精度都证明了多分类思想的正确性。     

基于长时间视频序列的背景建模方法研究

针对现有背景建模算法难以处理场景非平稳变化的问题,提出一种基于长时间视频序列的背景建模方法.该方法包括训练、检索、更新三个主要步骤.在训练部分,首先将长时间视频分段剪辑并计算对应的背景图,然后通过图像降采样和降维找到背景描述子,并利用聚类算法对背景描述子进行分类,生成背景记忆字典.在检索部分,利用前景像素比例设计非平稳状态判断机制,如果发生非平稳变换,则计算原图描述子与背景字典中描述子之间的距离,距离最近的背景描述子对应的背景图片即为此时背景.在更新部分,利用前景像素比例设计更新判断机制,如果前景比例始终过大,则生成新背景,并更新背景字典以及背景图库.当出现非平稳变化时（如光线突变）,本算法能够将背景模型恢复问题转化为背景检索问题,确保背景模型的稳定获得.将该框架与短时空域信息背景模型（以ViBe、MOG为例）融合,重点测试非平稳变化场景下的背景估计和运动目标检测结果.在多个视频序列上的测试结果表明,该框架可有效处理非平稳变化,有效改善目标检测效果,显著降低误检率.     

基于图像边缘特征的零件分类与定位算法

本论文提出了一种基于图像边缘特征的零件分类与定位算法。算法首先对图像腐蚀膨胀等预处理,然后通过边缘检测得零件的完整边缘轮廓,然后对零件边缘轮廓图像使用方向梯度直方图(HOG)构造训练数据,并采用支持向量机(SVM)在训练数据上训练分类识别模型,最后进行检测。根据检测结果获得图像中零件的种类和位置信息,然后使用棋盘格标定的方法来确定深度。标定时,取标定板上的两个点来计算深度,根据已知的深度,获取实际抓取点的两个图像坐标系的x,y值,计算世界坐标系坐标。此系统能解决零件分类、定位问题,能广泛运用于生产线引导工业机器人进行零件抓取。     

基于级联网络的智能视频监控下的行人检测

视频中的目标检测与跟踪是实现智能监控系统的关键,在行为分析、辅助驾驶系统、机器人视觉等领域都有着广泛的应用。而对行人的检测与跟踪是其中的关键环节之一。为了在监控场景下准确的进行行人检测,本文深入研究了行人检测算法,并对相关的算法进行优化,设计出了一种基于卷积神经网络(Convolutional neural network,CNN)级联网络的监控视频行人检测系统。在该方案中,引入级联CNN网络在拥挤场景中准确地检测行人,为跟踪行人奠定了基础。本文在论述了以上的创新方法后,釆用神经网络对和人体数据库进行训练后,以实际监控视频作为测试数据进行实验。实验结果表明了本文创新方法具有较好的可行性和有效性。     

基于并行通道级联网络的鲁棒行人检测

针对广角视场下远处行人分辨率较低、存在不同程度的畸变的问题,文中提出基于并行通道级联网络的鲁棒行人检测算法.以更快的区域卷积神经网络(Faster RCNN)为基础,引入差分图作为弱监督信息,再引入基于通道级联网络(CCN).然后设计并行CCN,将差分图和原图同时作为并行网络输入,融合更丰富的图像特征.最后在候选区域建议网络中,结合行人尺度在图像中分布的特点,聚类确定符合行人特点的搜索框.实验表明,文中算法在广角视场存在畸变情况下更有利于小尺寸行人检测.     

基于瞬态动力学的修枝机刀片摩擦噪声分析

本文是通过试验和仿真方法来分析修枝机的刀片摩擦噪声。先对刀片进行了锤击模态试验,再计算了试验和仿真模态MAC值,并说明仿真与试验模态分析的一致性。以此建立刀片有限元模型,进行了瞬态分析,其中把传动系统的刚体动力学位移结果作为瞬态分析边界条件,再把仿真结果与测试结果进行对比分析。结果表明:仿真和测试的主频吻合,刀片系统噪声辐射主要来自刀片的碰撞摩擦。